深度学习私房菜：跟着案例学TensorFlow(博文视点出品)
本书通过案例讲解如何使用TensorFlow 解决深度学习的实际任务， 每章都包含TensorFlow 1.x 和2.0 的代码实现。全书共分10 章，主要讲解卷积神经网络、LSTM、Seq2Seq、Transformer、BERT、文本卷积、GBDT、FM、FFM、Dlib、MTCNN、VGG、AlphaGo / AlphaZero、BiLSTM、DQN、Gym、GAN 等技术，包含的项目有CIFAR-100 图像分类、彩票预测、古诗生成、推荐系统、广告点击率预测、人脸识别、中国象棋、汉字OCR、FlappyBird 和超级马里奥、人脸生成。
简介
本书通过案例讲解如何使用TensorFlow 解决深度学习的实际任务， 每章都包含TensorFlow 1.x 和2.0 的代码实现。全书共分10 章，主要讲解卷积神经网络、LSTM、Seq2Seq、Transformer、BERT、文本卷积、GBDT、FM、FFM、Dlib、MTCNN、VGG、AlphaGo / AlphaZero、BiLSTM、DQN、Gym、GAN 等技术，包含的项目有CIFAR-100 图像分类、彩票预测、古诗生成、推荐系统、广告点击率预测、人脸识别、中国象棋、汉字OCR、FlappyBird 和超级马里奥、人脸生成。
版权
出版社电子工业出版社
出版时间2019年7月
分类计算机-人工智能
热门划线
深度学习私房菜：跟着案例学TensorFlow(博文视点出品)
程世东
- 目录
- 1 卷积神经网络与环境搭建1
- 1．1 概述 1
- 1．2 卷积神经网络 2
- 1．2．1 卷积层 3
- 1．2．2 修正线性单元 6
- 1．2．3 池化层 8
- 1．2．4 全连接层 8
- 1．2．5 softmax 层 9
- 1．2．6 LeNet-5 网络 9
- 1．3 准备开发环境 10
- 1．3．1 Anaconda 环境搭建 10
- 1．3．2 安装TensorFlow 1．x 11
- 1．3．3 FloydHub 使用介绍 13
- 1．3．4 AWS 使用介绍 18
- 1．4 本章小结 26
- 2 卷积神经网络实践：图像分类27
- 2．1 概述 27
- 2．2．1 数据预处理． 28
- 2．2．2 网络模型 33
- 2．2．3 训练网络 39
- 2．3．1 TensorFlow 2．0 介绍 41
- 2．4 本章小结 60
- 3 彩票预测和生成古诗 61
- 3．1 概述 61
- 3．2 RNN 61
- 3．3 LSTM 63
- 3．4 嵌入矩阵 66
- 3．5 实现彩票预测 69
- 3．5．1 数据预处理． 70
- 3．5．2 构建神经网络 71
- 3．5．3 训练神经网络 75
- 3．5．4 分析网络训练情况 83
- 3．5．5 生成预测号码 88
- 3．6 文本生成 93
- 3．7 生成古诗：基于TensorFlow 2．0 96
- 3．7．1 数据预处理 96
- 3．7．2 构建网络 99
- 3．7．3 开始训练． 102
- 3．7．4 生成古诗 102
- 3．8 自然语言处理 106
- 3．8．1 序列到序列 106
- 3．8．2 Transformer 108
- 3．8．3 BERT 112
- 3．9 本章小结 118
- 4 个性化推荐系统 119
- 4．1 概述 119
- 4．2 MovieLens 1M 数据集分析 120
- 4．2．1 下载数据集 120
- 4．2．2 用户数据 120
- 4．2．3 电影数据 122
- 4．2．4 评分数据 123
- 4．3 数据预处理 123
- 4．3．1 代码实现 124
- 4．3．2 加载数据并保存到本地 127
- 4．3．3 从本地读取数据 128
- 4．4 神经网络模型设计 128
- 4．5 文本卷积神经网络 130
- 4．6 实现电影推荐：基于TensorFlow 1．x 131
- 4．6．1 构建计算图 131
- 4．6．2 训练网络 139
- 4．6．3 实现个性化推荐 144
- 4．7 实现电影推荐：基于TensorFlow 2．0 154
- 4．7．1 构建模型 154
- 4．7．2 训练网络 166
- 4．7．3 实现个性化推荐 166
- 4．8 本章小结 169
- 5 广告点击率预估：Kaggle 实战170
- 5．1 概述 170
- 5．2 下载数据集 170
- 5．3 数据字段的含义 171
- 5．4 点击率预估的实现思路 172
- 5．4．1 梯度提升决策树． 172
- 5．4．2 因子分解机 172
- 5．4．3 场感知分解机 174
- 5．4．4 网络模型 175
- 5．5 数据预处理． 176
- 5．5．1 GBDT 的输入数据处理 177
- 5．5．2 FFM 的输入数据处理 177
- 5．5．3 DNN 的输入数据处理 179
- 5．5．4 数据预处理的实现 180
- 5．6 训练FFM 188
- 5．7 训练GBDT 197
- 5．8 用LightGBM 的输出生成FM 数据 203
- 5．9 训练FM 207
- 5．10 实现点击率预估：基于TensorFlow 1．x 218
- 5．10．1 构建神经网络 219
- 5．10．2 训练网络 225
- 5．10．3 点击率预估 231
- 5．11 实现点击率预估：基于TensorFlow 2．0 237
- 5．12 本章小结 245
- 6 人脸识别246
- 6．1 概述 246
- 6．2 人脸检测 247
- 6．2．1 OpenCV 人脸检测 247
- 6．2．2 dlib 人脸检测 251
- 6．2．3 MTCNN 人脸检测 254
- 6．3 提取人脸特征． 264
- 6．3．1 使用FaceNet 提取人脸特征 264
- 6．3．2 使用VGG 网络提取人脸特征 265
- 6．3．3 使用dlib 提取人脸特征． 272
- 6．4 人脸特征的比较 276
- 6．5 从视频中找人的实现 282
- 6．6 视频找人的案例实践 284
- 6．7 人脸识别：基于TensorFlow 2．0 302
- 6．8 本章小结 303
- 7 AlphaZero / AlphaGo 实践：中国象棋 304
- 7．1 概述 304
- 7．2 论文解析 305
- 7．2．1 蒙特卡罗树搜索算法 307
- 7．2．2 神经网络 312
- 7．2．3 AlphaZero 论文解析 314
- 7．3 实现中国象棋：基于TensorFlow 1．x 317
- 7．3．1 中国象棋着法表示和FEN 格式 317
- 7．3．2 输入特征的设计 321
- 7．3．3 实现神经网络 323
- 7．3．4 神经网络训练和预测 327
- 7．3．5 通过自我对弈训练神经网络 330
- 7．3．6 自我对弈 334
- 7．3．7 实现蒙特卡罗树搜索：异步方式 340
- 7．3．8 训练和运行 353
- 7．5 本章小结 364
- 8 汉字OCR 365
- 8．1 概述 365
- 8．2 分类网络实现汉字OCR 365
- 8．2．1 图片矫正 366
- 8．2．2 文本切割 368
- 8．2．3 汉字分类网络 369
- 8．3 端到端的汉字OCR：基于TensorFlow 1．x 371
- 8．3．1 CNN 设计 372
- 8．3．2 双向LSTM 设计 374
- 8．3．3 CTC 损失 385
- 8．3．4 端到端汉字OCR 的网络训练 388
- 8．4 汉字OCR：基于TensorFlow 2．0 395
- 8．4．1 CNN 的实现 395
- 8．4．2 双向LSTM 的实现 396
- 8．4．3 OCR 网络的训练 403
- 8．5 本章小结 406
- 9 强化学习：玩转Flappy Bird 和超级马里奥 407
- 9．1 概述． 407
- 9．2 DQN 算法． 407
- 9．3 实现DQN 玩Flappy Bird：基于TensorFlow 1．x 412
- 9．4 实现DQN 玩Flappy Bird：基于TensorFlow 2．0 417
- 9．5 使用OpenAI Baselines 玩超级马里奥 424
- 9．5．1 Gym 424
- 9．5．2 自定义Gym 环境 426
- 9．5．3 使用Baselines 训练 431
- 9．5．4 使用训练好的智能体玩游戏 437
- 9．5．5 开始训练马里奥游戏智能体 438
- 9．6 具有好奇心的强化学习算法 443
- 9．7 本章小结 444
- 10 生成对抗网络实践：人脸生成 445
- 10．1 概述 445
- 10．2 GAN 446
- 10．3 DCGAN 447
- 10．3．1 生成器 448
- 10．3．2 判别器 449
- 10．4 WGAN 449
- 10．5 WGAN-GP 451
- 10．5．1 WGAN-GP 算法 451
- 10．6 PG-GAN 和TL-GAN 469
- 10．7 本章小结 473