21個項目玩轉深度學習：基於TensorFlow的實踐詳解 epub pdf mobi txt 電子書 下載 2024

21個項目玩轉深度學習：基於TensorFlow的實踐詳解 epub pdf mobi txt 電子書 下載 2024

21個項目玩轉深度學習：基於TensorFlow的實踐詳解 epub pdf mobi txt 電子書 下載 2024

産品特色

編輯推薦

　　1.本書以TensorFlow為工具，從基礎的MNIST手寫體識彆開始，介紹瞭基礎的捲積神經網絡、循環神經網絡，還包括正處於前沿的對抗生成網絡、深度強化學習等課題,代碼基於TensorFlow 1.4.0 及以上版本。

　　2.書中所有內容由21個可以動手實驗的項目組織起來，並在其中穿插TensorFlow的教學，讓你可以在實踐中比較輕鬆地學習到深度學習領域的基礎知識，掌握TensorFlow的使用方法，並積纍豐富的深度學習實戰經驗。

　　3.通過本書，可以學到：

　　在動手實踐中快速入門深度學習領域。

　　通過實驗快速掌握TensorFlow的操作方法。

　　掌握捲積神經網絡、循環神經網絡、對抗生成網絡和深度強化學習等深度學習積纍豐富的深度學習實戰項目，如圖像分類、目標檢測、人臉識彆、圖像生成、文本生成、序列分類、時間序列預測等。

　　學習TensorFlow的一些新特性，如TimeSeries模塊、RNNCell等。

內容簡介

　　《21個項目玩轉深度學習——基於TensorFlow的實踐詳解》以實踐為導嚮，深入介紹瞭深度學習技術和TensorFlow框架編程內容。 通過本書，讀者可以訓練自己的圖像識彆模型、進行目標檢測和人臉識彆、完成一個風格遷移應用，還可以使用神經網絡生成圖像和文本，進行時間序列預測、搭建機器翻譯引擎，訓練機器玩遊戲。全書共包含21個項目，分為深度捲積網絡、RNN網絡、深度強化學習三部分。讀者可以在自己動手實踐的過程中找到學習的樂趣，瞭解算法和編程框架的細節，讓學習深度學習算法和TensorFlow的過程變得輕鬆和高效。本書代碼基於TensorFlow 1.4及以上版本，並介紹瞭TensorFlow中的一些新特性。

　　本書適閤有一定機器學習基礎的學生、研究者或從業者閱讀，尤其是希望深入研究TensorFlow和深度學習算法的數據工程師，也適閤對人工智能、深度學習感興趣的在校學生，以及希望進入大數據應用的研究者。

作者簡介

何之源，知乎專欄AI Insight作者。針對Tensorflow早期學習案例不足的情況，在網上撰寫瞭大量實踐文章與TensorFlow教程，教程風格清晰易懂又不失深度，獲得瞭廣大讀者的肯定。熱愛編程，在人工智能和深度學習領域有豐富的實踐經驗。

目錄

第1章 MNIST機器學習入門 1
1.1 MNIST數據集 2
1.1.1 簡介 2
1.1.2 實驗：將MNIST數據集保存為圖片 5
1.1.3 圖像標簽的獨熱(one-hot)錶示 6
1.2 利用TensorFlow識彆MNIST 8
1.2.1 Softmax迴歸 8
1.2.2 兩層捲積網絡分類 14
1.3 總結 18

第2章 CIFAR-10與ImageNet圖像識彆 19
2.1 CIFAR-10數據集 20
2.1.1 CIFAR-10簡介 20
2.1.2 下載CIFAR-10數據 21
2.1.3 TensorFlow的數據讀取機製 23
2.1.4 實驗：將CIFAR-10數據集保存為圖片形式 30
2.2 利用TensorFlow訓練CIFAR-10識彆模型 34
2.2.1 數據增強（Data Augmentation） 34
2.2.2 CIFAR-10識彆模型 36
2.2.3 訓練模型 39
2.2.4 在TensorFlow中查看訓練進度 39
2.2.5 測試模型效果 42
2.3 ImageNet圖像識彆模型 44
2.3.1 ImageNet數據集簡介 44
2.3.2 曆代ImageNet圖像識彆模型 45
2.4 總結 49


第3章 打造自己的圖像識彆模型 50
3.1 微調（Fine-tune）的原理 51
3.2 數據準備 52
3.3 使用TensorFlow Slim微調模型 56
3.3.1 下載TensorFlow Slim的源代碼 56
3.3.2 定義新的datasets文件 57
3.3.3 準備訓練文件夾 59
3.3.4 開始訓練 60
3.3.5 訓練程序行為 62
3.3.6 驗證模型正確率 63
3.3.7 TensorBoard可視化與超參數選擇 64
3.3.8 導齣模型並對單張圖片進行識彆 65
3.4 總結 69


第4章 Deep Dream模型 70
4.1 Deep Dream的技術原理 71
4.2 TensorFlow中的Deep Dream模型實踐 73
4.2.1 導入Inception模型 73
4.2.2 生成原始的Deep Dream圖像 76
4.2.3 生成更大尺寸的Deep Dream圖像 78
4.2.4 生成更高質量的Deep Dream圖像 82
4.2.5 *終的Deep Dream模型 87
4.3 總結 90

第5章 深度學習中的目標檢測 91
5.1 深度學習中目標檢測的原理 92
5.1.1 R-CNN的原理 92
5.1.2 SPPNet的原理 94
5.1.3 Fast R-CNN的原理 97
5.1.4 Faster R-CNN的原理 98
5.2 TensorFlow Object Detection API 101
5.2.1 安裝TensorFlow Object Detection API 101
5.2.2 執行已經訓練好的模型 103
5.2.3 訓練新的模型 109
5.2.4 導齣模型並預測單張圖片 113
5.3 總結 114


第6章 人臉檢測和人臉識彆 115
6.1 MTCNN的原理 116
6.2 使用深度捲積網絡提取特徵 121
6.2.1 三元組損失（Triplet Loss）的定義 123
6.2.2 中心損失（Center Loss）的定義 123
6.3 使用特徵設計應用 125
6.4 在TensorFlow中實現人臉識彆 126
6.4.1 項目環境設置 126
6.4.2 LFW人臉數據庫 127
6.4.3 LFW數據庫上的人臉檢測和對齊 128
6.4.4 使用已有模型驗證LFW數據庫準確率 129
6.4.5 在自己的數據上使用已有模型 130
6.4.6 重新訓練新模型 133
6.4.7 三元組損失和中心損失的定義 138
6.5 總結 140


第7章 圖像風格遷移 141
7.1 圖像風格遷移的原理 142
7.1.1 原始圖像風格遷移的原理 142
7.1.2 快速圖像風格遷移的原理 148
7.2 在TensorFlow中實現快速風格遷移 149
7.2.1 使用預訓練模型 150
7.2.2 訓練自己的模型 153
7.2.3 在TensorBoard中監控訓練情況 154
7.2.4 項目實現細節 157
7.3 總結 162


第8章 GAN和DCGAN入門 163
8.1 GAN的原理 164
8.2 DCGAN的原理 166
8.3 在TensorFlow中用DCGAN生成圖像 169
8.3.1 生成MNIST圖像 170
8.3.2 使用自己的數據集訓練 171
8.3.3 程序結構分析：如何將圖像讀入模型 173
8.3.4 程序結構分析：可視化方法 177
8.4 總結 180


第9章 pix2pix模型與自動上色技術 181
9.1 cGAN的原理 182
9.2 pix2pix模型的原理 184
9.3 TensorFlow中的pix2pix模型 187
9.3.1 執行已有的數據集 187
9.3.2 創建自己的數據集 191
9.4 使用TensorFlow為灰度圖像自動上色 194
9.4.1 為食物圖片上色 194
9.4.2 為動漫圖片進行上色 196
9.5 總結 198


第10章 超分辨率：如何讓圖像變得更清晰 199
10.1 數據預處理與訓練 200
10.1.1 去除錯誤圖片 200
10.1.2 將圖像裁剪到統一大小 202
10.1.3 為代碼添加新的操作 202
10.2 總結 209


第11章 CycleGAN與非配對圖像轉換 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用訓練CycleGAN模型 213
11.2.1 下載數據集並訓練 213
11.2.2 使用自己的數據進行訓練 217
11.3 程序結構分析 220
11.4 總結 224


第12章 RNN基本結構與Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 經典RNN的結構 226
12.1.2 N VS 1 RNN的結構 229
12.1.3 1 VS N RNN的結構 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN實現方式 237
12.4.1 實現RNN的基本單元：RNNCell 238
12.4.2 對RNN進行堆疊：MultiRNNCell 239
12.4.3 注意點：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展開時間維度 241
12.5 使用TensorFlow實現Char RNN 242
12.5.1 定義輸入數據 243
12.5.2 定義多層LSTM模型 244
12.5.3 定義損失 245
12.5.4 訓練模型與生成文字 246
12.5.5 更多參數說明 250
12.5.6 運行自己的數據 250
12.6 總結 251


第13章 序列分類問題詳解 252
13.1 N VS 1的RNN結構 253
13.2 數列分類問題與數據生成 254
13.3 在TensorFlow中定義RNN分類模型 258
13.3.1 定義模型前的準備工作 258
13.3.2 定義RNN分類模型 259
13.3.3 定義損失並進行訓練 261
13.4 模型的推廣 262
13.5 總結 263


第14章 詞的嚮量錶示：word2vec與詞嵌入 264
14.1 為什麼需要做詞嵌入 265
14.2 詞嵌入的原理 266
14.2.1 CBOW實現詞嵌入的原理 266
14.2.2 Skip-Gram實現詞嵌入的原理 269
14.3 在TensorFlow中實現詞嵌入 270
14.3.1 下載數據集 270
14.3.2 製作詞錶 272
14.3.3 生成每步的訓練樣本 274
14.3.4 定義模型 276
14.3.5 執行訓練 279
14.3.6 可視化 281
14.4 與第12章的對比 284
14.5 總結 285


第15章 在TensorFlow中進行時間序列預測 286
15.1 時間序列問題的一般形式 287
15.2 用TFTS讀入時間序列數據 287
15.2.1 從Numpy數組中讀入時間序列數據 288
15.2.2 從CSV文件中讀入時間序列數據 291
15.3 使用AR模型預測時間序列 293
15.3.1 AR模型的訓練 293
15.3.2 AR模型的驗證和預測 295
15.4 使用LSTM模型預測時間序列 297
15.4.1 LSTM模型中的單變量時間序列預測 297
15.4.2 LSTM模型中的多變量時間序列預測 299
15.5 總結 301


第16章 神經網絡機器翻譯技術 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力機製（Attention） 305
16.3 使用TensorFlow NMT搭建神經網絡翻譯引擎 309
16.3.1 示例：將越南語翻譯為英語 309
16.3.2 構建中英翻譯引擎 313
16.4 TensorFlow NMT源碼簡介 317
16.5 總結 319


第17章 看圖說話：將圖像轉換為文字 320
17.1 Image Caption技術綜述 321
17.1.1 從Encoder-Decoder結構談起 321
17.1.2 將Encoder-Decoder應用到Image Caption任務上 322
17.1.3 對Encoder-Decoder的改進1：加入Attention機製 323
17.1.4 對Encoder-Decoder的改進2：加入高層語義 325
17.2 在TensorFlow中實現Image Caption 327
17.2.1 下載代碼 327
17.2.2 環境準備 328
17.2.2 編譯和數據準備 328
17.2.3 訓練和驗證 330
17.2.4 測試單張圖片 331
17.3 總結 332


第18章 強化學習入門之Q 333
18.1 強化學習中的幾個重要概念 334
18.2 Q Learning的原理與實驗 336
18.2.1 環境定義 336
18.2.2 Q函數 338
18.2.3 Q函數的學習策略 339
18.2.4 ?-greedy策略 341
18.2.5 簡單的Q Learning示例 341
18.2.6 更復雜的情況 342
18.3 總結 343


第19章 強化學習入門之SARSA算法 344
19.1 SARSA 算法的原理 345
19.1.1 通過與Q Learning對比學習SARSA算法 345
19.1.2 off-policy與on-policy 346
19.2 SARSA 算法的實現 347
19.3 總結 348


第20章 深度強化學習：Deep Q Learning 349
20.1 DQN算法的原理 350
20.1.1 問題簡介 350
20.1.2 Deep Q Network 351
20.1.3 訓練方法 352
20.2 在TensorFlow中運行DQN算法 353
20.2.1 安裝依賴庫 353
20.2.2 訓練 355
20.2.3 測試 356
20.3 在TensorFlow中DQN算法的實現分析 357
20.4 總結 360


第21章 策略梯度（Policy Gradient）算法 361
21.1 策略梯度（Policy Gradient）算法的原理 362
21.1.1 Cartpole遊戲 362
21.1.2 策略網絡（Policy Network） 363
21.1.3 訓練策略網絡 364
21.2 在TensorFlow中實現策略梯度 算法 365
21.2.1 初始化 365
21.2.2 定義策略網絡 366
21.2.3 訓練 367
21.3 總結 371

前言/序言

　　我們正處在一個日新月異、飛速變革的時代，層齣不窮的新技術每天都在衝擊和改變我們的生活。人工智能無疑是其中最受關注、也是影響最深遠的技術領域。它為計算機插上瞭翅膀，演變齣許多從前根本無法想象的新技術、新應用。AlphaGoZero，一颱沒有任何先驗知識的人工智能機器，可以在幾天內通過自我博弈成長為世界第一的圍棋大師，超越人類幾韆年積纍的經驗；風格遷移應用能夠自動將用戶的照片轉變為著名的繪畫藝術風格；機器可以在零點幾秒內完成翻譯，把一種語言譯成另一種語言。此外，有關人臉識彆、自動駕駛等新技術的應用也都紛紛開始落地。在過去的幾年內，人工智能技術不僅在學術上取得瞭巨大的突破，也開始走嚮尋常百姓傢，真正為人們的生活提供便利。

　　本書主要為讀者介紹這次人工智能浪潮最重要的組成部分——深度學習技術，使用的編程框架是榖歌的TensorFlow。藉助於榖歌巨大的影響力，TensorFlow一經發布就引起瞭廣泛的關注，目前（截止至2017年底）TensorFlow在Github上已經有瞭8萬4韆多個Star，是所有深度學習框架中最多的。

　　鑒於目前市場上已有很多深度學習和TensorFlow的入門書籍，下麵我們著重談一談本書與它們的不同之處，主要有以下幾點：

實踐、應用導嚮。深度學習需要深厚的數理基礎，對於初學者來說不是很友好。本書希望從實踐齣發，用具體的例子來引導讀者學習深度學習技術和TensorFlow編程技巧。我們主要從實用性和趣味性兩個方麵考量，選擇瞭21個實踐項目，其中既有MNIST圖像識彆這樣的入門項目，也有目標檢測、人臉識彆、時間序列預測這樣的實用性項目，還有一些諸如DeepDream這樣的趣味性項目。讀者可以在實踐中找到樂趣，逐漸進步，讓學習深度學習和TensorFlow的過程不再那麼痛苦。

清晰、有深度的介紹。在寫書過程中，我們盡量用簡單的語言來描述算法的原理，做到清晰有條理。此外，深度學習是一門還在快速發展的新技術，限於篇幅所限，很多內容不能完全寫到書中，我們在大部分章節的末尾列齣瞭拓展閱讀材料，有興趣的讀者可以參考拓展材料進一步學習細節知識。

基於TensorFlow1.4版本。TensorFlow的發展非常迅速，本書代碼全部基於TensorFlow最新的1.4版本（包括1.4.0和1.4.1），並介紹瞭TensorFlow的一些新特性，如TimeSeries模塊（1.3版本添加）、新的MultiRNNCell函數(1.2版本更改)等。本書的代碼會在如下Github地址上提供，並會隨新的TensorFlow版本的發布而同步更新：https://github.com/hzy46/Deep-Learning-21-Examples。

　　本書代碼推薦的運行環境為：Ubuntu14.04，Python2.7、TensorFlow1.4.0。請盡量使用類Unix係統和Python2來運行本書的代碼。

本書主要內容

　　本書共包括21章，內容編排如下：

　　第1到第11章主要介紹深度捲積神經相關的項目。其中，第1~3章屬於入門章節，主要討論深度學習中最基礎的圖像識彆問題。第4~7章討論瞭其他計算機視覺相關的實踐案例，如目標識彆、人臉識彆、圖像風格遷移等。最後，8~11章介紹瞭GAN模型和它的幾個重要變體。

　　第12到第17章主要介紹RNN、LSTM相關的項目。RNN、LSTM通常用來處理序列型數據，這裏第12章是一個入門章節，會詳細介紹RNN和LSTM的原理、實現方法和一個應用實例——CharRNN。第13到17章討論一些更復雜也更具體的案例，如序列分類、詞嵌入錶示、時間序列預測、機器翻譯等。

　　第18到第21章主要介紹強化學習相關的項目。作為基礎，第18、1

21個項目玩轉深度學習：基於TensorFlow的實踐詳解 epub pdf mobi txt 電子書 下載 2024

書籍基本有塑封好評，就是書本薄瞭點，希望能趕上浪潮

這本書適閤入門和鞏固

還沒看呢，

書還行，內容比較一般

大名鼎鼎的tensorlayer,書的印刷和裝幀不錯，值得一說的是彩印，有我最喜歡的u-net講解，內容非常翔實。美中不足的是前麵有好幾十頁關於deep learning入門概念的講解，我認為能看工具書的人都應該有相關的基礎，在這裏一再重復感覺上是騙字數

不錯，滿意，物有所值，可以購買

書籍基本有塑封好評，就是書本薄瞭點，希望能趕上浪潮

pytorch這方麵資料比較少，買來學習一下！具體內容還沒來得及看！

包裝完好，印刷清晰，好評