21個項目玩轉深度學習——基於TensorFlow的實踐詳解 計算機與互…|7598203 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

何之源 著

圖書標籤:

• 深度學習
• TensorFlow
• 機器學習
• 項目實踐
• Python
• 計算機科學
• 人工智能
• 神經網絡
• 算法
• 數據科學

店鋪： 互動齣版網圖書專營店

齣版社： 電子工業齣版社

ISBN：9787121335716

商品編碼：26927440798

齣版時間：2018-03-01

頁數：372

書名：	21個項目玩轉深度學習——基於TensorFlow的實踐詳解|7598203
圖書定價：	79元
圖書作者：	何之源
齣版社：	電子工業齣版社
齣版日期：	2018/3/1 0:00:00
ISBN號：	9787121335716
開本：	16開
頁數：	372
版次：	1-1

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。

目錄

前言 第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 第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 第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可視化與超參數選擇 64 3.3.8 導齣模型並對單張圖片進行識彆 65 3.4 總結 69 第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 最終的Deep Dream模型 87 4.3 總結 90 第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 第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 第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 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 第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 第10章 超分辨率：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 第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 第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 第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 第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 與第12章的對比 284 14.5 總結 285 第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 第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 第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 第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 第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 第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 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

編輯推薦

本書適閤有一定機器學習基礎的學生、研究者或從業者閱讀，尤其是希望深入研究TensorFlow和深度學習算法的數據工程師，也適閤對人工智能、深度學習感興趣的在校學生，以及希望進入大數據應用的研究者。

探索人工智能的奧秘，解鎖數據驅動的無限可能——一站式深度學習入門與進階指南 在這個日新月異的時代，人工智能（AI）已不再是科幻小說中的遙遠構想，而是深刻地改變著我們的生活、工作乃至整個社會。從智能手機的麵部識彆到自動駕駛汽車的感知係統，從個性化推薦的算法到醫療影像的輔助診斷，深度學習作為AI領域最前沿、最具活力的分支，正以前所未有的力量驅動著技術的革新。如果您對這個激動人心的領域充滿好奇，渴望掌握駕馭海量數據、構建智能係統的核心能力，那麼，這本書將是您踏入深度學習殿堂的最佳起點，也是您在AI浪潮中乘風破浪的得力助手。 本書並非簡單羅列枯燥的理論公式，而是以實踐為導嚮，聚焦於深度學習的核心概念、關鍵技術和實際應用，旨在幫助讀者從零開始，逐步構建起對深度學習的全麵認知和動手實踐能力。我們將帶您深入理解深度學習背後的數學原理，但絕不會讓理論成為您前進的障礙。相反，我們將通過清晰易懂的語言、生動形象的比喻，以及大量精心設計的代碼示例，將抽象的數學概念轉化為直觀的理解。您將學會如何構建神經網絡的各個組成部分，理解不同激活函數的作用，掌握損失函數和優化器的原理，並學會如何通過反嚮傳播來訓練模型，使其不斷逼近最優解。 從基礎模型到前沿技術，層層遞進，知識體係構建無死角 本書的內容設計循序漸進，從深度學習最基礎的感知機模型開始，逐步引導您掌握經典的神經網絡結構，如多層感知機（MLP）。您將理解全連接網絡的優勢與局限，並學會如何在不同任務中應用MLP。隨後，我們將深入探討捲積神經網絡（CNN），這是圖像識彆和計算機視覺領域的基石。您將瞭解捲積層、池化層、全連接層是如何協同工作的，以及它們在處理圖像數據時所展現齣的強大能力。我們將通過實際案例，例如貓狗分類、手寫數字識彆等，讓您親身體驗CNN的魅力。 除瞭CNN，循環神經網絡（RNN）及其變種（如LSTM和GRU）也是本書的重要篇章。RNN特彆擅長處理序列數據，如文本、語音和時間序列。您將學習RNN如何捕捉序列中的時間依賴關係，理解LSTM和GRU如何解決傳統RNN的梯度消失問題，並在自然語言處理（NLP）的任務中，如文本情感分析、機器翻譯等，看到RNN的強大應用。 更進一步，本書還將為您揭示生成對抗網絡（GAN）的神秘麵紗。GAN的齣現徹底改變瞭內容生成領域，您可以利用GAN生成逼真的圖像、音樂甚至文本。我們將深入剖析GAN的生成器和判彆器之間的博弈過程，並通過實例演示如何訓練GAN來創造齣令人驚嘆的作品。 實戰演練，理論與實踐的完美融閤 本書最大的亮點在於其“實踐詳解”的定位。我們深知，學習深度學習最終要落腳於實際應用。因此，書中每一個知識點都輔以豐富的代碼實現。我們選用當前最主流、最強大的深度學習框架——TensorFlow，作為貫穿全書的代碼實現工具。TensorFlow以其靈活的API、強大的生態係統和高效的計算能力，成為無數開發者和研究人員的首選。 您將學習如何利用TensorFlow搭建各種復雜的神經網絡模型，如何進行數據預處理、模型訓練、評估和調優。書中提供的代碼示例清晰、簡潔、可復用性強，可以直接在您的開發環境中運行。我們不僅會提供完整的代碼片段，還會詳細解釋每一行代碼的含義和作用，幫助您理解代碼背後的邏輯，從而能夠根據自己的需求進行修改和擴展。 為瞭讓您的學習體驗更加豐富，本書將涵蓋一係列引人入勝的實戰項目，覆蓋瞭深度學習在不同領域的典型應用。例如： 圖像識彆與分類：利用CNN構建模型，實現對海量圖像的精準分類，例如識彆不同種類的花卉、車輛，甚至醫學影像中的病竈。 自然語言處理（NLP）：運用RNN、LSTM、GRU等模型，實現文本情感分析、垃圾郵件檢測、文本生成等任務，讓計算機理解並“說”齣人類的語言。 計算機視覺：探索目標檢測、圖像分割等技術，讓計算機“看懂”圖像中的物體及其位置，為自動駕駛、智能監控等領域打下基礎。 數據分析與預測：利用深度學習模型處理錶格數據，進行用戶行為預測、銷售預測等，從數據中挖掘商業價值。 生成式AI：親手嘗試用GAN生成獨特藝術風格的圖像，體驗AI的創造力。 這些項目不僅是代碼的堆砌，更是將您所學的理論知識應用於解決實際問題的過程。您將在解決這些問題的過程中，深刻體會深度學習的強大威力，並積纍寶貴的實戰經驗。 不僅是學習，更是賦能 本書的目標是為您提供一套完整、係統、實用的深度學習學習路徑，讓您不僅能夠理解深度學習的原理，更能夠獨立構建和部署深度學習模型。無論您是想提升現有技能的在校學生，還是希望擁抱AI技術以驅動業務創新的企業開發者，亦或是對前沿技術充滿探索欲的個人愛好者，本書都能為您提供價值。 通過本書的學習，您將能夠： 構建紮實的理論基礎：深入理解深度學習的核心概念和數學原理。 掌握主流深度學習框架：熟練運用TensorFlow進行模型開發和訓練。 積纍豐富的實戰經驗：通過大量的項目案例，將理論付諸實踐。 解鎖AI應用場景：理解深度學習在各個領域的廣泛應用，並能獨立嘗試解決實際問題。 培養持續學習能力：掌握深度學習的學習方法，為應對未來AI技術的發展做好準備。 人工智能的浪潮已經到來，掌握深度學習技術，就是掌握瞭麵嚮未來的核心競爭力。不要讓深奧的理論阻礙您探索AI世界的腳步，也不要讓陌生的代碼讓您望而卻步。本書將以最清晰、最實用、最有趣的方式，帶您走進深度學習的奇妙世界。立即翻開本書，開啓您的AI探索之旅，用數據和代碼，創造屬於您的智能未來！

評分☆☆☆☆☆

拿到這本《21個項目玩轉深度學習——基於TensorFlow的實踐詳解》，我最關注的是它是否能夠有效地引導我從零基礎入門到掌握深度學習的核心技術。雖然我之前有一些編程基礎，但對於深度學習這樣相對復雜的領域，我更偏好能夠有係統性的指導。21個項目這個概念，讓我覺得這本書的結構非常清晰，每個項目都可能是一個獨立的學習單元，通過完成這些項目，我能夠逐步積纍知識和經驗。我特彆期待的是，書中在介紹每個項目之前，能夠對相關的深度學習概念進行簡要的闡述，然後再引齣項目，這樣我就不會因為理論知識的欠缺而無法理解項目。另外，基於TensorFlow的實踐詳解，也意味著我能夠學習到這個非常實用的深度學習框架的使用方法，並且能夠通過實際操作來鞏固所學。我希望書中能夠提供清晰的安裝指南和環境配置方法，並且在項目講解中，能夠詳細說明每一個模型的架構、參數選擇和訓練過程，這樣我纔能真正地掌握如何應用深度學習解決實際問題，而不是停留在“知其然”的層麵。

評分☆☆☆☆☆

我拿到這本書後，第一眼就被其定價和齣版社信息所吸引。一本定價在一兩百元左右，並且齣自知名的計算機類圖書齣版社，這通常意味著其內容質量和編排的專業性是有保障的。我之前的閱讀經曆告訴我，過於廉價的圖書往往在內容深度、排版印刷上存在一些問題，而價格過高的書籍有時又會過於理論化，不太適閤我這種想要快速上手實踐的讀者。這本書的價格區間，讓我覺得它可能在內容深度和易讀性之間找到瞭一個很好的平衡點。它承諾“基於TensorFlow的實踐詳解”，這對於我這樣一個想在實際項目中應用深度學習技術的學習者來說，是最直接有效的學習方式。我特彆期待書中能夠提供清晰的項目代碼示例，並且對代碼進行詳細的解釋，這樣我就可以跟著書中的步驟一步步地操作，理解模型是如何構建、訓練和評估的。同時，我也希望書中能夠提供一些關於項目背景、數據準備、模型選擇以及結果分析的詳細說明，這樣我纔能真正地理解每個項目背後的原理和思路，而不僅僅是復製粘貼代碼。

評分☆☆☆☆☆

這本書的封麵設計倒是挺吸引人的，色調沉穩，字體也比較醒目，整體給人一種專業且內容紮實的感覺。我平時對計算機科學領域的一些前沿技術非常感興趣，深度學習這個話題更是近幾年討論得熱火朝天，身邊不少朋友都在聊，所以一直想找機會係統地瞭解一下。看到這本書的標題，就覺得挺有意思的，“21個項目玩轉深度學習”，聽起來像是可以通過實際操作來掌握知識，這對我這種動手能力比較強，喜歡邊學邊做的讀者來說，非常有吸引力。而且，它還強調瞭“基於TensorFlow的實踐詳解”，TensorFlow是目前深度學習領域裏非常主流的一個框架，能夠學習它，感覺就抓住瞭技術發展的脈搏。這本書的副標題“計算機與互…”也留下瞭懸念，讓人好奇它還會涉及哪些相關的計算機和互聯網領域的知識，可能是在深度學習的應用場景、發展趨勢等方麵會有更深入的探討吧。總之，僅僅從書名和封麵給我的第一印象來看，這本書就已經激起瞭我強烈的閱讀欲望，期待它能帶領我進入深度學習的精彩世界，並且能夠真正地“玩轉”它，而不是枯燥地學習理論。

評分☆☆☆☆☆

拿到這本書之後，我迫不及待地翻開瞭目錄，想看看它具體涵蓋瞭哪些內容。深度學習的範圍非常廣，從基礎的神經網絡模型到復雜的各種網絡架構，再到實際的應用，如果能有一條清晰的學習路徑，對初學者來說簡直是福音。這本書的“21個項目”這個概念，讓我覺得它一定不會像很多理論書籍那樣，堆砌大量的公式和抽象的概念，而是會圍繞著一個個具體的項目展開，通過解決實際問題來學習深度學習的原理和方法。這對我來說是一種非常高效的學習方式，因為我更容易理解抽象概念在具體場景下的應用，也能更直觀地感受到深度學習的強大之處。我特彆關注的是項目是否涵蓋瞭圖像識彆、自然語言處理、推薦係統等當前最熱門的應用領域，因為這些都是我非常感興趣的方嚮，也是未來職業發展中可能需要用到的技術。如果這本書真的能做到“實踐詳解”，那麼它就不僅僅是一本技術書籍，更像是一個學習深度學習的“訓練營”，能夠幫助我建立起紮實的實踐能力。

評分☆☆☆☆☆

我拿到這本《21個項目玩轉深度學習——基於TensorFlow的實踐詳解》，首先就被它“21個項目”這個響亮的標題所吸引。我一直覺得學習深度學習，光看理論知識是遠遠不夠的，真正重要的是要能夠動手實踐，通過解決實際問題來加深理解。21個項目，這聽起來就非常有分量，感覺可以涵蓋深度學習的各個方麵，從基礎的圖像分類到更復雜的自然語言處理任務，甚至可能還會涉及一些生成模型或者強化學習的應用。我非常期待書中能夠有足夠詳實的案例，並且這些案例能夠循序漸進，從易到難，讓我能夠逐步掌握TensorFlow這個強大的框架。我希望這本書能夠提供完整的代碼，並且對代碼的每一部分都進行清晰的講解，讓我能夠理解代碼背後的邏輯和意圖。另外，我也希望書中能夠針對每個項目，提供一些相關的背景知識介紹，以及項目完成後如何進行評估和優化，這樣我纔能真正地將學到的知識應用到自己的項目中去。