21个项目玩转深度学习基于TensorFlow的实践详解 深度学习技术书籍 TensorFlow框架 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
• 项目实践
• Python
• 人工智能
• 神经网络
• 算法
• 技术书籍
• TensorFlow框架

店铺： 书墨飘香图书专营店

出版社： 电子工业出版社

ISBN：9787121335716

商品编码：29630293400

开本：16开

书名：21个项目玩转深度学习：基于TensorFlow的实践详解

定价：79.00元

作者：何之源

出版社：电子工业出版社

ISBN：9787121335716

1.本书以TensorFlow为工具，从基础的MNIST手写体识别开始，介绍了基础的卷积神经网络、循环神经网络，还包括正处于前沿的对抗生成网络、深度强化学习等课题,代码基于TensorFlow 1.4.0 及以上版本。

2.书中所有内容由21个可以动手实验的项目组织起来，并在其中穿插TensorFlow的教学，让你可以在实践中比较轻松地学习到深度学习领域的基础知识，掌握TensorFlow的使用方法，并积累丰富的深度学习实战经验。

3.通过本书，可以学到：

在动手实践中快速入门深度学习领域。

通过实验快速掌握TensorFlow的操作方法。

掌握卷积神经网络、循环神经网络、对抗生成网络和深度强化学习等深度学习积累丰富的深度学习实战项目，如图像分类、目标检测、人脸识别、图像生成、文本生成、序列分类、时间序列预测等。

学习TensorFlow的一些新特性，如TimeSeries模块、RNNCell等。

《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。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。本书代码基于TensorFlow 1.4及以上版本，并介绍了TensorFlow中的一些新特性。

本书适合有一定机器学习基础的学生、研究者或从业者阅读，尤其是希望深入研究TensorFlow和深度学习算法的数据工程师，也适合对人工智能、深度学习感兴趣的在校学生，以及希望进入大数据应用的研究者。

前言
第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
第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
第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可视化与超参数选择 64
3.3.8 导出模型并对单张图片进行识别 65
3.4 总结 69
第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
第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
第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
第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
第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
第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
第10章 超分辨率：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
第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
第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
第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
第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 与第12章的对比 284
14.5 总结 285
第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
第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
第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
第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
第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
第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
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

探索智能的边界：深度学习与现代AI的革命 欢迎来到一个由数据驱动、算法革新的时代。人工智能（AI）不再是科幻小说中的遥远畅想，它已经悄然渗透到我们生活的方方面面，从智能手机的语音助手，到自动驾驶汽车的精准导航，再到医疗领域的疾病诊断，无不闪耀着AI的光芒。而深度学习，作为AI皇冠上最璀璨的明珠，正以惊人的速度改变着世界，开启着通往智能未来的大门。 本书旨在为您揭示深度学习的奥秘，带您踏上一段激动人心的探索之旅。我们将从最基础的概念出发，逐步深入到复杂而强大的神经网络模型。您将了解神经网络是如何模仿人脑的学习机制，如何从海量数据中提取有价值的模式，并最终做出智能的决策。我们将穿越感知智能的领域，探索计算机视觉和自然语言处理的奇妙世界，让机器能够“看见”和“理解”我们所处的世界。 感知智能的进阶：让机器拥有“眼睛”与“耳朵” 想象一下，机器能够识别图像中的物体，理解文字的含义，甚至进行流畅的对话。这并非遥不可及，而是深度学习赋予它们的强大能力。 计算机视觉： 我们将深入研究卷积神经网络（CNNs），这种强大的模型在图像识别、物体检测、图像分割等任务中表现出色。您将学习如何构建和训练CNNs，使其能够准确地分辨猫狗，识别面孔，甚至分析医学影像。我们将探讨图像分类、目标检测、语义分割等经典问题，并理解它们在自动驾驶、安防监控、工业检测等领域的广泛应用。 自然语言处理（NLP）： 语言是人类沟通的桥梁，让机器理解和生成语言是AI领域的重要挑战。本书将带您领略循环神经网络（RNNs）和Transformer模型的魅力。您将学习如何构建能够进行文本翻译、情感分析、文本生成、问答系统等的模型。我们将探讨词嵌入、注意力机制、序列到序列模型等关键技术，并理解它们在智能客服、内容创作、信息检索等方面的价值。 生成式AI的浪潮：创造全新的内容与可能性 近年来，生成式AI以前所未有的速度崛起，彻底颠覆了我们对内容创作的认知。从逼真的图像生成到引人入胜的故事创作，生成式AI正在释放巨大的创造力。 深度生成模型： 我们将深入探讨生成对抗网络（GANs）和变分自编码器（VAEs）等核心生成模型。您将学习如何训练GANs来生成高度逼真的图像，例如人脸、艺术作品，甚至不存在的物体。VAEs则能用于数据压缩、异常检测和生成新的数据样本。您将了解这些模型如何通过学习数据的潜在分布来创造全新的、具有创造性的内容。 文本生成与内容创作： 基于强大的Transformer架构，大型语言模型（LLMs）正在引领文本生成的新纪元。本书将为您解析LLMs的工作原理，包括它们如何学习语言的结构、语义和上下文，并生成连贯、富有逻辑且富有创意的文本。您将了解如何利用LLMs进行文章写作、诗歌创作、代码生成，甚至辅助科学研究，为各行各业带来前所未有的效率提升和创意灵感。 迈向智能的未来：机器学习的广阔天地 深度学习并非孤立存在，它是机器学习这一更宏大领域中的重要分支。本书还将为您勾勒出机器学习的其他重要方面，帮助您建立更全面的知识体系。 监督学习、无监督学习与强化学习： 我们将深入阐释这三大机器学习范式的核心思想和应用场景。您将理解监督学习如何通过带有标签的数据进行预测，例如房价预测或垃圾邮件过滤。无监督学习则侧重于从无标签数据中发现隐藏的模式，例如客户分群或异常检测。强化学习则让智能体通过与环境互动来学习最优策略，例如游戏AI或机器人控制。 数据预处理与特征工程： 优质的数据是构建强大模型的基石。本书将引导您掌握数据清洗、缺失值处理、特征缩放、特征选择等关键的数据预处理技术。您还将学习如何进行有效的特征工程，提取能够最大化模型性能的特征，为模型的学习提供更有力的支持。 模型评估与优化： 理论的掌握离不开实践的检验。我们将探讨各种模型评估指标，例如准确率、精确率、召回率、F1分数等，帮助您客观地衡量模型的性能。您还将学习如何进行模型调优，例如超参数调整、正则化技术等，以提升模型的泛化能力，避免过拟合。 部署与伦理考量： 最终，模型的价值体现在其落地应用中。本书将为您简要介绍模型部署的基本流程，让您了解如何将训练好的模型集成到实际应用中。同时，我们也无法忽视AI发展所带来的伦理挑战。本书将引导您思考数据隐私、算法偏见、就业影响等重要问题，鼓励您以负责任的态度推动AI技术的进步。 学习之路：从理论到实践的蜕变 本书强调理论与实践的结合。我们将以清晰易懂的语言解释复杂的概念，并辅以丰富的案例和详细的步骤，引导您动手实践。通过本书的学习，您将： 建立坚实的理论基础： 深入理解深度学习的核心算法原理和数学模型。 掌握实用的编程技巧： 学习如何利用强大的工具和库来构建、训练和部署AI模型。 解决实际问题： 能够将所学知识应用于解决现实世界中的各种挑战。 培养创新思维： 激发您对AI领域的探索热情，并为未来的技术发展贡献力量。 无论您是希望进入AI领域的研究者、工程师，还是希望利用AI提升工作效率的产品经理、数据分析师，亦或是对智能技术充满好奇的学生，本书都将是您不可多得的学习伴侣。让我们一起，用深度学习的智慧，解锁智能的无限可能！

评分☆☆☆☆☆

这本书为深度学习的学习提供了一个极其友好的入口，尤其对于我这种对理论基础相对薄弱但又渴望快速上手的学习者来说，简直是福音。《21个项目玩转深度学习》的核心价值在于它将晦涩的技术语言转化为生动鲜活的项目实践。我发现，书中21个项目的选择非常具有代表性，涵盖了从图像处理到自然语言处理的多个重要领域，每一个项目都设计得非常贴合实际应用场景，让你能直观地感受到深度学习的魅力。而且，它并没有仅仅停留在“跑通代码”的层面，而是花了大量篇幅去解释代码背后的逻辑和算法原理，让我在实践的同时，也能不断加深对深度学习理论的理解。书中的TensorFlow框架应用部分，讲解得非常细致，从最基础的张量操作到复杂的模型构建，都循序渐进，让我这个初学者也能轻松跟上。总而言之，这是一本能够真正点燃你对深度学习兴趣，并带你踏上这条技术之路的优秀读物。

评分☆☆☆☆☆

这本书简直是为那些想在深度学习领域“下水”但又怕触礁的新手量身定做的！我之前尝试过一些理论性太强的书，看得云里雾里，结果是鼠标点了几下就丢在了一边。但《21个项目玩转深度学习》完全不一样，它的“玩转”二字绝非虚言。开篇的例子就非常接地气，比如如何用TensorFlow搭建一个简单的图像识别模型，跟着书里的步骤一步步来，你会发现那些曾经觉得遥不可及的算法，其实并没有那么高冷。而且，它不是那种“一个例子就说完了”的浅尝辄止，而是真正地在每一个项目中，都会深入浅出地讲解背后的原理，让你既能动手实践，又能理解“为什么”。我特别喜欢它处理错误和调试的部分，给出了很多非常实用的技巧，避免了新手们最常遇到的“程序跑不通，不知道问题出在哪里”的尴尬。总的来说，这本书就像一个耐心又经验丰富的导师，循循善诱，让你在玩中学，在学中玩，不知不觉就掌握了深度学习的核心技能，而且还能应用到实际问题中去。

评分☆☆☆☆☆

这本书的独特之处在于它将抽象的深度学习概念与具体的TensorFlow实践巧妙地融合在了一起，形成了一种非常有效的学习路径。我之前对深度学习的一些理论知识有所了解，但总感觉缺乏一个将这些知识转化为实际应用的能力，而这本书恰好弥补了这一点。它通过21个精心设计的项目，几乎覆盖了深度学习的各个重要分支，从基础的神经网络构建，到复杂的自然语言处理、计算机视觉应用，甚至还涉及了一些前沿的生成模型。让我印象深刻的是，书中的项目设计逻辑性很强，往往是循序渐进的，前一个项目的知识点会自然地延续到下一个项目中，让学习过程更加连贯和流畅。而且，对于每一个项目的实现，它都提供了详尽的代码解析，让你不仅知道“怎么做”，更能理解“为什么这样做”。这种“知其然，更知其所以然”的学习方式，极大地提升了我对深度学习的掌握程度。

评分☆☆☆☆☆

作为一名刚踏入深度学习领域不久的学习者，我发现市面上很多书籍要么过于理论化，要么项目过于简单，难以满足我既想理解原理又想看到实际效果的需求。《21个项目玩转深度学习》这本书，可以说完美地平衡了这两者。它的21个项目，每一个都像是打开了一个新的世界，从基础的分类、回归问题，到更具挑战性的物体检测、文本生成，甚至一些稍微深入的强化学习应用，都涵盖了。我尤其赞赏它在项目讲解中，对于TensorFlow API的运用非常熟练且清晰，让你在实际编码中能够得心应手。很多时候，我会在看书的过程中，跟着代码一步步复现，然后自己动手修改参数，观察结果的变化，这种互动式的学习体验，比单纯地阅读理论知识要深刻得多。书中对于一些关键的调参技巧和模型优化方法也有提及，这对于新手来说是非常宝贵的经验。

评分☆☆☆☆☆

不得不说，这本书的“实践”二字真的做到了极致。我之前也看过一些关于深度学习的书，但大多停留在概念和模型介绍，真正上手操作时总是会遇到各种各样的问题。《21个项目玩转深度学习》这本书，通过21个真实的项目案例，让我切切实实地感受到了深度学习在解决实际问题中的强大能力。我最喜欢的是书中对每一个项目背后的数据处理、特征工程、模型选择以及评估方法的详细介绍，这些都是实际开发中不可或缺的环节。而且，书中对TensorFlow框架的运用非常到位，让我能够更深入地理解这个强大的工具。我记得有一个项目是关于生成对抗网络的，当时我感觉非常新奇，跟着书上的代码一点点实现，最终成功生成了一些逼真的图像，那种成就感是难以言喻的。这本书让我不再是纸上谈兵，而是真正地将深度学习技术“玩”了起来。