深度学习TensorFlow入门原理与进阶实战+21个项目玩转深度学习-TensorFlow实践详解 pdf epub mobi txt 电子书下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

深度学习
TensorFlow
机器学习
Python
项目实战
神经网络
图像识别
自然语言处理
计算机视觉
模型训练

下载链接在页面底部

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

想要找书就要到新城书站

book.cndgn.com

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

书名：	【正版】深度学习之TensorFlow：入门、原理与进阶实战\|7436497
图书定价：	99元
图书作者：	李金洪
出版社：	机械工业出版社
出版日期：	2018/3/1 0:00:00
ISBN号：	9787111590057
开本：	16开
页数：	0
版次：	1-1

配套学习资源
前言
第1篇深度学习与TensorFlow基础
第1章快速了解人工智能与TensorFlow 2
1.1 什么是深度学习 2
1.2 TensorFlow是做什么的 3
1.3 TensorFlow的特点 4
1.4 其他深度学习框架特点及介绍 5
1.5 如何通过本书学好深度学习 6
1.5.1 深度学习怎么学 6
1.5.2 如何学习本书 7
第2章搭建开发环境 8
2.1 下载及安装Anaconda开发工具 8
2.2 在Windows平台下载及安装TensorFlow 11
2.3 GPU版本的安装方法 12
2.3.1 安装CUDA软件包 12
2.3.2 安装cuDNN库 13
2.3.3 测试显卡 14
2.4 熟悉Anaconda 3开发工具 15
2.4.1 快速了解Spyder 16
2.4.2 快速了解Jupyter Notebook 18
第3章 TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例 19
3.1 实例1：从一组看似混乱的数据中找出y≈2x的规律 19
3.1.1 准备数据 20
3.1.2 搭建模型 21
3.1.3 迭代训练模型 23
3.1.4 使用模型 25
3.2 模型是如何训练出来的 25
3.2.1 模型里的内容及意义 25
3.2.2 模型内部的数据流向 26
3.3 了解TensorFlow开发的基本步骤 27
3.3.1 定义输入节点的方法 27
3.3.2 实例2：通过字典类型定义输入节点 28
3.3.3 实例3：直接定义输入节点 28
3.3.4 定义“学习参数”的变量 29
3.3.5 实例4：通过字典类型定义“学习参数” 29
3.3.6 定义“运算” 29
3.3.7 优化函数，优化目标 30
3.3.8 初始化所有变量 30
3.3.9 迭代更新参数到最优解 31
3.3.10 测试模型 31
3.3.11 使用模型 31
第4章 TensorFlow编程基础 32
4.1 编程模型 32
4.1.1 了解模型的运行机制 33
4.1.2 实例5：编写hello world程序演示session的使用 34
4.1.3 实例6：演示with session的使用 35
4.1.4 实例7：演示注入机制 35
4.1.5 建立session的其他方法 36
4.1.6 实例8：使用注入机制获取节点 36
4.1.7 指定GPU运算 37
4.1.8 设置GPU使用资源 37
4.1.9 保存和载入模型的方法介绍 38
4.1.10 实例9：保存/载入线性回归模型 38
4.1.11 实例10：分析模型内容，演示模型的其他保存方法 40
4.1.12 检查点（Checkpoint） 41
4.1.13 实例11：为模型添加保存检查点 41
4.1.14 实例12：更简便地保存检查点 44
4.1.15 模型操作常用函数总结 45
4.1.16 TensorBoard可视化介绍 45
4.1.17 实例13：线性回归的TensorBoard可视化 46
4.2 TensorFlow基础类型定义及操作函数介绍 48
4.2.1 张量及操作 49
4.2.2 算术运算函数 55
4.2.3 矩阵相关的运算 56
4.2.4 复数操作函数 58
4.2.5 规约计算 59
4.2.6 分割 60
4.2.7 序列比较与索引提取 61
4.2.8 错误类 62
4.3 共享变量 62
4.3.1 共享变量用途 62
4.3.2 使用get-variable获取变量 63
4.3.3 实例14：演示get_variable和Variable的区别 63
4.3.4 实例15：在特定的作用域下获取变量 65
4.3.5 实例16：共享变量功能的实现 66
4.3.6 实例17：初始化共享变量的作用域 67
4.3.7 实例18：演示作用域与操作符的受限范围 68
4.4 实例19：图的基本操作 70
4.4.1 建立图 70
4.4.2 获取张量 71
4.4.3 获取节点操作 72
4.4.4 获取元素列表 73
4.4.5 获取对象 73
4.4.6 练习题 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的具体方法 75
4.5.3 实例20：使用TensorFlow实现分布式部署训练 75
4.6 动态图（Eager） 81
4.7 数据集（tf.data） 82
第5章识别图中模糊的手写数字（实例21） 83
5.1 导入图片数据集 84
5.1.1 MNIST数据集介绍 84
5.1.2 下载并安装MNIST数据集 85
5.2 分析图片的特点，定义变量 87
5.3 构建模型 87
5.3.1 定义学习参数 87
5.3.2 定义输出节点 88
5.3.3 定义反向传播的结构 88
5.4 训练模型并输出中间状态参数 89
5.5 测试模型 90
5.6 保存模型 91
5.7 读取模型 92
第2篇深度学习基础——神经网络
第6章单个神经元 96
6.1 神经元的拟合原理 96
6.1.1 正向传播 98
6.1.2 反向传播 98
6.2 激活函数——加入非线性因素，解决线性模型缺陷 99
6.2.1 Sigmoid函数 99
6.2.2 Tanh函数 100
6.2.3 ReLU函数 101
6.2.4 Swish函数 103
6.2.5 激活函数总结 103
6.3 softmax算法——处理分类问题 103
6.3.1 什么是softmax 104
6.3.2 softmax原理 104
6.3.3 常用的分类函数 105
6.4 损失函数——用真实值与预测值的距离来指导模型的收敛方向 105
6.4.1 损失函数介绍 105
6.4.2 TensorFlow中常见的loss函数 106
6.5 softmax算法与损失函数的综合应用 108
6.5.1 实例22：交叉熵实验 108
6.5.2 实例23：one_hot实验 109
6.5.3 实例24：sparse交叉熵的使用 110
6.5.4 实例25：计算loss值 110
6.5.5 练习题 111
6.6 梯度下降——让模型逼近最小偏差 111
6.6.1 梯度下降的作用及分类 111
6.6.2 TensorFlow中的梯度下降函数 112
6.6.3 退化学习率——在训练的速度与精度之间找到平衡 113
6.6.4 实例26：退化学习率的用法举例 114
6.7 初始化学习参数 115
6.8 单个神经元的扩展——Maxout网络 116
6.8.1 Maxout介绍 116
6.8.2 实例27：用Maxout网络实现MNIST分类 117
6.9 练习题 118
第7章多层神经网络——解决非线性问题 119
7.1 线性问题与非线性问题 119
7.1.1 实例28：用线性单分逻辑回归分析肿瘤是良性还是恶性的 119
7.1.2 实例29：用线性逻辑回归处理多分类问题 123
7.1.3 认识非线性问题 129
7.2 使用隐藏层解决非线性问题 130
7.2.1 实例30：使用带隐藏层的神经网络拟合异或操作 130
7.2.2 非线性网络的可视化及其意义 133
7.2.3 练习题 135
7.3 实例31：利用全连接网络将图片进行分类 136
7.4 全连接网络训练中的优化技巧 137
7.4.1 实例32：利用异或数据集演示过拟合问题 138
7.4.2 正则化 143
7.4.3 实例33：通过正则化改善过拟合情况 144
7.4.4 实例34：通过增大数据集改善过拟合 145
7.4.5 练习题 146
7.4.6 dropout——训练过程中，将部分神经单元暂时丢弃 146
7.4.7 实例35：为异或数据集模型添加dropout 147
7.4.8 实例36：基于退化学习率dropout技术来拟合异或数据集 149
7.4.9 全连接网络的深浅关系 150
7.5 练习题 150
第8章卷积神经网络——解决参数太多问题 151
8.1 全连接网络的局限性 151
8.2 理解卷积神经网络 152
8.3 网络结构 153
8.3.1 网络结构描述 153
8.3.2 卷积操作 155
8.3.3 池化层 157
8.4 卷积神经网络的相关函数 158
8.4.1 卷积函数tf.nn.conv2d 158
8.4.2 padding规则介绍 159
8.4.3 实例37：卷积函数的使用 160
8.4.4 实例38：使用卷积提取图片的轮廓 165
8.4.5 池化函数tf.nn.max_pool（avg_pool） 167
8.4.6 实例39：池化函数的使用 167
8.5 使用卷积神经网络对图片分类 170
8.5.1 CIFAR介绍 171
8.5.2 下载CIFAR数据 172
8.5.3 实例40：导入并显示CIFAR数据集 173
8.5.4 实例41：显示CIFAR数据集的原始图片 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 实例42：协调器的用法演示 178
8.5.8 实例43：为session中的队列加上协调器 179
8.5.9 实例44：建立一个带有全局平均池化层的卷积神经网络 180
8.5.10 练习题 183
8.6 反卷积神经网络 183
8.6.1 反卷积神经网络的应用场景 184
8.6.2 反卷积原理 184
8.6.3 实例45：演示反卷积的操作 185
8.6.4 反池化原理 188
8.6.5 实例46：演示反池化的操作 189
8.6.6 实例47：演示gradients基本用法 192
8.6.7 实例48：使用gradients对多个式子求多变量偏导 192
8.6.8 实例49：演示梯度停止的实现 193
8.7 实例50：用反卷积技术复原卷积网络各层图像 195
8.8 善用函数封装库 198
8.8.1 实例51：使用函数封装库重写CIFAR卷积网络 198
8.8.2 练习题 201
8.9 深度学习的模型训练技巧 201
8.9.1 实例52：优化卷积核技术的演示 201
8.9.2 实例53：多通道卷积技术的演示 202
8.9.3 批量归一化 204
8.9.4 实例54：为CIFAR图片分类模型添加BN 207
8.9.5 练习题 209
第9章循环神经网络——具有记忆功能的网络 210
9.1 了解RNN的工作原理 210
9.1.1 了解人的记忆原理 210
9.1.2 RNN网络的应用领域 212
9.1.3 正向传播过程 212
9.1.4 随时间反向传播 213
9.2 简单RNN 215
9.2.1 实例55：简单循环神经网络实现——裸写一个退位减法器 215
9.2.2 实例56：使用RNN网络拟合回声信号序列 220
9.3 循环神经网络（RNN）的改进 225
9.3.1 LSTM网络介绍 225
9.3.2 窥视孔连接（Peephole） 228
9.3.3 带有映射输出的STMP 230
9.3.4 基于梯度剪辑的cell 230
9.3.5 GRU网络介绍 230
9.3.6 Bi-RNN网络介绍 231
9.3.7 基于神经网络的时序类分类CTC 232
9.4 TensorFlow实战RNN 233
9.4.1 TensorFlow中的cell类 233
9.4.2 通过cell类构建RNN 234
9.4.3 实例57：构建单层LSTM网络对MNIST数据集分类 239
9.4.4 实例58：构建单层GRU网络对MNIST数据集分类 240
9.4.5 实例59：创建动态单层RNN网络对MNIST数据集分类 240
9.4.6 实例60：静态多层LSTM对MNIST数据集分类 241
9.4.7 实例61：静态多层RNN-LSTM连接GRU对MNIST数据集分类 242
9.4.8 实例62：动态多层RNN对MNIST数据集分类 242
9.4.9 练习题 243
9.4.10 实例63：构建单层动态双向RNN对MNIST数据集分类 243
9.4.11 实例64：构建单层静态双向RNN对MNIST数据集分类 244
9.4.12 实例65：构建多层双向RNN对MNIST数据集分类 246
9.4.13 实例66：构建动态多层双向RNN对MNIST数据集分类 247
9.4.14 初始化RNN 247
9.4.15 优化RNN 248
9.4.16 实例67：在GRUCell中实现LN 249
9.4.17 CTC网络的loss——ctc_loss 251
9.4.18 CTCdecoder 254
9.5 实例68：利用BiRNN实现语音识别 255
9.5.1 语音识别背景 255
9.5.2 获取并整理样本 256
9.5.3 训练模型 265
9.5.4 练习题 272
9.6 实例69：利用RNN训练语言模型 273
9.6.1 准备样本 273
9.6.2 构建模型 275
9.7 语言模型的系统学习 279
9.7.1 统计语言模型 279
9.7.2 词向量 279
9.7.3 word2vec 281
9.7.4 实例70：用CBOW模型训练自己的word2vec 283
9.7.5 实例71：使用指定侯选采样本训练word2vec 293
9.7.6 练习题 296
9.8 处理Seq2Seq任务 296
9.8.1 Seq2Seq任务介绍 296
9.8.2 Encoder-Decoder框架 297
9.8.3 实例72：使用basic_rnn_seq2seq拟合曲线 298
9.8.4 实例73：预测当天的股票价格 306
9.8.5 基于注意力的Seq2Seq 310
9.8.6 实例74：基于Seq2Seq注意力模型实现中英文机器翻译 313
9.9 实例75：制作一个简单的聊天机器人 339
9.9.1 构建项目框架 340
9.9.2 准备聊天样本 340
9.9.3 预处理样本 340
9.9.4 训练样本 341
9.9.5 测试模型 342
9.10 时间序列的高级接口TFTS 344
第10章自编码网络——能够自学习样本特征的网络 346
10.1 自编码网络介绍及应用 346
10.2 最简单的自编码网络 347
10.3 自编码网络的代码实现 347
10.3.1 实例76：提取图片的特征，并利用特征还原图片 347
10.3.2 线性解码器 351
10.3.3 实例77：提取图片的二维特征，并利用二维特征还原图片 351
10.3.4 实例78：实现卷积网络的自编码 356
10.3.5 练习题 358
10.4 去噪自编码 359
10.5 去噪自编码网络的代码实现 359
10.5.1 实例79：使用去噪自编码网络提取MNIST特征 359
10.5.2 练习题 363
10.6 栈式自编码 364
10.6.1 栈式自编码介绍 364
10.6.2 栈式自编码在深度学习中的意义 365
10.7 深度学习中自编码的常用方法 366
10.7.1 代替和级联 366
10.7.2 自编码的应用场景 366
10.8 去噪自编码与栈式自编码的综合实现 366
10.8.1 实例80：实现去噪自编码 367
10.8.2 实例81：添加模型存储支持分布训练 375
10.8.3 小心分布训练中的“坑” 376
10.8.4 练习题 377
10.9 变分自编码 377
10.9.1 什么是变分自编码 377
10.9.2 实例82：使用变分自编码模拟生成MNIST数据 377
10.9.3 练习题 384
10.10 条件变分自编码 385
10.10.1 什么是条件变分自编码 385
10.10.2 实例83：使用标签指导变分自编码网络生成MNIST数据 385
第3篇深度学习进阶
第11章深度神经网络 392
11.1 深度神经网络介绍 392
11.1.1 深度神经网络起源 392
11.1.2 经典模型的特点介绍 393
11.2 GoogLeNet模型介绍 394
11.2.1 MLP卷积层 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 残差网络（ResNet） 399
11.3.1 残差网络结构 399
11.3.2 残差网络原理 400
11.4 Inception-ResNet-v2结构 400
11.5 TensorFlow中的图片分类模型库——slim 400
11.5.1 获取models中的slim模块代码 401
11.5.2 models中的Slim目录结构 401
11.5.3 slim中的数据集处理 403
11.5.4 实例84：利用slim读取TFRecord中的数据 405
11.5.5 在slim中训练模型 407
11.6 使用slim中的深度网络模型进行图像的识别与检测 410
11.6.1 实例85：调用Inception_ResNet_v2模型进行图像识别 410
11.6.2 实例86：调用VGG模型进行图像检测 413
11.7 实物检测模型库——Object Detection API 417
11.7.1 准备工作 418
11.7.2 实例87：调用Object Detection API进行实物检测 421
11.8 实物检测领域的相关模型 425
11.8.1 RCNN基于卷积神经网络特征的区域方法 426
11.8.2 SPP-Net：基于空间金字塔池化的优化RCNN方法 426
11.8.3 Fast-R-CNN快速的RCNN模型 426
11.8.4 YOLO：能够一次性预测多个位置和类别的模型 427
11.8.5 SSD：比YOLO更快更准的模型 428
11.8.6 YOLO2：YOLO的升级版模型 428
11.9 机器自己设计的模型（NASNet） 428　
第12章对抗神经网络（GAN） 430
12.1 GAN的理论知识 430
12.1.1 生成式模型的应用 431
12.1.2 GAN的训练方法 431
12.2 DCGAN——基于深度卷积的GAN 432
12.3 InfoGAN和ACGAN：指定类别生成模拟样本的GAN 432
12.3.1 InfoGAN：带有隐含信息的GAN 432
12.3.2 AC-GAN：带有辅助分类信息的GAN 433
12.3.3 实例88：构建InfoGAN生成MNIST模拟数据 434
12.3.4 练习题 440
12.4 AEGAN：基于自编码器的GAN 441
12.4.1 AEGAN原理及用途介绍 441
12.4.2 实例89：使用AEGAN对MNIST数据集压缩特征及重建 442
12.5 WGAN-GP：更容易训练的GAN 447
12.5.1 WGAN：基于推土机距离原理的GAN 448
12.5.2 WGAN-GP：带梯度惩罚项的WGAN 449
12.5.3 实例90：构建WGAN-GP生成MNIST数据集 451
12.5.4 练习题 455
12.6 LSGAN（最小乘二GAN）：具有WGAN 同样效果的GAN 455
12.6.1 LSGAN介绍 455
12.6.2 实例91：构建LSGAN生成MNIST模拟数据 456
12.7 GAN-cls：具有匹配感知的判别器 457
12.7.1 GAN-cls的具体实现 458
12.7.2 实例92：使用GAN-cls技术实现生成标签匹配的模拟数据 458
12.8 SRGAN——适用于超分辨率重建的GAN 461
12.8.1 超分辨率技术 461
12.8.2 实例93：ESPCN实现MNIST数据集的超分辨率重建 463
12.8.3 实例94：ESPCN实现flowers数据集的超分辨率重建 466
12.8.4 实例95：使用残差网络的ESPCN 472
12.8.5 SRGAN的原理 477
12.8.6 实例96：使用SRGAN实现flowers数据集的超分辨率修复 477
12.9 GAN网络的高级接口TFGAN 485
12.10 总结 486

21个项目玩转深度学习——基于TensorFlow的实践详解

作译者：

出版时间：2018-03	千字数：368
版次：01-01	页数：372
开本：16开
装帧：
I S B N ：9787121335716
换版：

所属分类： >> >>

纸质书定价：￥79.0

内容简介

《21个项目玩转深度学习——基于TensorFlow的实践详解》以实践为导向，深入介绍了深度学习技术和TensorFlow框架编程内容。通过本书，读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏等。全书共包含21个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow的过程变得轻松和高效。本书基于TensorFlow 1.4版本，并介绍了该版本中的一些新特性。

前言

1章 MNIST机器学习入门 1

1.1 MNIST数据集 2

1.1.1 简介 2

1.1.2 实验：将MNIST数据集保存为图片 5

1.1.3 图像标签的独热(one-hot)表示 6

1.2 利用TensorFlow识别MNIST 8

1.2.1 Softmax回归 8

1.2.2 两层卷积网络分类 14

1.3 总结 18

2章 CIFAR-10与ImageNet图像识别 19

2.1 CIFAR-10数据集 20

2.1.1 CIFAR-10简介 20

2.1.2 下载CIFAR-10数据 21

2.1.3 TensorFlow的数据读取机制 23

2.1.4 实验：将CIFAR-10数据集保存为图片形式 30

2.2 利用TensorFlow训练CIFAR-10识别模型 34

2.2.1 数据增强（Data Augmentation） 34

2.2.2 CIFAR-10识别模型 36

2.2.3 训练模型 39

2.2.4 在TensorFlow中查看训练进度 39

2.2.5 测试模型效果 42

2.3 ImageNet图像识别模型 44

2.3.1 ImageNet数据集简介 44

2.3.2 历代ImageNet图像识别模型 45

2.4 总结 49

3章打造自己的图像识别模型 50

3.1 微调（Fine-tune）的原理 51

3.2 数据准备 52

3.3 使用TensorFlow Slim微调模型 56

3.3.1 下载TensorFlow Slim的源代码 56

3.3.2 定义新的datasets文件 57

3.3.3 准备训练文件夹 59

3.3.4 开始训练 60

3.3.5 训练程序行为 62

3.3.6 验证模型正确率 63

3.3.7 TensorBoard可视化与参数选择 64

3.3.8 导出模型并对单张图片进行识别 65

3.4 总结 69

4章 Deep Dream模型 70

4.1 Deep Dream的技术原理 71

4.2 TensorFlow中的Deep Dream模型实践 73

4.2.1 导入Inception模型 73

4.2.2 生成原始的Deep Dream图像 76

4.2.3 生成更大尺寸的Deep Dream图像 78

4.2.4 生成更高质量的Deep Dream图像 82

4.2.5 终的Deep Dream模型 87

4.3 总结 90

5章深度学习中的目标检测 91

5.1 深度学习中目标检测的原理 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 安装TensorFlow Object Detection API 101

5.2.2 执行已经训练好的模型 103

5.2.3 训练新的模型 109

5.2.4 导出模型并预测单张图片 113

5.3 总结 114

6章人脸检测和人脸识别 115

6.1 MTCNN的原理 116

6.2 使用深度卷积网络提取特征 121

6.2.1 三元组损失（Triplet Loss）的定义 123

6.2.2 中心损失（Center Loss）的定义 123

6.3 使用特征设计应用 125

6.4 在TensorFlow中实现人脸识别 126

6.4.1 项目环境设置 126

6.4.2 LFW人脸数据库 127

6.4.3 LFW数据库上的人脸检测和对齐 128

6.4.4 使用已有模型验证LFW数据库准确率 129

6.4.5 在自己的数据上使用已有模型 130

6.4.6 重新训练新模型 133

6.4.7 三元组损失和中心损失的定义 138

6.5 总结 140

7章图像风格迁移 141

7.1 图像风格迁移的原理 142

7.1.1 原始图像风格迁移的原理 142

7.1.2 快速图像风格迁移的原理 148

7.2 在TensorFlow中实现快速风格迁移 149

7.2.1 使用预训练模型 150

7.2.2 训练自己的模型 153

7.2.3 在TensorBoard中监控训练情况 154

7.2.4 项目实现细节 157

7.3 总结 162

8章 GAN和DCGAN入门 163

8.1 GAN的原理 164

8.2 DCGAN的原理 166

8.3 在TensorFlow中用DCGAN生成图像 169

8.3.1 生成MNIST图像 170

8.3.2 使用自己的数据集训练 171

8.3.3 程序结构分析：如何将图像读入模型 173

8.3.4 程序结构分析：可视化方法 177

8.4 总结 180

9章 pix2pix模型与自动上色技术 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 执行已有的数据集 187

9.3.2 创建自己的数据集 191

9.4 使用TensorFlow为灰度图像自动上色 194

9.4.1 为食物图片上色 194

9.4.2 为动漫图片进行上色 196

9.5 总结 198

10章分辨率：如何让图像变得更清晰 199

10.1 数据预处理与训练 200

10.1.1 去除错误图片 200

10.1.2 将图像裁剪到统一大小 202

10.1.3 为代码添加新的操作 202

10.2 总结 209

11章 CycleGAN与非配对图像转换 210

11.1 CycleGAN的原理 211

11.2 在TensorFlow中用训练CycleGAN模型 213

11.2.1 下载数据集并训练 213

11.2.2 使用自己的数据进行训练 217

11.3 程序结构分析 220

11.4 总结 224

12章 RNN基本结构与Char RNN文本生成 225

12.1 RNN的原理 226

12.1.1 经典RNN的结构 226

12.1.2 N VS 1 RNN的结构 229

12.1.3 1 VS N RNN的结构 230

12.2 LSTM的原理 231

12.3 Char RNN的原理 235

12.4 TensorFlow中的RNN实现方式 237

12.4.1 实现RNN的基本单元：RNNCell 238

12.4.2 对RNN进行堆叠：MultiRNNCell 239

12.4.3 注意点：BasicRNNCell和BasicLSTMCell的output 240

12.4.4 使用tf.nn.dynamic_rnn展开时间维度 241

12.5 使用TensorFlow实现Char RNN 242

12.5.1 定义输入数据 243

12.5.2 定义多层LSTM模型 244

12.5.3 定义损失 245

12.5.4 训练模型与生成文字 246

12.5.5 更多参数说明 250

12.5.6 运行自己的数据 250

12.6 总结 251

13章序列分类问题详解 252

13.1 N VS 1的RNN结构 253

13.2 数列分类问题与数据生成 254

13.3 在TensorFlow中定义RNN分类模型 258

13.3.1 定义模型前的准备工作 258

13.3.2 定义RNN分类模型 259

13.3.3 定义损失并进行训练 261

13.4 模型的推广 262

13.5 总结 263

14章词的向量表示：word2vec与词嵌入 264

14.1 为什么需要做词嵌入 265

14.2 词嵌入的原理 266

14.2.1 CBOW实现词嵌入的原理 266

14.2.2 Skip-Gram实现词嵌入的原理 269

14.3 在TensorFlow中实现词嵌入 270

14.3.1 下载数据集 270

14.3.2 制作词表 272

14.3.3 生成每步的训练样本 274

14.3.4 定义模型 276

14.3.5 执行训练 279

14.3.6 可视化 281

14.4 与12章的对比 284

14.5 总结 285

15章在TensorFlow中进行时间序列预测 286

15.1 时间序列问题的一般形式 287

15.2 用TFTS读入时间序列数据 287

15.2.1 从Numpy数组中读入时间序列数据 288

15.2.2 从CSV文件中读入时间序列数据 291

15.3 使用AR模型预测时间序列 293

15.3.1 AR模型的训练 293

15.3.2 AR模型的验证和预测 295

15.4 使用LSTM模型预测时间序列 297

15.4.1 LSTM模型中的单变量时间序列预测 297

15.4.2 LSTM模型中的多变量时间序列预测 299

15.5 总结 301

16章神经网络机器翻译技术 302

16.1 Encoder-Decoder模型的原理 303

16.2 注意力机制（Attention） 305

16.3 使用TensorFlow NMT搭建神经网络翻译引擎 309

16.3.1 示例：将越南语翻译为英语 309

16.3.2 构建中英翻译引擎 313

16.4 TensorFlow NMT源码简介 317

16.5 总结 319

17章看图说话：将图像转换为文字 320

17.1 Image Caption技术综述 321

17.1.1 从Encoder-Decoder结构谈起 321

17.1.2 将Encoder-Decoder应用到Image Caption任务上 322

17.1.3 对Encoder-Decoder的改进1：加入Attention机制 323

17.1.4 对Encoder-Decoder的改进2：加入高层语义 325

17.2 在TensorFlow中实现Image Caption 327

17.2.1 下载代码 327

17.2.2 环境准备 328

17.2.2 编译和数据准备 328

17.2.3 训练和验证 330

17.2.4 测试单张图片 331

17.3 总结 332

18章强化学习入门之Q 333

18.1 强化学习中的几个重要概念 334

18.2 Q Learning的原理与实验 336

18.2.1 环境定义 336

18.2.2 Q函数 338

18.2.3 Q函数的学习策略 339

18.2.4 ?-greedy策略 341

18.2.5 简单的Q Learning示例 341

18.2.6 更复杂的情况 342

18.3 总结 343

19章强化学习入门之SARSA算法 344

19.1 SARSA 算法的原理 345

19.1.1 通过与Q Learning对比学习SARSA算法 345

19.1.2 off-policy与on-policy 346

19.2 SARSA 算法的实现 347

19.3 总结 348

20章深度强化学习：Deep Q Learning 349

20.1 DQN算法的原理 350

20.1.1 问题简介 350

20.1.2 Deep Q Network 351

20.1.3 训练方法 352

20.2 在TensorFlow中运行DQN算法 353

20.2.1 安装依赖库 353

20.2.2 训练 355

20.2.3 测试 356

20.3 在TensorFlow中DQN算法的实现分析 357

20.4 总结 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游戏 362

21.1.2 策略网络（Policy Network） 363

21.1.3 训练策略网络 364

21.2 在TensorFlow中实现策略梯度算法 365

21.2.1 初始化 365

21.2.2 定义策略网络 366

21.2.3 训练 367

21.3 总结 371

用户评价

评分☆☆☆☆☆

深度学习TensorFlow入门原理与进阶实战+21个项目玩转深度学习-TensorFlow实践详解 pdf epub mobi txt 电子书 下载 2025