Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
基于Tensorflow2的深度学习开源书籍
| Date | Stars |
|---|---|
| 2026-07-31 | 344 |
| 2026-08-02 | 344 |
| 2026-08-06 | 343 |
Today
-1 stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
## 本书特色： 一.所有公式推导都有详细步骤，并解释每个符号。 二.注释每一行代码。 三. 程序皆为完整程序。本书一共82个代码应用案例，所有的代码都是可以从头到尾运行的完整程序，并附带真实运行结果。 四.一图胜千言。本书一共使用了约500张图片，在本书的创作过程中，大约有200个小时是花在画图以及思考如何画图上。 五.逻辑结构清晰，讲解细致。 本书介绍视频：[https://www.bilibili.com/video/BV19A411n7Fn](https://www.bilibili.com/video/BV19A411n7Fn) ## 免费人工智能慕课平台AI MOOC AI MOOC是我自己创办的一个免费的人工智能慕课平台，网站地址为[https://mooc.ai-xlab.com](https://mooc.ai-xlab.com)。以后我会在上面不断更新最新的人工智能课程。我的目标是让所有人都能有机会学习到最前沿最好的人工智能课程。 如果大家觉得我创作的内容不错，可以帮我多多宣传，感谢。 ## 书籍和资料百度云下载地址 链接:https://pan.baidu.com/s/1xAH1FxAv9r4W8gfXDoiyRw 密码:xrt7 ## 免费人工智能技术交流QQ群： 人工智能与深度学习：616043628 ## 本书目录 前言 第1章 深度学习背景介绍  1.1 人工智能  1.2 机器学习   1.2.1 训练数据，验证数据和测试数据   1.2.2 学习方式   1.2.3 机器学习常用算法  1.3 人工智能，机器学习，神经网络以及深度学习之间的关系  1.4 深度学习应用  1.5 神经网络深度学习发展史   1.5.1 神经网络诞生-20时间40-60年代   1.5.2 神经网络复兴-20时间80-90年代   1.5.3 深度学习-2006年至今  1.6 深度学习领域重要人物  1.7 新一轮人工智能爆发的三要素 第2章 搭建Python编程环境  2.1 Python介绍  2.2 Anaconda安装  2.3 Jupyter Notebook的简单使用   2.3.1 启动Jupyter Notebook   2.3.2 修改Jupyter Notebook默认启动路径   2.3.3 Jupyter Notebook浏览器无法打开   2.3.4 Jupyter Notebook基本操作 第3章 单层感知器与线性神经网络  3.1 生物神经网络  3.2 单层感知器   3.2.1 单层感知器介绍   3.2.2 单层感知器计算举例   3.2.3 单层感知器的另一种表达形式  3.3 单层感知器的学习规则   3.3.1 单层感知器的学习规则介绍   3.3.2 单层感知器的学习规则计算举例  3.4 学习率  3.5 模型的收敛条件  3.6 模型的超参数和参数的区别  3.7 单层感知器分类案例  3.8 线性神经网络   3.8.1 线性神经网络介绍   3.8.2 线性神经网络分类案例  3.9 线性神经网络处理异或问题 第4章 单层感知器与线性神经网络  4.1 BP神经网络介绍及发展背景  4.2 代价函数  4.3 梯度下降法   4.3.1 梯度下降法（Gradient Descent）介绍   4.3.2 梯度下降法（Gradient Descent）二维例子   4.3.3 梯度下降法（Gradient Descent）三维例子  4.4 Delta学习规则  4.5 常用激活函数讲解   4.5.1 Sigmoid函数   4.5.2 Tanh函数   4.5.3 Softsign函数   4.5.4 ReLU函数  4.6 BP网络模型和公式推导   4.6.1 BP网络模型   4.6.2 BP算法推导   4.6.3 BP算法推导补充说明  4.7 BP算法推导结论总结  4.8 梯度消失与梯度爆炸   4.8.1 梯度消失   4.8.2 梯度爆炸   4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题  4.9 使用BP神经网络解决异或问题  4.10 分类模型评估方法   4.10.1 准确率/精确率/召回率/F1值   4.10.2 混淆矩阵  4.11 独热编码（One-Hot Encoding）  4.12 BP神经网络完成手写数字识别  4.13 Sklearn手写数字识别 第5章 深度学习框架Tensorflow基础使用  5.1 Tensorflow介绍   5.1.1 Tensorflow简介   5.1.2 静态图和动态图机制Eager Execution   5.1.3 tf.keras  5.2 Tensorflow-cpu安装   5.2.1 Tensorflow-cpu在线安装   5.2.2 安装过程中可能遇到的问题汇总   5.2.3 Tensorflow-cpu卸载   5.2.4 Tensorflow-cpu更新   5.2.5 Tensorflow-cpu指定版本的安装  5.3 Tensorflow-gpu安装   5.3.1 Tensorflow-gpu了解最新版本情况   5.3.2 Tensorflow-gpu安装CUDA   5.3.3 Tensorflow-gpu安装cuDNN库   5.3.4 Tensorflow-gpu在线安装   5.3.5 Tensorflow-gpu卸载   5.3.6 Tensorflow-gpu更新  5.4 Tensorflow基本概念  5.5 Tensorflow基础使用   5.5.1 TF1转TF2工具   5.5.2 Tensorflow基本操作   5.5.3 拟合线性函数   5.5.4 拟合非线性函数  5.6 手写数字图片分类任务   5.6.1 MNIST数据集介绍   5.6.2 Softmax函数介绍   5.6.3 简单MNIST数据集分类模型-没有高级封装   5.6.4 简单MNIST数据集分类模型-keras高级封装 第6章 网络优化方法  6.1 交叉熵代价函数   6.1.1 均方差代价函数的缺点   6.1.2 引入交叉熵代价函数   6.1.3 交叉熵代价函数推导过程   6.1.4 Softmax与对数似然代价函数   6.1.5 交叉熵程序  6.2 过拟合（Over-Fitting）   6.2.1 什么是过拟合   6.2.2 抵抗过拟合的方法  6.3 数据增强（Data Augmentation）  6.4 提前停止训练（Early-Stopping）  6.5 Dropout   6.
Excerpt of 12,372 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:c07ee9d9b127c412, llm:description: '基于Tensorflow2的深度学习开源书籍' (Deep learning open-source book based on TensorFlow 2)
matched fp:c07ee9d9b127c412, llm:description: '基于Tensorflow2的深度学习开源书籍' (Deep learning open-source book based on TensorFlow 2)
matched fp:c07ee9d9b127c412, llm:description: '基于Tensorflow2的深度学习开源书籍' (Deep learning open-source book based on TensorFlow 2)