人工智能原理與實踐：基於Python語言和TensorFlow（簡體書）

本書是一本針對高校學生的**TensorFlow學習教材。作者結合眾多高質量的代碼，生動講解了TensorFlow的底層原理，並從實際應用問題入手，從實踐的角度出發，通過具體的TensorFlow案例程序介紹常見的模型和應用解決辦法。同時，在教材中還介紹了模型部署和編程過程中所用到的諸多開發技巧。是學習和掌握人工智能這個最新、*火的IT領域的推薦圖書。

1、圖書內容倡導並實踐理論實踐相結合的教學方式，鼓勵並督促學生“學習和練習相結合，理論與 實踐相結合”。針對圖書所要求的理論與實踐並重，兩方面都要抓，兩方面都要硬的要求，在實際教學過程中，除了基本的課堂授課以外，還會將知識點都設計並貫穿到實驗中，當堂實驗當堂講解當堂掌握，讓學生儘快掌握基本知識的應用。
2、將 Python語言內容加入課程中，使得學生能夠學習瞭解到目前 IT領域內比較受歡迎的熱門編程 語言。進一步擴寬學生的知識範圍，並為以後的就業打下了扎實的理論和實踐基礎。
3、TensorFlow 使用 Python 來構建和執行 graphs、編寫程序等工作。Python 作為一種流行的腳本語言，擁有免費、跨平臺、簡單易用、使用廣泛等優點；將它應用在人工智能課程的實驗項目上，可以明顯減少花費在實驗項目上的時間，用Python 語言所寫的代碼也更加易於閱讀和維護；不需要學習龐大的AO 接口；能夠快速簡單的建立工作流；
4、本圖書根據實際課程要求的培養目標，結合高校相關專業學生的實際情況，制定了具有鮮明自身特色的教學大綱，從知識的深度和廣度兩方面進一步針對目前流行的人工智能教材進行重新編寫，使教材內容更加的通俗易懂，並具備向國內其他高校相關專業進行普及的特點。
5、在理論教學和實驗教學的手段運用方面，將動畫的形式融入到多媒體教學中，從而將計算機進行思維的過程和特點以及一些繁瑣的算法推理，動態的展現給學生，進一步增強學生的學習興趣，提高學生的學習積極性。
6.本課程是穀歌產學合作項目支持課程。

基 礎 篇

第1章 緒論 1

1．1 人工智能簡介 1

1．1．1 人工智能的概念 1

1．1．2 現代人工智能的興起 5

1．1．3 人工智能的學術流派 5

1．2 人工智能的發展歷史 8

1．2．1 孕育期（1956年之前） 8

1．2．2 形成期（1956～1969年） 9

1．2．3 發展期（1970年之後） 11

1．3 人工智能技術的研究內容與應用領域 13

1．3．1 神經網絡 14

1．3．2 機器學習 15

1．3．3 模式識別 15

1．3．4 自然語言理解 16

1．3．5 專家系統 17

1．3．6 博弈 17

1．3．7 智能控制 18

1．3．8 其他 18

1．4 人工智能與TensorFlow 18

1．4．1 機器學習與深度學習 18

1．4．2 TensorFlow概念 20

1．4．3 TensorFlow的應用 23

第2章 Python基礎應用 25

2．1 引言 25

2．2 Python的安裝 25

2．3 數據類型與數據結構 29

2．4 數字 29

2．5 變量及其命名規則 29

2．6 語句和表達式 30

2．7 字符串 31

2．8 容器 32

2．8．1 列表 32

2．8．2 元組 35

2．8．3 字典 35

2．8．4 複製 36

2．9 函數 38

2．9．1 常用內置函數及高階函數 38

2．9．2 用戶自定義函數 42

2．10 常用庫 43

2．10．1 時間庫 43

2．10．2 科學計算庫（NumPy） 47

2．10．3 可視化繪圖庫（Matplotlib） 54

2．10．4 鎖與線程 58

2．10．5 多線程編程 59

第3章 TensorFlow基礎 62

3．1 TensorFlow的架構 62

3．2 TensorFlow的開發環境搭建 66

3．3 數據流圖簡介 77

3．3．1 數據流圖基礎 77

3．3．2 節點的依賴關係 80

3．4 TensorFlow中定義數據流圖 83

3．4．1 構建一個TensorFlow數據流圖 83

3．4．2 張量思維 87

3．4．3 張量的形狀 90

3．4．4 TensorFlow的Op 91

3．4．5 TensorFlow的Graph對象 93

3．4．6 TensorFlow的Session 94

3．4．7 輸入與占位符 97

3．4．8 Variable對象 98

3．5 通過名稱作用域組織數據流圖 100

3．6 構建數據流圖 105

3．7 運行數據流圖 108

第4章 TensorFlow運作方式 114

4．1 數據的準備和下載 114

4．2 圖表構建與推理 115

4．2．1 圖表構建 115

4．2．2 推理 116

4．3 損失與訓練 117

4．3．1 損失 117

4．3．2 訓練 117

4．4 狀態檢查與可視化 118

4．4．1 狀態檢查 118

4．4．2 狀態可視化 119

4．5 評估模型 120

4．6 評估圖表的構建與輸出 123

4．6．1 評估圖表的構建 123

4．6．2 評估圖表的輸出 123

實 戰 篇

第5章 MNIST機器學習 125

5．1 MNIST數據集簡介 125

5．2 MNIST數據下載 127

5．2．1 數據的準備 129

5．2．2 數據重構 130

5．2．3 數據集對象 130

5．3 softmax回歸模型簡介 131

5．4 模型的訓練與評估 132

5．5 TensorFlow模型基本步驟 135

5．6 構建softmax回歸模型 135

第6章 卷積神經網絡 138

6．1 卷積神經網絡 138

6．2 卷積神經網絡的模型架構 142

6．2．1 ImageNet-2010網絡結構 142

6．2．2 DeepID網絡結構 143

6．3 卷積運算 144

6．3．1 輸入和卷積核 145

6．3．2 降維 145

6．3．3 填充 145

6．3．4 數據格式 145

6．4 卷積常見層 146

6．4．1 卷積層 146

6．4．2 池化層 149

6．4．3 歸一化 150

6．4．4 高級層 151

6．5 TensorFlow和圖像 152

6．5．1 圖像加載 152

6．5．2 圖像格式 152

6．5．3 圖像操作 152

6．5．4 顏色空間變換 153

6．6 模型訓練 153

6．7 模型評估 154

6．8 多GPU的模型訓練 154

第7章 字詞的向量表示 155

7．1 WordEmbedding的基本概念和知識 156

7．2 Skip-Gram模型 158

7．2．1 數據集的準備 160

7．2．2 模型結構 161

7．2．3 處理噪聲對比 162

7．2．4 模型訓練 163

7．3 嵌套學習可視化與評估 164

7．4 優化實現 166

第8章 遞歸神經網絡 168

8．1 遞歸神經網絡的架構 169

8．2 PTB數據 170

8．3 模型及LSTM 170

8．3．1 LSTM的概念 172

8．3．2 LSTM的結構 173

8．3．3 LSTM的控制門 173

8．4 反向傳播的截斷 175

8．5 輸入與損失函數 175

8．6 多個LSTM層堆疊 175

8．7 代碼的編譯與運行 176

第9章 Mandelbrot集合 177

9．1 庫的導入 178

9．2 會話和變量初始化 179

9．3 定義並運行計算 179

第10章 偏微分方程模擬仿真 180

10．1 計算函數的定義 180

10．2 偏微分方程的定義 182

10．3 仿真 183

第11章 人臉識別 185

11．1 人臉識別概念 185

11．2 人臉識別的流程 188

11．2．1 人臉圖像的採集 188

11．2．2 人臉圖像的檢測 189

11．2．3 人臉圖像的預處理 189

11．2．4 人臉圖像的特徵提取 189

11．2．5 人臉圖像的匹配與識別 190

11．2．6 活體鑒別 190

11．3 人臉識別種類 190

11．3．1 人臉檢測 190

11．3．2 人臉關鍵點檢測 191

11．3．3 人臉驗證 194

11．4 人臉檢測 194

11．4．1 LFW數據集 194

11．4．2 數據預處理與檢測 195

11．5 性別和年齡識別 196

11．5．1 數據預處理 198

11．5．2 模型構建 198

11．5．3 模型訓練 203

11．5．4 模型驗證 204