深度學習TensorFlow入門原理與進階實戰+21個項目玩轉深度學習-TensorFlow實踐詳解 pdf epub mobi txt 电子书下载 2025

☆☆☆☆☆

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到求知書站

tushu.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：蓝墨水图书专营店

出版社：机械工业出版社

ISBN：9787111590057

商品编码：27929077800

具体描述

書名：	【正版】深度學習之TensorFlow：入門、原理與進階實戰\|7436497
圖書定價：	99元
圖書作者：	李金洪
齣版社：	機械工業齣版社
齣版日期：	2018/3/1 0:00:00
ISBN號：	9787111590057
開本：	16開
頁數：	0
版次：	1-1

配套學習資源
前言
第1篇深度學習與TensorFlow基礎
第1章快速瞭解人工智能與TensorFlow 2
1.1 什麼是深度學習 2
1.2 TensorFlow是做什麼的 3
1.3 TensorFlow的特點 4
1.4 其他深度學習框架特點及介紹 5
1.5 如何通過本書學好深度學習 6
1.5.1 深度學習怎麼學 6
1.5.2 如何學習本書 7
第2章搭建開發環境 8
2.1 下載及安裝Anaconda開發工具 8
2.2 在Windows平颱下載及安裝TensorFlow 11
2.3 GPU版本的安裝方法 12
2.3.1 安裝CUDA軟件包 12
2.3.2 安裝cuDNN庫 13
2.3.3 測試顯卡 14
2.4 熟悉Anaconda 3開發工具 15
2.4.1 快速瞭解Spyder 16
2.4.2 快速瞭解Jupyter Notebook 18
第3章 TensorFlow基本開發步驟——以邏輯迴歸擬閤二維數據為例 19
3.1 實例1：從一組看似混亂的數據中找齣y≈2x的規律 19
3.1.1 準備數據 20
3.1.2 搭建模型 21
3.1.3 迭代訓練模型 23
3.1.4 使用模型 25
3.2 模型是如何訓練齣來的 25
3.2.1 模型裏的內容及意義 25
3.2.2 模型內部的數據流嚮 26
3.3 瞭解TensorFlow開發的基本步驟 27
3.3.1 定義輸入節點的方法 27
3.3.2 實例2：通過字典類型定義輸入節點 28
3.3.3 實例3：直接定義輸入節點 28
3.3.4 定義“學習參數”的變量 29
3.3.5 實例4：通過字典類型定義“學習參數” 29
3.3.6 定義“運算” 29
3.3.7 優化函數，優化目標 30
3.3.8 初始化所有變量 30
3.3.9 迭代更新參數到最優解 31
3.3.10 測試模型 31
3.3.11 使用模型 31
第4章 TensorFlow編程基礎 32
4.1 編程模型 32
4.1.1 瞭解模型的運行機製 33
4.1.2 實例5：編寫hello world程序演示session的使用 34
4.1.3 實例6：演示with session的使用 35
4.1.4 實例7：演示注入機製 35
4.1.5 建立session的其他方法 36
4.1.6 實例8：使用注入機製獲取節點 36
4.1.7 指定GPU運算 37
4.1.8 設置GPU使用資源 37
4.1.9 保存和載入模型的方法介紹 38
4.1.10 實例9：保存/載入綫性迴歸模型 38
4.1.11 實例10：分析模型內容，演示模型的其他保存方法 40
4.1.12 檢查點（Checkpoint） 41
4.1.13 實例11：為模型添加保存檢查點 41
4.1.14 實例12：更簡便地保存檢查點 44
4.1.15 模型操作常用函數總結 45
4.1.16 TensorBoard可視化介紹 45
4.1.17 實例13：綫性迴歸的TensorBoard可視化 46
4.2 TensorFlow基礎類型定義及操作函數介紹 48
4.2.1 張量及操作 49
4.2.2 算術運算函數 55
4.2.3 矩陣相關的運算 56
4.2.4 復數操作函數 58
4.2.5 規約計算 59
4.2.6 分割 60
4.2.7 序列比較與索引提取 61
4.2.8 錯誤類 62
4.3 共享變量 62
4.3.1 共享變量用途 62
4.3.2 使用get-variable獲取變量 63
4.3.3 實例14：演示get_variable和Variable的區彆 63
4.3.4 實例15：在特定的作用域下獲取變量 65
4.3.5 實例16：共享變量功能的實現 66
4.3.6 實例17：初始化共享變量的作用域 67
4.3.7 實例18：演示作用域與操作符的受限範圍 68
4.4 實例19：圖的基本操作 70
4.4.1 建立圖 70
4.4.2 獲取張量 71
4.4.3 獲取節點操作 72
4.4.4 獲取元素列錶 73
4.4.5 獲取對象 73
4.4.6 練習題 74
4.5 配置分布式TensorFlow 74
4.5.1 分布式TensorFlow的角色及原理 74
4.5.2 分布部署TensorFlow的具體方法 75
4.5.3 實例20：使用TensorFlow實現分布式部署訓練 75
4.6 動態圖（Eager） 81
4.7 數據集（tf.data） 82
第5章識彆圖中模糊的手寫數字（實例21） 83
5.1 導入圖片數據集 84
5.1.1 MNIST數據集介紹 84
5.1.2 下載並安裝MNIST數據集 85
5.2 分析圖片的特點，定義變量 87
5.3 構建模型 87
5.3.1 定義學習參數 87
5.3.2 定義輸齣節點 88
5.3.3 定義反嚮傳播的結構 88
5.4 訓練模型並輸齣中間狀態參數 89
5.5 測試模型 90
5.6 保存模型 91
5.7 讀取模型 92
第2篇深度學習基礎——神經網絡
第6章單個神經元 96
6.1 神經元的擬閤原理 96
6.1.1 正嚮傳播 98
6.1.2 反嚮傳播 98
6.2 激活函數——加入非綫性因素，解決綫性模型缺陷 99
6.2.1 Sigmoid函數 99
6.2.2 Tanh函數 100
6.2.3 ReLU函數 101
6.2.4 Swish函數 103
6.2.5 激活函數總結 103
6.3 softmax算法——處理分類問題 103
6.3.1 什麼是softmax 104
6.3.2 softmax原理 104
6.3.3 常用的分類函數 105
6.4 損失函數——用真實值與預測值的距離來指導模型的收斂方嚮 105
6.4.1 損失函數介紹 105
6.4.2 TensorFlow中常見的loss函數 106
6.5 softmax算法與損失函數的綜閤應用 108
6.5.1 實例22：交叉熵實驗 108
6.5.2 實例23：one_hot實驗 109
6.5.3 實例24：sparse交叉熵的使用 110
6.5.4 實例25：計算loss值 110
6.5.5 練習題 111
6.6 梯度下降——讓模型逼近最小偏差 111
6.6.1 梯度下降的作用及分類 111
6.6.2 TensorFlow中的梯度下降函數 112
6.6.3 退化學習率——在訓練的速度與精度之間找到平衡 113
6.6.4 實例26：退化學習率的用法舉例 114
6.7 初始化學習參數 115
6.8 單個神經元的擴展——Maxout網絡 116
6.8.1 Maxout介紹 116
6.8.2 實例27：用Maxout網絡實現MNIST分類 117
6.9 練習題 118
第7章多層神經網絡——解決非綫性問題 119
7.1 綫性問題與非綫性問題 119
7.1.1 實例28：用綫性單分邏輯迴歸分析腫瘤是良性還是惡性的 119
7.1.2 實例29：用綫性邏輯迴歸處理多分類問題 123
7.1.3 認識非綫性問題 129
7.2 使用隱藏層解決非綫性問題 130
7.2.1 實例30：使用帶隱藏層的神經網絡擬閤異或操作 130
7.2.2 非綫性網絡的可視化及其意義 133
7.2.3 練習題 135
7.3 實例31：利用全連接網絡將圖片進行分類 136
7.4 全連接網絡訓練中的優化技巧 137
7.4.1 實例32：利用異或數據集演示過擬閤問題 138
7.4.2 正則化 143
7.4.3 實例33：通過正則化改善過擬閤情況 144
7.4.4 實例34：通過增大數據集改善過擬閤 145
7.4.5 練習題 146
7.4.6 dropout——訓練過程中，將部分神經單元暫時丟棄 146
7.4.7 實例35：為異或數據集模型添加dropout 147
7.4.8 實例36：基於退化學習率dropout技術來擬閤異或數據集 149
7.4.9 全連接網絡的深淺關係 150
7.5 練習題 150
第8章捲積神經網絡——解決參數太多問題 151
8.1 全連接網絡的局限性 151
8.2 理解捲積神經網絡 152
8.3 網絡結構 153
8.3.1 網絡結構描述 153
8.3.2 捲積操作 155
8.3.3 池化層 157
8.4 捲積神經網絡的相關函數 158
8.4.1 捲積函數tf.nn.conv2d 158
8.4.2 padding規則介紹 159
8.4.3 實例37：捲積函數的使用 160
8.4.4 實例38：使用捲積提取圖片的輪廓 165
8.4.5 池化函數tf.nn.max_pool（avg_pool） 167
8.4.6 實例39：池化函數的使用 167
8.5 使用捲積神經網絡對圖片分類 170
8.5.1 CIFAR介紹 171
8.5.2 下載CIFAR數據 172
8.5.3 實例40：導入並顯示CIFAR數據集 173
8.5.4 實例41：顯示CIFAR數據集的原始圖片 174
8.5.5 cifar10_input的其他功能 176
8.5.6 在TensorFlow中使用queue 176
8.5.7 實例42：協調器的用法演示 178
8.5.8 實例43：為session中的隊列加上協調器 179
8.5.9 實例44：建立一個帶有全局平均池化層的捲積神經網絡 180
8.5.10 練習題 183
8.6 反捲積神經網絡 183
8.6.1 反捲積神經網絡的應用場景 184
8.6.2 反捲積原理 184
8.6.3 實例45：演示反捲積的操作 185
8.6.4 反池化原理 188
8.6.5 實例46：演示反池化的操作 189
8.6.6 實例47：演示gradients基本用法 192
8.6.7 實例48：使用gradients對多個式子求多變量偏導 192
8.6.8 實例49：演示梯度停止的實現 193
8.7 實例50：用反捲積技術復原捲積網絡各層圖像 195
8.8 善用函數封裝庫 198
8.8.1 實例51：使用函數封裝庫重寫CIFAR捲積網絡 198
8.8.2 練習題 201
8.9 深度學習的模型訓練技巧 201
8.9.1 實例52：優化捲積核技術的演示 201
8.9.2 實例53：多通道捲積技術的演示 202
8.9.3 批量歸一化 204
8.9.4 實例54：為CIFAR圖片分類模型添加BN 207
8.9.5 練習題 209
第9章循環神經網絡——具有記憶功能的網絡 210
9.1 瞭解RNN的工作原理 210
9.1.1 瞭解人的記憶原理 210
9.1.2 RNN網絡的應用領域 212
9.1.3 正嚮傳播過程 212
9.1.4 隨時間反嚮傳播 213
9.2 簡單RNN 215
9.2.1 實例55：簡單循環神經網絡實現——裸寫一個退位減法器 215
9.2.2 實例56：使用RNN網絡擬閤迴聲信號序列 220
9.3 循環神經網絡（RNN）的改進 225
9.3.1 LSTM網絡介紹 225
9.3.2 窺視孔連接（Peephole） 228
9.3.3 帶有映射輸齣的STMP 230
9.3.4 基於梯度剪輯的cell 230
9.3.5 GRU網絡介紹 230
9.3.6 Bi-RNN網絡介紹 231
9.3.7 基於神經網絡的時序類分類CTC 232
9.4 TensorFlow實戰RNN 233
9.4.1 TensorFlow中的cell類 233
9.4.2 通過cell類構建RNN 234
9.4.3 實例57：構建單層LSTM網絡對MNIST數據集分類 239
9.4.4 實例58：構建單層GRU網絡對MNIST數據集分類 240
9.4.5 實例59：創建動態單層RNN網絡對MNIST數據集分類 240
9.4.6 實例60：靜態多層LSTM對MNIST數據集分類 241
9.4.7 實例61：靜態多層RNN-LSTM連接GRU對MNIST數據集分類 242
9.4.8 實例62：動態多層RNN對MNIST數據集分類 242
9.4.9 練習題 243
9.4.10 實例63：構建單層動態雙嚮RNN對MNIST數據集分類 243
9.4.11 實例64：構建單層靜態雙嚮RNN對MNIST數據集分類 244
9.4.12 實例65：構建多層雙嚮RNN對MNIST數據集分類 246
9.4.13 實例66：構建動態多層雙嚮RNN對MNIST數據集分類 247
9.4.14 初始化RNN 247
9.4.15 優化RNN 248
9.4.16 實例67：在GRUCell中實現LN 249
9.4.17 CTC網絡的loss——ctc_loss 251
9.4.18 CTCdecoder 254
9.5 實例68：利用BiRNN實現語音識彆 255
9.5.1 語音識彆背景 255
9.5.2 獲取並整理樣本 256
9.5.3 訓練模型 265
9.5.4 練習題 272
9.6 實例69：利用RNN訓練語言模型 273
9.6.1 準備樣本 273
9.6.2 構建模型 275
9.7 語言模型的係統學習 279
9.7.1 統計語言模型 279
9.7.2 詞嚮量 279
9.7.3 word2vec 281
9.7.4 實例70：用CBOW模型訓練自己的word2vec 283
9.7.5 實例71：使用指定侯選采樣本訓練word2vec 293
9.7.6 練習題 296
9.8 處理Seq2Seq任務 296
9.8.1 Seq2Seq任務介紹 296
9.8.2 Encoder-Decoder框架 297
9.8.3 實例72：使用basic_rnn_seq2seq擬閤麯綫 298
9.8.4 實例73：預測當天的股票價格 306
9.8.5 基於注意力的Seq2Seq 310
9.8.6 實例74：基於Seq2Seq注意力模型實現中英文機器翻譯 313
9.9 實例75：製作一個簡單的聊天機器人 339
9.9.1 構建項目框架 340
9.9.2 準備聊天樣本 340
9.9.3 預處理樣本 340
9.9.4 訓練樣本 341
9.9.5 測試模型 342
9.10 時間序列的高級接口TFTS 344
第10章自編碼網絡——能夠自學習樣本特徵的網絡 346
10.1 自編碼網絡介紹及應用 346
10.2 最簡單的自編碼網絡 347
10.3 自編碼網絡的代碼實現 347
10.3.1 實例76：提取圖片的特徵，並利用特徵還原圖片 347
10.3.2 綫性解碼器 351
10.3.3 實例77：提取圖片的二維特徵，並利用二維特徵還原圖片 351
10.3.4 實例78：實現捲積網絡的自編碼 356
10.3.5 練習題 358
10.4 去噪自編碼 359
10.5 去噪自編碼網絡的代碼實現 359
10.5.1 實例79：使用去噪自編碼網絡提取MNIST特徵 359
10.5.2 練習題 363
10.6 棧式自編碼 364
10.6.1 棧式自編碼介紹 364
10.6.2 棧式自編碼在深度學習中的意義 365
10.7 深度學習中自編碼的常用方法 366
10.7.1 代替和級聯 366
10.7.2 自編碼的應用場景 366
10.8 去噪自編碼與棧式自編碼的綜閤實現 366
10.8.1 實例80：實現去噪自編碼 367
10.8.2 實例81：添加模型存儲支持分布訓練 375
10.8.3 小心分布訓練中的“坑” 376
10.8.4 練習題 377
10.9 變分自編碼 377
10.9.1 什麼是變分自編碼 377
10.9.2 實例82：使用變分自編碼模擬生成MNIST數據 377
10.9.3 練習題 384
10.10 條件變分自編碼 385
10.10.1 什麼是條件變分自編碼 385
10.10.2 實例83：使用標簽指導變分自編碼網絡生成MNIST數據 385
第3篇深度學習進階
第11章深度神經網絡 392
11.1 深度神經網絡介紹 392
11.1.1 深度神經網絡起源 392
11.1.2 經典模型的特點介紹 393
11.2 GoogLeNet模型介紹 394
11.2.1 MLP捲積層 394
11.2.2 全局均值池化 395
11.2.3 Inception 原始模型 396
11.2.4 Inception v1模型 396
11.2.5 Inception v2模型 397
11.2.6 Inception v3模型 397
11.2.7 Inception v4模型 399
11.3 殘差網絡（ResNet） 399
11.3.1 殘差網絡結構 399
11.3.2 殘差網絡原理 400
11.4 Inception-ResNet-v2結構 400
11.5 TensorFlow中的圖片分類模型庫——slim 400
11.5.1 獲取models中的slim模塊代碼 401
11.5.2 models中的Slim目錄結構 401
11.5.3 slim中的數據集處理 403
11.5.4 實例84：利用slim讀取TFRecord中的數據 405
11.5.5 在slim中訓練模型 407
11.6 使用slim中的深度網絡模型進行圖像的識彆與檢測 410
11.6.1 實例85：調用Inception_ResNet_v2模型進行圖像識彆 410
11.6.2 實例86：調用VGG模型進行圖像檢測 413
11.7 實物檢測模型庫——Object Detection API 417
11.7.1 準備工作 418
11.7.2 實例87：調用Object Detection API進行實物檢測 421
11.8 實物檢測領域的相關模型 425
11.8.1 RCNN基於捲積神經網絡特徵的區域方法 426
11.8.2 SPP-Net：基於空間金字塔池化的優化RCNN方法 426
11.8.3 Fast-R-CNN快速的RCNN模型 426
11.8.4 YOLO：能夠一次性預測多個位置和類彆的模型 427
11.8.5 SSD：比YOLO更快更準的模型 428
11.8.6 YOLO2：YOLO的升級版模型 428
11.9 機器自己設計的模型（NASNet） 428　
第12章對抗神經網絡（GAN） 430
12.1 GAN的理論知識 430
12.1.1 生成式模型的應用 431
12.1.2 GAN的訓練方法 431
12.2 DCGAN——基於深度捲積的GAN 432
12.3 InfoGAN和ACGAN：指定類彆生成模擬樣本的GAN 432
12.3.1 InfoGAN：帶有隱含信息的GAN 432
12.3.2 AC-GAN：帶有輔助分類信息的GAN 433
12.3.3 實例88：構建InfoGAN生成MNIST模擬數據 434
12.3.4 練習題 440
12.4 AEGAN：基於自編碼器的GAN 441
12.4.1 AEGAN原理及用途介紹 441
12.4.2 實例89：使用AEGAN對MNIST數據集壓縮特徵及重建 442
12.5 WGAN-GP：更容易訓練的GAN 447
12.5.1 WGAN：基於推土機距離原理的GAN 448
12.5.2 WGAN-GP：帶梯度懲罰項的WGAN 449
12.5.3 實例90：構建WGAN-GP生成MNIST數據集 451
12.5.4 練習題 455
12.6 LSGAN（最小乘二GAN）：具有WGAN 同樣效果的GAN 455
12.6.1 LSGAN介紹 455
12.6.2 實例91：構建LSGAN生成MNIST模擬數據 456
12.7 GAN-cls：具有匹配感知的判彆器 457
12.7.1 GAN-cls的具體實現 458
12.7.2 實例92：使用GAN-cls技術實現生成標簽匹配的模擬數據 458
12.8 SRGAN——適用於超分辨率重建的GAN 461
12.8.1 超分辨率技術 461
12.8.2 實例93：ESPCN實現MNIST數據集的超分辨率重建 463
12.8.3 實例94：ESPCN實現flowers數據集的超分辨率重建 466
12.8.4 實例95：使用殘差網絡的ESPCN 472
12.8.5 SRGAN的原理 477
12.8.6 實例96：使用SRGAN實現flowers數據集的超分辨率修復 477
12.9 GAN網絡的高級接口TFGAN 485
12.10 總結 486

21個項目玩轉深度學習——基於TensorFlow的實踐詳解

作譯者：

齣版時間：2018-03	韆字數：368
版次：01-01	頁數：372
開本：16開
裝幀：
I S B N ：9787121335716
換版：

所屬分類： >> >>

紙質書定價：￥79.0

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，訓練機器玩遊戲等。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。本書基於TensorFlow 1.4版本，並介紹瞭該版本中的一些新特性。

前言

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

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

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

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

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

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

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

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

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

10章分辨率：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

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

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

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

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12章的對比 284

14.5 總結 285

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

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

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

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

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

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

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

用户评价

评分☆☆☆☆☆

深度學習TensorFlow入門原理與進階實戰+21個項目玩轉深度學習-TensorFlow實踐詳解 pdf epub mobi txt 电子书 下载 2025