logo
分类于: 编程语言 计算机基础 云计算&大数据 人工智能

简介

21个项目玩转深度学习: 基于TensorFlow的实践详解

21个项目玩转深度学习: 基于TensorFlow的实践详解 6.0分

资源最后更新于 2020-03-29 02:20:36

作者:何之源

出版社:出版社电子工业出版社

出版日期:2018-03

ISBN:9787121335716

文件格式: pdf

标签: 计算机 编程 人工智能 Python 深度学习

简介· · · · · ·

本书以实践为导向,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TensorFlow1.4版本,并介绍了该版本中的一些新特性。何之源,现为复旦大学人工智能方向在读硕士生。针对Tensorflow早期学习案例不足的情况,在知乎等网站上发表了多篇实践文章,获得了广大读者的肯定。何之源于2012年通过信息学竞赛保送进入复旦大学学习,2016获得复旦大学理学学士学位,并荣获复旦大学优秀学生的称号。同年进入复旦大学计算机学院攻读硕士学位。在编程和机器学习领域有多年一线实践经验。

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

  1. 前言
  2. 第1章 MNIST机器学习入门
  3. 1.1 MNIST数据集
  4. 1.2 利用TensorFlow识别MNIST
  5. 1.3 总结
  6. 第2章 CIFAR-10与ImageNet图像识别
  7. 2.1 CIFAR-10数据集
  8. 2.2 利用TensorFlow训练CIFAR-10识别模型
  9. 2.3 ImageNet图像识别模型
  10. 2.4 总结
  11. 第3章 打造自己的图像识别模型
  12. 3.1 微调的原理
  13. 3.2 数据准备
  14. 3.3 使用TensorFlow Slim微调模型
  15. 3.4 总结
  16. 第4章 Deep Dream模型
  17. 4.1 Deep Dream的技术原理
  18. 4.2 TensorFlow中的Deep Dream模型实践
  19. 4.3 总结
  20. 第5章 深度学习中的目标检测
  21. 5.1 深度学习中目标检测的原理
  22. 5.2 TensorFlow Object Detection API
  23. 5.3 总结
  24. 第6章 人脸检测和人脸识别
  25. 6.1 MTCNN的原理
  26. 6.2 使用深度卷积网络提取特征
  27. 6.3 使用特征设计应用
  28. 6.4 在TensorFlow中实现人脸识别
  29. 6.5 总结
  30. 第7章 图像风格迁移
  31. 7.1 图像风格迁移的原理
  32. 7.2 在TensorFlow中实现快速风格迁移
  33. 7.3 总结
  34. 第8章 GAN和DCGAN入门
  35. 8.1 GAN的原理
  36. 8.2 DCGAN的原理
  37. 8.3 在TensorFlow中用DCGAN生成图像
  38. 8.4 总结
  39. 第9章 pix2pix模型与自动上色技术
  40. 9.1 cGAN的原理
  41. 9.2 pix2pix模型的原理
  42. 9.3 TensorFlow中的pix2pix模型1
  43. 9.4 使用TensorFlow为灰度图像自动上色
  44. 9.5 总结
  45. 第10章 超分辨率:如何让图像变得更清晰
  46. 10.1 数据预处理与训练
  47. 10.2 总结
  48. 第11章 CycleGAN与非配对图像转换
  49. 11.1 CycleGAN的原理
  50. 11.2 在TensorFlow中用训练CycleGAN模型
  51. 11.3 程序结构分析
  52. 11.4 总结
  53. 第12RNN基本结构与Char RNN文本生成
  54. 12.1 RNN的原理
  55. 12.2 LSTM的原理
  56. 12.3 Char RNN的原理
  57. 12.4 TensorFlow中的RNN实现方式
  58. 12.5 使用TensorFlow实现Char RNN
  59. 12.6 总结
  60. 第13章 序列分类问题详解
  61. 13.1 N VS 1的RNN结构
  62. 13.2 序列分类问题与数据生成
  63. 13.3 在TensorFlow中定义RNN分类模型
  64. 13.4 模型的推广
  65. 13.5 总结
  66. 第14章 词的向量表示:word2vec与词嵌入
  67. 14.1 为什么需要做词嵌入
  68. 14.2 词嵌入的原理
  69. 14.3 在TensorFlow中实现词嵌入
  70. 14.4 总结
  71. 第15章 在TensorFlow中进行时间序列预测
  72. 15.1 时间序列问题的一般形式
  73. 15.2 用TFTS读入时间序列数据
  74. 15.3 使用AR模型预测时间序列
  75. 15.4 使用LSTM模型预测时间序列
  76. 15.5 总结
  77. 第16章 神经网络机器翻译技术
  78. 16.1 Encoder-Decoder模型的原理
  79. 16.2 注意力机制
  80. 16.3 使用TensorFlow NMT搭建神经网络翻译引擎
  81. 16.4 TensorFlow NMT源码简介
  82. 16.5 总结
  83. 第17章 看图说话:将图像转换为文字
  84. 17.1 Image Caption技术综述
  85. 17.2 在TensorFlow中实现Image Caption
  86. 17.3 总结
  87. 第18章 强化学习入门之Q Learning
  88. 18.1 强化学习中的几个核心概念
  89. 18.2 Q Learning的原理与实验
  90. 18.3 总结
  91. 第19章 强化学习入门之SARSA算法
  92. 19.1 SARSA 算法的原理
  93. 19.2 SARSA 算法的实现
  94. 19.3 总结
  95. 第20章 深度强化学习:Deep Q Learning
  96. 20.1 DQN算法的原理
  97. 20.2 在TensorFlow中运行DQN算法
  98. 20.3 在TensorFlow中DQN算法的实现分析
  99. 20.4 总结
  100. 第21策略梯度算法
  101. 21.1 策略梯度算法的原理
  102. 21.2 在TensorFlow中实现策略梯度算法
  103. 21.3 总结