21个项目玩转深度学习——基于TensorFlow的实践详解 计算机与互…|7598203 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

何之源 著

图书标签:

• 深度学习
• TensorFlow
• 机器学习
• 项目实践
• Python
• 计算机科学
• 人工智能
• 神经网络
• 算法
• 数据科学

店铺： 互动出版网图书专营店

出版社： 电子工业出版社

ISBN：9787121335716

商品编码：26927440798

出版时间：2018-03-01

页数：372

书名：	21个项目玩转深度学习——基于TensorFlow的实践详解|7598203
图书定价：	79元
图书作者：	何之源
出版社：	电子工业出版社
出版日期：	2018/3/1 0:00:00
ISBN号：	9787121335716
开本：	16开
页数：	372
版次：	1-1

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。

目录

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 最终的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 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

编辑推荐

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。

探索人工智能的奥秘，解锁数据驱动的无限可能——一站式深度学习入门与进阶指南 在这个日新月异的时代，人工智能（AI）已不再是科幻小说中的遥远构想，而是深刻地改变着我们的生活、工作乃至整个社会。从智能手机的面部识别到自动驾驶汽车的感知系统，从个性化推荐的算法到医疗影像的辅助诊断，深度学习作为AI领域最前沿、最具活力的分支，正以前所未有的力量驱动着技术的革新。如果您对这个激动人心的领域充满好奇，渴望掌握驾驭海量数据、构建智能系统的核心能力，那么，这本书将是您踏入深度学习殿堂的最佳起点，也是您在AI浪潮中乘风破浪的得力助手。 本书并非简单罗列枯燥的理论公式，而是以实践为导向，聚焦于深度学习的核心概念、关键技术和实际应用，旨在帮助读者从零开始，逐步构建起对深度学习的全面认知和动手实践能力。我们将带您深入理解深度学习背后的数学原理，但绝不会让理论成为您前进的障碍。相反，我们将通过清晰易懂的语言、生动形象的比喻，以及大量精心设计的代码示例，将抽象的数学概念转化为直观的理解。您将学会如何构建神经网络的各个组成部分，理解不同激活函数的作用，掌握损失函数和优化器的原理，并学会如何通过反向传播来训练模型，使其不断逼近最优解。 从基础模型到前沿技术，层层递进，知识体系构建无死角 本书的内容设计循序渐进，从深度学习最基础的感知机模型开始，逐步引导您掌握经典的神经网络结构，如多层感知机（MLP）。您将理解全连接网络的优势与局限，并学会如何在不同任务中应用MLP。随后，我们将深入探讨卷积神经网络（CNN），这是图像识别和计算机视觉领域的基石。您将了解卷积层、池化层、全连接层是如何协同工作的，以及它们在处理图像数据时所展现出的强大能力。我们将通过实际案例，例如猫狗分类、手写数字识别等，让您亲身体验CNN的魅力。 除了CNN，循环神经网络（RNN）及其变种（如LSTM和GRU）也是本书的重要篇章。RNN特别擅长处理序列数据，如文本、语音和时间序列。您将学习RNN如何捕捉序列中的时间依赖关系，理解LSTM和GRU如何解决传统RNN的梯度消失问题，并在自然语言处理（NLP）的任务中，如文本情感分析、机器翻译等，看到RNN的强大应用。 更进一步，本书还将为您揭示生成对抗网络（GAN）的神秘面纱。GAN的出现彻底改变了内容生成领域，您可以利用GAN生成逼真的图像、音乐甚至文本。我们将深入剖析GAN的生成器和判别器之间的博弈过程，并通过实例演示如何训练GAN来创造出令人惊叹的作品。 实战演练，理论与实践的完美融合 本书最大的亮点在于其“实践详解”的定位。我们深知，学习深度学习最终要落脚于实际应用。因此，书中每一个知识点都辅以丰富的代码实现。我们选用当前最主流、最强大的深度学习框架——TensorFlow，作为贯穿全书的代码实现工具。TensorFlow以其灵活的API、强大的生态系统和高效的计算能力，成为无数开发者和研究人员的首选。 您将学习如何利用TensorFlow搭建各种复杂的神经网络模型，如何进行数据预处理、模型训练、评估和调优。书中提供的代码示例清晰、简洁、可复用性强，可以直接在您的开发环境中运行。我们不仅会提供完整的代码片段，还会详细解释每一行代码的含义和作用，帮助您理解代码背后的逻辑，从而能够根据自己的需求进行修改和扩展。 为了让您的学习体验更加丰富，本书将涵盖一系列引人入胜的实战项目，覆盖了深度学习在不同领域的典型应用。例如： 图像识别与分类：利用CNN构建模型，实现对海量图像的精准分类，例如识别不同种类的花卉、车辆，甚至医学影像中的病灶。 自然语言处理（NLP）：运用RNN、LSTM、GRU等模型，实现文本情感分析、垃圾邮件检测、文本生成等任务，让计算机理解并“说”出人类的语言。 计算机视觉：探索目标检测、图像分割等技术，让计算机“看懂”图像中的物体及其位置，为自动驾驶、智能监控等领域打下基础。 数据分析与预测：利用深度学习模型处理表格数据，进行用户行为预测、销售预测等，从数据中挖掘商业价值。 生成式AI：亲手尝试用GAN生成独特艺术风格的图像，体验AI的创造力。 这些项目不仅是代码的堆砌，更是将您所学的理论知识应用于解决实际问题的过程。您将在解决这些问题的过程中，深刻体会深度学习的强大威力，并积累宝贵的实战经验。 不仅是学习，更是赋能 本书的目标是为您提供一套完整、系统、实用的深度学习学习路径，让您不仅能够理解深度学习的原理，更能够独立构建和部署深度学习模型。无论您是想提升现有技能的在校学生，还是希望拥抱AI技术以驱动业务创新的企业开发者，亦或是对前沿技术充满探索欲的个人爱好者，本书都能为您提供价值。 通过本书的学习，您将能够： 构建扎实的理论基础：深入理解深度学习的核心概念和数学原理。 掌握主流深度学习框架：熟练运用TensorFlow进行模型开发和训练。 积累丰富的实战经验：通过大量的项目案例，将理论付诸实践。 解锁AI应用场景：理解深度学习在各个领域的广泛应用，并能独立尝试解决实际问题。 培养持续学习能力：掌握深度学习的学习方法，为应对未来AI技术的发展做好准备。 人工智能的浪潮已经到来，掌握深度学习技术，就是掌握了面向未来的核心竞争力。不要让深奥的理论阻碍您探索AI世界的脚步，也不要让陌生的代码让您望而却步。本书将以最清晰、最实用、最有趣的方式，带您走进深度学习的奇妙世界。立即翻开本书，开启您的AI探索之旅，用数据和代码，创造属于您的智能未来！

评分☆☆☆☆☆

拿到这本书之后，我迫不及待地翻开了目录，想看看它具体涵盖了哪些内容。深度学习的范围非常广，从基础的神经网络模型到复杂的各种网络架构，再到实际的应用，如果能有一条清晰的学习路径，对初学者来说简直是福音。这本书的“21个项目”这个概念，让我觉得它一定不会像很多理论书籍那样，堆砌大量的公式和抽象的概念，而是会围绕着一个个具体的项目展开，通过解决实际问题来学习深度学习的原理和方法。这对我来说是一种非常高效的学习方式，因为我更容易理解抽象概念在具体场景下的应用，也能更直观地感受到深度学习的强大之处。我特别关注的是项目是否涵盖了图像识别、自然语言处理、推荐系统等当前最热门的应用领域，因为这些都是我非常感兴趣的方向，也是未来职业发展中可能需要用到的技术。如果这本书真的能做到“实践详解”，那么它就不仅仅是一本技术书籍，更像是一个学习深度学习的“训练营”，能够帮助我建立起扎实的实践能力。

评分☆☆☆☆☆

拿到这本《21个项目玩转深度学习——基于TensorFlow的实践详解》，我最关注的是它是否能够有效地引导我从零基础入门到掌握深度学习的核心技术。虽然我之前有一些编程基础，但对于深度学习这样相对复杂的领域，我更偏好能够有系统性的指导。21个项目这个概念，让我觉得这本书的结构非常清晰，每个项目都可能是一个独立的学习单元，通过完成这些项目，我能够逐步积累知识和经验。我特别期待的是，书中在介绍每个项目之前，能够对相关的深度学习概念进行简要的阐述，然后再引出项目，这样我就不会因为理论知识的欠缺而无法理解项目。另外，基于TensorFlow的实践详解，也意味着我能够学习到这个非常实用的深度学习框架的使用方法，并且能够通过实际操作来巩固所学。我希望书中能够提供清晰的安装指南和环境配置方法，并且在项目讲解中，能够详细说明每一个模型的架构、参数选择和训练过程，这样我才能真正地掌握如何应用深度学习解决实际问题，而不是停留在“知其然”的层面。

评分☆☆☆☆☆

这本书的封面设计倒是挺吸引人的，色调沉稳，字体也比较醒目，整体给人一种专业且内容扎实的感觉。我平时对计算机科学领域的一些前沿技术非常感兴趣，深度学习这个话题更是近几年讨论得热火朝天，身边不少朋友都在聊，所以一直想找机会系统地了解一下。看到这本书的标题，就觉得挺有意思的，“21个项目玩转深度学习”，听起来像是可以通过实际操作来掌握知识，这对我这种动手能力比较强，喜欢边学边做的读者来说，非常有吸引力。而且，它还强调了“基于TensorFlow的实践详解”，TensorFlow是目前深度学习领域里非常主流的一个框架，能够学习它，感觉就抓住了技术发展的脉搏。这本书的副标题“计算机与互…”也留下了悬念，让人好奇它还会涉及哪些相关的计算机和互联网领域的知识，可能是在深度学习的应用场景、发展趋势等方面会有更深入的探讨吧。总之，仅仅从书名和封面给我的第一印象来看，这本书就已经激起了我强烈的阅读欲望，期待它能带领我进入深度学习的精彩世界，并且能够真正地“玩转”它，而不是枯燥地学习理论。

评分☆☆☆☆☆

我拿到这本书后，第一眼就被其定价和出版社信息所吸引。一本定价在一两百元左右，并且出自知名的计算机类图书出版社，这通常意味着其内容质量和编排的专业性是有保障的。我之前的阅读经历告诉我，过于廉价的图书往往在内容深度、排版印刷上存在一些问题，而价格过高的书籍有时又会过于理论化，不太适合我这种想要快速上手实践的读者。这本书的价格区间，让我觉得它可能在内容深度和易读性之间找到了一个很好的平衡点。它承诺“基于TensorFlow的实践详解”，这对于我这样一个想在实际项目中应用深度学习技术的学习者来说，是最直接有效的学习方式。我特别期待书中能够提供清晰的项目代码示例，并且对代码进行详细的解释，这样我就可以跟着书中的步骤一步步地操作，理解模型是如何构建、训练和评估的。同时，我也希望书中能够提供一些关于项目背景、数据准备、模型选择以及结果分析的详细说明，这样我才能真正地理解每个项目背后的原理和思路，而不仅仅是复制粘贴代码。

评分☆☆☆☆☆

我拿到这本《21个项目玩转深度学习——基于TensorFlow的实践详解》，首先就被它“21个项目”这个响亮的标题所吸引。我一直觉得学习深度学习，光看理论知识是远远不够的，真正重要的是要能够动手实践，通过解决实际问题来加深理解。21个项目，这听起来就非常有分量，感觉可以涵盖深度学习的各个方面，从基础的图像分类到更复杂的自然语言处理任务，甚至可能还会涉及一些生成模型或者强化学习的应用。我非常期待书中能够有足够详实的案例，并且这些案例能够循序渐进，从易到难，让我能够逐步掌握TensorFlow这个强大的框架。我希望这本书能够提供完整的代码，并且对代码的每一部分都进行清晰的讲解，让我能够理解代码背后的逻辑和意图。另外，我也希望书中能够针对每个项目，提供一些相关的背景知识介绍，以及项目完成后如何进行评估和优化，这样我才能真正地将学到的知识应用到自己的项目中去。