掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥31.0
加入購物車
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解 版權(quán)信息
- ISBN：9787121335716
- 條形碼：9787121335716 ; 978-7-121-33571-6
- 裝幀：簡裝本
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解 本書特色
《21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí)——基于TensorFlow的實(shí)踐詳解》以實(shí)踐為導(dǎo)向，深入介紹了深度學(xué)習(xí)技術(shù)和TensorFlow框架編程內(nèi)容。通過本書，讀者可以訓(xùn)練自己的圖像識(shí)別模型、進(jìn)行目標(biāo)檢測和人臉識(shí)別、完成一個(gè)風(fēng)格遷移應(yīng)用，還可以使用神經(jīng)網(wǎng)絡(luò)生成圖像和文本，進(jìn)行時(shí)間序列預(yù)測、搭建機(jī)器翻譯引擎，訓(xùn)練機(jī)器玩游戲等。全書共包含21個(gè)項(xiàng)目，分為深度卷積網(wǎng)絡(luò)、RNN網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)三部分。讀者可以在自己動(dòng)手實(shí)踐的過程中找到學(xué)習(xí)的樂趣，了解算法和編程框架的細(xì)節(jié)，讓學(xué)習(xí)深度學(xué)習(xí)算法和TensorFlow的過程變得輕松和高效。本書基于TensorFlow 1.4版本，并介紹了該版本中的一些新特性。
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解 內(nèi)容簡介
1.本書以TensorFlow為工具，從基礎(chǔ)的MNIST手寫體識(shí)別開始，介紹了基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)，還包括正處于前沿的對(duì)抗生成網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)等課題,代碼基于TensorFlow 1.4.0 及以上版本。
2.書中所有內(nèi)容由21個(gè)可以動(dòng)手實(shí)驗(yàn)的項(xiàng)目組織起來，并在其中穿插TensorFlow的教學(xué)，讓你可以在實(shí)踐中比較輕松地學(xué)習(xí)到深度學(xué)習(xí)領(lǐng)域的基礎(chǔ)知識(shí)，掌握TensorFlow的使用方法，并積累豐富的深度學(xué)習(xí)實(shí)戰(zhàn)經(jīng)驗(yàn)。
3.通過本書，可以學(xué)到：
在動(dòng)手實(shí)踐中快速入門深度學(xué)習(xí)領(lǐng)域。
通過實(shí)驗(yàn)快速掌握TensorFlow的操作方法。
掌握卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、對(duì)抗生成網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)等深度學(xué)習(xí)積累豐富的深度學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目，如圖像分類、目標(biāo)檢測、人臉識(shí)別、圖像生成、文本生成、序列分類、時(shí)間序列預(yù)測等。
學(xué)習(xí)TensorFlow的一些新特性，如TimeSeries模塊、RNNCell等。
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解 目錄
前言
第1章 MNIST機(jī)器學(xué)習(xí)入門 1
1.1 MNIST數(shù)據(jù)集 2
1.1.1 簡介 2
1.1.2 實(shí)驗(yàn)：將MNIST數(shù)據(jù)集保存為圖片 5
1.1.3 圖像標(biāo)簽的獨(dú)熱(one-hot)表示 6
1.2 利用TensorFlow識(shí)別MNIST 8
1.2.1 Softmax回歸 8
1.2.2 兩層卷積網(wǎng)絡(luò)分類 14
1.3 總結(jié) 18
第2章 CIFAR-10與ImageNet圖像識(shí)別 19
2.1 CIFAR-10數(shù)據(jù)集 20
2.1.1 CIFAR-10簡介 20
2.1.2 下載CIFAR-10數(shù)據(jù) 21
2.1.3 TensorFlow的數(shù)據(jù)讀取機(jī)制 23
2.1.4 實(shí)驗(yàn)：將CIFAR-10數(shù)據(jù)集保存為圖片形式 30
2.2 利用TensorFlow訓(xùn)練CIFAR-10識(shí)別模型 34
2.2.1 數(shù)據(jù)增強(qiáng)（Data Augmentation） 34
2.2.2 CIFAR-10識(shí)別模型 36
2.2.3 訓(xùn)練模型 39
2.2.4 在TensorFlow中查看訓(xùn)練進(jìn)度 39
2.2.5 測試模型效果 42
2.3 ImageNet圖像識(shí)別模型 44
2.3.1 ImageNet數(shù)據(jù)集簡介 44
2.3.2 歷代ImageNet圖像識(shí)別模型 45
2.4 總結(jié) 49
第3章 打造自己的圖像識(shí)別模型 50
3.1 微調(diào)（Fine-tune）的原理 51
3.2 數(shù)據(jù)準(zhǔn)備 52
3.3 使用TensorFlow Slim微調(diào)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(zhǔn)備訓(xùn)練文件夾 59
3.3.4 開始訓(xùn)練 60
3.3.5 訓(xùn)練程序行為 62
3.3.6 驗(yàn)證模型正確率 63
3.3.7 TensorBoard可視化與超參數(shù)選擇 64
3.3.8 導(dǎo)出模型并對(duì)單張圖片進(jìn)行識(shí)別 65
3.4 總結(jié) 69
第4章 Deep Dream模型 70
4.1 Deep Dream的技術(shù)原理 71
4.2 TensorFlow中的Deep Dream模型實(shí)踐 73
4.2.1 導(dǎo)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(zhì)量的Deep Dream圖像 82
4.2.5 *終的Deep Dream模型 87
4.3 總結(jié) 90
第5章 深度學(xué)習(xí)中的目標(biāo)檢測 91
5.1 深度學(xué)習(xí)中目標(biāo)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(zhí)行已經(jīng)訓(xùn)練好的模型 103
5.2.3 訓(xùn)練新的模型 109
5.2.4 導(dǎo)出模型并預(yù)測單張圖片 113
5.3 總結(jié) 114
第6章 人臉檢測和人臉識(shí)別 115
6.1 MTCNN的原理 116
6.2 使用深度卷積網(wǎng)絡(luò)提取特征 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 使用特征設(shè)計(jì)應(yīng)用 125
6.4 在TensorFlow中實(shí)現(xiàn)人臉識(shí)別 126
6.4.1 項(xiàng)目環(huán)境設(shè)置 126
6.4.2 LFW人臉數(shù)據(jù)庫 127
6.4.3 LFW數(shù)據(jù)庫上的人臉檢測和對(duì)齊 128
6.4.4 使用已有模型驗(yàn)證LFW數(shù)據(jù)庫準(zhǔn)確率 129
6.4.5 在自己的數(shù)據(jù)上使用已有模型 130
6.4.6 重新訓(xùn)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(jié) 140
第7章 圖像風(fēng)格遷移 141
7.1 圖像風(fēng)格遷移的原理 142
7.1.1 原始圖像風(fēng)格遷移的原理 142
7.1.2 快速圖像風(fēng)格遷移的原理 148
7.2 在TensorFlow中實(shí)現(xiàn)快速風(fēng)格遷移 149
7.2.1 使用預(yù)訓(xùn)練模型 150
7.2.2 訓(xùn)練自己的模型 153
7.2.3 在TensorBoard中監(jiān)控訓(xùn)練情況 154
7.2.4 項(xiàng)目實(shí)現(xiàn)細(xì)節(jié) 157
7.3 總結(jié) 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(shù)據(jù)集訓(xùn)練 171
8.3.3 程序結(jié)構(gòu)分析：如何將圖像讀入模型 173
8.3.4 程序結(jié)構(gòu)分析：可視化方法 177
8.4 總結(jié) 180
第9章 pix2pix模型與自動(dòng)上色技術(shù) 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(zhí)行已有的數(shù)據(jù)集 187
9.3.2 創(chuàng)建自己的數(shù)據(jù)集 191
9.4 使用TensorFlow為灰度圖像自動(dòng)上色 194
9.4.1 為食物圖片上色 194
9.4.2 為動(dòng)漫圖片進(jìn)行上色 196
9.5 總結(jié) 198
第10章 超分辨率：如何讓圖像變得更清晰 199
10.1 數(shù)據(jù)預(yù)處理與訓(xùn)練 200
10.1.1 去除錯(cuò)誤圖片 200
10.1.2 將圖像裁剪到統(tǒng)一大小 202
10.1.3 為代碼添加新的操作 202
10.2 總結(jié) 209
第11章 CycleGAN與非配對(duì)圖像轉(zhuǎn)換 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用訓(xùn)練CycleGAN模型 213
11.2.1 下載數(shù)據(jù)集并訓(xùn)練 213
11.2.2 使用自己的數(shù)據(jù)進(jìn)行訓(xùn)練 217
11.3 程序結(jié)構(gòu)分析 220
11.4 總結(jié) 224
第12章 RNN基本結(jié)構(gòu)與Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 經(jīng)典RNN的結(jié)構(gòu) 226
12.1.2 N VS 1 RNN的結(jié)構(gòu) 229
12.1.3 1 VS N RNN的結(jié)構(gòu) 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN實(shí)現(xiàn)方式 237
12.4.1 實(shí)現(xiàn)RNN的基本單元：RNNCell 238
12.4.2 對(duì)RNN進(jìn)行堆疊：MultiRNNCell 239
12.4.3 注意點(diǎn)：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展開時(shí)間維度 241
12.5 使用TensorFlow實(shí)現(xiàn)Char RNN 242
12.5.1 定義輸入數(shù)據(jù) 243
12.5.2 定義多層LSTM模型 244
12.5.3 定義損失 245
12.5.4 訓(xùn)練模型與生成文字 246
12.5.5 更多參數(shù)說明 250
12.5.6 運(yùn)行自己的數(shù)據(jù) 250
12.6 總結(jié) 251
第13章 序列分類問題詳解 252
13.1 N VS 1的RNN結(jié)構(gòu) 253
13.2 數(shù)列分類問題與數(shù)據(jù)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(zhǔn)備工作 258
13.3.2 定義RNN分類模型 259
13.3.3 定義損失并進(jìn)行訓(xùn)練 261
13.4 模型的推廣 262
13.5 總結(jié) 263
第14章 詞的向量表示：word2vec與詞嵌入 264
14.1 為什么需要做詞嵌入 265
14.2 詞嵌入的原理 266
14.2.1 CBOW實(shí)現(xiàn)詞嵌入的原理 266
14.2.2 Skip-Gram實(shí)現(xiàn)詞嵌入的原理 269
14.3 在TensorFlow中實(shí)現(xiàn)詞嵌入 270
14.3.1 下載數(shù)據(jù)集 270
14.3.2 制作詞表 272
14.3.3 生成每步的訓(xùn)練樣本 274
14.3.4 定義模型 276
14.3.5 執(zhí)行訓(xùn)練 279
14.3.6 可視化 281
14.4 與第12章的對(duì)比 284
14.5 總結(jié) 285
第15章 在TensorFlow中進(jìn)行時(shí)間序列預(yù)測 286
15.1 時(shí)間序列問題的一般形式 287
15.2 用TFTS讀入時(shí)間序列數(shù)據(jù) 287
15.2.1 從Numpy數(shù)組中讀入時(shí)間序列數(shù)據(jù) 288
15.2.2 從CSV文件中讀入時(shí)間序列數(shù)據(jù) 291
15.3 使用AR模型預(yù)測時(shí)間序列 293
15.3.1 AR模型的訓(xùn)練 293
15.3.2 AR模型的驗(yàn)證和預(yù)測 295
15.4 使用LSTM模型預(yù)測時(shí)間序列 297
15.4.1 LSTM模型中的單變量時(shí)間序列預(yù)測 297
15.4.2 LSTM模型中的多變量時(shí)間序列預(yù)測 299
15.5 總結(jié) 301
第16章 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯技術(shù) 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力機(jī)制（Attention） 305
16.3 使用TensorFlow NMT搭建神經(jīng)網(wǎng)絡(luò)翻譯引擎 309
16.3.1 示例：將越南語翻譯為英語 309
16.3.2 構(gòu)建中英翻譯引擎 313
16.4 TensorFlow NMT源碼簡介 317
16.5 總結(jié) 319
第17章 看圖說話：將圖像轉(zhuǎn)換為文字 320
17.1 Image Caption技術(shù)綜述 321
17.1.1 從Encoder-Decoder結(jié)構(gòu)談起 321
17.1.2 將Encoder-Decoder應(yīng)用到Image Caption任務(wù)上 322
17.1.3 對(duì)Encoder-Decoder的改進(jìn)1：加入Attention機(jī)制 323
17.1.4 對(duì)Encoder-Decoder的改進(jìn)2：加入高層語義 325
17.2 在TensorFlow中實(shí)現(xiàn)Image Caption 327
17.2.1 下載代碼 327
17.2.2 環(huán)境準(zhǔn)備 328
17.2.2 編譯和數(shù)據(jù)準(zhǔn)備 328
17.2.3 訓(xùn)練和驗(yàn)證 330
17.2.4 測試單張圖片 331
17.3 總結(jié) 332
第18章 強(qiáng)化學(xué)習(xí)入門之Q 333
18.1 強(qiáng)化學(xué)習(xí)中的幾個(gè)重要概念 334
18.2 Q Learning的原理與實(shí)驗(yàn) 336
18.2.1 環(huán)境定義 336
18.2.2 Q函數(shù) 338
18.2.3 Q函數(shù)的學(xué)習(xí)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(fù)雜的情況 342
18.3 總結(jié) 343
第19章 強(qiáng)化學(xué)習(xí)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(duì)比學(xué)習(xí)SARSA算法 345
19.1.2 off-policy與on-policy 346
19.2 SARSA 算法的實(shí)現(xiàn) 347
19.3 總結(jié) 348
第20章 深度強(qiáng)化學(xué)習(xí)：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(xùn)練方法 352
20.2 在TensorFlow中運(yùn)行DQN算法 353
20.2.1 安裝依賴庫 353
20.2.2 訓(xùn)練 355
20.2.3 測試 356
20.3 在TensorFlow中DQN算法的實(shí)現(xiàn)分析 357
20.4 總結(jié) 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游戲 362
21.1.2 策略網(wǎng)絡(luò)（Policy Network） 363
21.1.3 訓(xùn)練策略網(wǎng)絡(luò) 364
21.2 在TensorFlow中實(shí)現(xiàn)策略梯度 算法 365
21.2.1 初始化 365
21.2.2 定義策略網(wǎng)絡(luò) 366
21.2.3 訓(xùn)練 367
21.3 總結(jié) 371
第1章 MNIST機(jī)器學(xué)習(xí)入門 1
1.1 MNIST數(shù)據(jù)集 2
1.1.1 簡介 2
1.1.2 實(shí)驗(yàn)：將MNIST數(shù)據(jù)集保存為圖片 5
1.1.3 圖像標(biāo)簽的獨(dú)熱(one-hot)表示 6
1.2 利用TensorFlow識(shí)別MNIST 8
1.2.1 Softmax回歸 8
1.2.2 兩層卷積網(wǎng)絡(luò)分類 14
1.3 總結(jié) 18
第2章 CIFAR-10與ImageNet圖像識(shí)別 19
2.1 CIFAR-10數(shù)據(jù)集 20
2.1.1 CIFAR-10簡介 20
2.1.2 下載CIFAR-10數(shù)據(jù) 21
2.1.3 TensorFlow的數(shù)據(jù)讀取機(jī)制 23
2.1.4 實(shí)驗(yàn)：將CIFAR-10數(shù)據(jù)集保存為圖片形式 30
2.2 利用TensorFlow訓(xùn)練CIFAR-10識(shí)別模型 34
2.2.1 數(shù)據(jù)增強(qiáng)（Data Augmentation） 34
2.2.2 CIFAR-10識(shí)別模型 36
2.2.3 訓(xùn)練模型 39
2.2.4 在TensorFlow中查看訓(xùn)練進(jìn)度 39
2.2.5 測試模型效果 42
2.3 ImageNet圖像識(shí)別模型 44
2.3.1 ImageNet數(shù)據(jù)集簡介 44
2.3.2 歷代ImageNet圖像識(shí)別模型 45
2.4 總結(jié) 49
第3章 打造自己的圖像識(shí)別模型 50
3.1 微調(diào)（Fine-tune）的原理 51
3.2 數(shù)據(jù)準(zhǔn)備 52
3.3 使用TensorFlow Slim微調(diào)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(zhǔn)備訓(xùn)練文件夾 59
3.3.4 開始訓(xùn)練 60
3.3.5 訓(xùn)練程序行為 62
3.3.6 驗(yàn)證模型正確率 63
3.3.7 TensorBoard可視化與超參數(shù)選擇 64
3.3.8 導(dǎo)出模型并對(duì)單張圖片進(jìn)行識(shí)別 65
3.4 總結(jié) 69
第4章 Deep Dream模型 70
4.1 Deep Dream的技術(shù)原理 71
4.2 TensorFlow中的Deep Dream模型實(shí)踐 73
4.2.1 導(dǎo)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(zhì)量的Deep Dream圖像 82
4.2.5 *終的Deep Dream模型 87
4.3 總結(jié) 90
第5章 深度學(xué)習(xí)中的目標(biāo)檢測 91
5.1 深度學(xué)習(xí)中目標(biāo)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(zhí)行已經(jīng)訓(xùn)練好的模型 103
5.2.3 訓(xùn)練新的模型 109
5.2.4 導(dǎo)出模型并預(yù)測單張圖片 113
5.3 總結(jié) 114
第6章 人臉檢測和人臉識(shí)別 115
6.1 MTCNN的原理 116
6.2 使用深度卷積網(wǎng)絡(luò)提取特征 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 使用特征設(shè)計(jì)應(yīng)用 125
6.4 在TensorFlow中實(shí)現(xiàn)人臉識(shí)別 126
6.4.1 項(xiàng)目環(huán)境設(shè)置 126
6.4.2 LFW人臉數(shù)據(jù)庫 127
6.4.3 LFW數(shù)據(jù)庫上的人臉檢測和對(duì)齊 128
6.4.4 使用已有模型驗(yàn)證LFW數(shù)據(jù)庫準(zhǔn)確率 129
6.4.5 在自己的數(shù)據(jù)上使用已有模型 130
6.4.6 重新訓(xùn)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(jié) 140
第7章 圖像風(fēng)格遷移 141
7.1 圖像風(fēng)格遷移的原理 142
7.1.1 原始圖像風(fēng)格遷移的原理 142
7.1.2 快速圖像風(fēng)格遷移的原理 148
7.2 在TensorFlow中實(shí)現(xiàn)快速風(fēng)格遷移 149
7.2.1 使用預(yù)訓(xùn)練模型 150
7.2.2 訓(xùn)練自己的模型 153
7.2.3 在TensorBoard中監(jiān)控訓(xùn)練情況 154
7.2.4 項(xiàng)目實(shí)現(xiàn)細(xì)節(jié) 157
7.3 總結(jié) 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(shù)據(jù)集訓(xùn)練 171
8.3.3 程序結(jié)構(gòu)分析：如何將圖像讀入模型 173
8.3.4 程序結(jié)構(gòu)分析：可視化方法 177
8.4 總結(jié) 180
第9章 pix2pix模型與自動(dòng)上色技術(shù) 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(zhí)行已有的數(shù)據(jù)集 187
9.3.2 創(chuàng)建自己的數(shù)據(jù)集 191
9.4 使用TensorFlow為灰度圖像自動(dòng)上色 194
9.4.1 為食物圖片上色 194
9.4.2 為動(dòng)漫圖片進(jìn)行上色 196
9.5 總結(jié) 198
第10章 超分辨率：如何讓圖像變得更清晰 199
10.1 數(shù)據(jù)預(yù)處理與訓(xùn)練 200
10.1.1 去除錯(cuò)誤圖片 200
10.1.2 將圖像裁剪到統(tǒng)一大小 202
10.1.3 為代碼添加新的操作 202
10.2 總結(jié) 209
第11章 CycleGAN與非配對(duì)圖像轉(zhuǎn)換 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用訓(xùn)練CycleGAN模型 213
11.2.1 下載數(shù)據(jù)集并訓(xùn)練 213
11.2.2 使用自己的數(shù)據(jù)進(jìn)行訓(xùn)練 217
11.3 程序結(jié)構(gòu)分析 220
11.4 總結(jié) 224
第12章 RNN基本結(jié)構(gòu)與Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 經(jīng)典RNN的結(jié)構(gòu) 226
12.1.2 N VS 1 RNN的結(jié)構(gòu) 229
12.1.3 1 VS N RNN的結(jié)構(gòu) 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN實(shí)現(xiàn)方式 237
12.4.1 實(shí)現(xiàn)RNN的基本單元：RNNCell 238
12.4.2 對(duì)RNN進(jìn)行堆疊：MultiRNNCell 239
12.4.3 注意點(diǎn)：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展開時(shí)間維度 241
12.5 使用TensorFlow實(shí)現(xiàn)Char RNN 242
12.5.1 定義輸入數(shù)據(jù) 243
12.5.2 定義多層LSTM模型 244
12.5.3 定義損失 245
12.5.4 訓(xùn)練模型與生成文字 246
12.5.5 更多參數(shù)說明 250
12.5.6 運(yùn)行自己的數(shù)據(jù) 250
12.6 總結(jié) 251
第13章 序列分類問題詳解 252
13.1 N VS 1的RNN結(jié)構(gòu) 253
13.2 數(shù)列分類問題與數(shù)據(jù)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(zhǔn)備工作 258
13.3.2 定義RNN分類模型 259
13.3.3 定義損失并進(jìn)行訓(xùn)練 261
13.4 模型的推廣 262
13.5 總結(jié) 263
第14章 詞的向量表示：word2vec與詞嵌入 264
14.1 為什么需要做詞嵌入 265
14.2 詞嵌入的原理 266
14.2.1 CBOW實(shí)現(xiàn)詞嵌入的原理 266
14.2.2 Skip-Gram實(shí)現(xiàn)詞嵌入的原理 269
14.3 在TensorFlow中實(shí)現(xiàn)詞嵌入 270
14.3.1 下載數(shù)據(jù)集 270
14.3.2 制作詞表 272
14.3.3 生成每步的訓(xùn)練樣本 274
14.3.4 定義模型 276
14.3.5 執(zhí)行訓(xùn)練 279
14.3.6 可視化 281
14.4 與第12章的對(duì)比 284
14.5 總結(jié) 285
第15章 在TensorFlow中進(jìn)行時(shí)間序列預(yù)測 286
15.1 時(shí)間序列問題的一般形式 287
15.2 用TFTS讀入時(shí)間序列數(shù)據(jù) 287
15.2.1 從Numpy數(shù)組中讀入時(shí)間序列數(shù)據(jù) 288
15.2.2 從CSV文件中讀入時(shí)間序列數(shù)據(jù) 291
15.3 使用AR模型預(yù)測時(shí)間序列 293
15.3.1 AR模型的訓(xùn)練 293
15.3.2 AR模型的驗(yàn)證和預(yù)測 295
15.4 使用LSTM模型預(yù)測時(shí)間序列 297
15.4.1 LSTM模型中的單變量時(shí)間序列預(yù)測 297
15.4.2 LSTM模型中的多變量時(shí)間序列預(yù)測 299
15.5 總結(jié) 301
第16章 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯技術(shù) 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力機(jī)制（Attention） 305
16.3 使用TensorFlow NMT搭建神經(jīng)網(wǎng)絡(luò)翻譯引擎 309
16.3.1 示例：將越南語翻譯為英語 309
16.3.2 構(gòu)建中英翻譯引擎 313
16.4 TensorFlow NMT源碼簡介 317
16.5 總結(jié) 319
第17章 看圖說話：將圖像轉(zhuǎn)換為文字 320
17.1 Image Caption技術(shù)綜述 321
17.1.1 從Encoder-Decoder結(jié)構(gòu)談起 321
17.1.2 將Encoder-Decoder應(yīng)用到Image Caption任務(wù)上 322
17.1.3 對(duì)Encoder-Decoder的改進(jìn)1：加入Attention機(jī)制 323
17.1.4 對(duì)Encoder-Decoder的改進(jìn)2：加入高層語義 325
17.2 在TensorFlow中實(shí)現(xiàn)Image Caption 327
17.2.1 下載代碼 327
17.2.2 環(huán)境準(zhǔn)備 328
17.2.2 編譯和數(shù)據(jù)準(zhǔn)備 328
17.2.3 訓(xùn)練和驗(yàn)證 330
17.2.4 測試單張圖片 331
17.3 總結(jié) 332
第18章 強(qiáng)化學(xué)習(xí)入門之Q 333
18.1 強(qiáng)化學(xué)習(xí)中的幾個(gè)重要概念 334
18.2 Q Learning的原理與實(shí)驗(yàn) 336
18.2.1 環(huán)境定義 336
18.2.2 Q函數(shù) 338
18.2.3 Q函數(shù)的學(xué)習(xí)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(fù)雜的情況 342
18.3 總結(jié) 343
第19章 強(qiáng)化學(xué)習(xí)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(duì)比學(xué)習(xí)SARSA算法 345
19.1.2 off-policy與on-policy 346
19.2 SARSA 算法的實(shí)現(xiàn) 347
19.3 總結(jié) 348
第20章 深度強(qiáng)化學(xué)習(xí)：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(xùn)練方法 352
20.2 在TensorFlow中運(yùn)行DQN算法 353
20.2.1 安裝依賴庫 353
20.2.2 訓(xùn)練 355
20.2.3 測試 356
20.3 在TensorFlow中DQN算法的實(shí)現(xiàn)分析 357
20.4 總結(jié) 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游戲 362
21.1.2 策略網(wǎng)絡(luò)（Policy Network） 363
21.1.3 訓(xùn)練策略網(wǎng)絡(luò) 364
21.2 在TensorFlow中實(shí)現(xiàn)策略梯度 算法 365
21.2.1 初始化 365
21.2.2 定義策略網(wǎng)絡(luò) 366
21.2.3 訓(xùn)練 367
21.3 總結(jié) 371
展開全部
21個(gè)項(xiàng)目玩轉(zhuǎn)深度學(xué)習(xí):基于TensorFlow的實(shí)踐詳解 作者簡介
何之源，知乎專欄AI Insight作者。針對(duì)Tensorflow早期學(xué)習(xí)案例不足的情況，在網(wǎng)上撰寫了大量實(shí)踐文章與TensorFlow教程，教程風(fēng)格清晰易懂又不失深度，獲得了廣大讀者的肯定。熱愛編程，在人工智能和深度學(xué)習(xí)領(lǐng)域有豐富的實(shí)踐經(jīng)驗(yàn)。
書友推薦
- >
月亮與六便士
- >
史學(xué)評(píng)論
- >
經(jīng)典常談
- >
我從未如此眷戀人間
- >
月亮虎
- >
上帝之肋:男人的真實(shí)旅程
- >
山海經(jīng)
- >
名家?guī)阕x魯迅:故事新編
本類暢銷
