21个项目玩转深度学习 基于TensorFlow的实践详解pdf

21个项目玩转深度学习 基于TensorFlow的实践详解 作者：何之源

21个项目玩转深度学习 基于TensorFlow的实践详解 出版社：电子工业出版社

21个项目玩转深度学习 基于TensorFlow的实践详解 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。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。本书代码基于TensorFlow 1.4及以上版本，并介绍了TensorFlow中的一些新特性。

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。

21个项目玩转深度学习 基于TensorFlow的实践详解 目录

前言

第1章 MNIST机器学习入门

1.1 MNIST数据集

1.1.1 简介

1.1.2 实验：将MNIST数据集保存为图片

1.1.3 图像标签的独热表示

1.2 利用TensorFlow识别MNIST

1.2.1 Softmax回归

1.2.2 两层卷积网络分类

1.3 总结

第2章 CIFAR-10与ImageNet图像识别

2.1 CIFAR-10数据集

2.1.1 CIFAR-10数据集简介

2.1.2 下载CIFAR-10数据

2.1.3 TensorFlow的数据读取机制

2.1.4 实验：将CIFAR-10数据集保存为图片形式

2.2 利用TensorFlow训练CIFAR-10识别模型

2.2.1 数据增强

2.2.2 CIFAR-10识别模型

2.2.3 训练模型

2.2.4 在TensorFlow中查看训练进度

2.2.5 测试模型效果

2.3 ImageNet图像识别模型

2.3.1 ImageNet数据集简介

2.3.2 历代ImageNet图像识别模型

2.4 总结

第3章 打造自己的图像识别模型

3.1 微调的原理

3.2 数据准备

3.3 使用TensorFlow Slim微调模型

3.3.1 下载TensorFlow Slim的源代码

3.3.2 定义新的datasets文件

3.3.3 准备训练文件夹

3.3.4 开始训练

3.3.5 训练程序行为

3.3.6 验证模型准确率

3.3.7 TensorBoard可视化与超参数选择

3.3.8 导出模型并对单张图片进行识别

3.4 总结

第4章 Deep Dream模型

4.1 Deep Dream的技术原理

4.2 TensorFlow中的Deep Dream模型实践

4.2.1 导入Inception模型

4.2.2 生成原始的Deep Dream图像

4.2.3 生成更大尺寸的Deep Dream图像

4.2.4 生成更高质量的Deep Dream图像

4.2.5 最终的Deep Dream模型

4.3 总结

第5章 深度学习中的目标检测

5.1 深度学习中目标检测的原理

5.1.1 R-CNN的原理

5.1.2 SPPNet的原理

5.1.3 Fast R-CNN的原理

5.1.4 Faster R-CNN的原理

5.2 TensorFlow Object Detection API

5.2.1 安装TensorFlow Object Detection API

5.2.2 执行已经训练好的模型

5.2.3 训练新的模型

5.2.4 导出模型并预测单张图片

5.3 总结

第6章 人脸检测和人脸识别

6.1 MTCNN的原理

6.2 使用深度卷积网络提取特征

6.2.1 三元组损失的定义

6.2.2 中心损失的定义

6.3 使用特征设计应用

6.4 在TensorFlow中实现人脸识别

6.4.1 项目环境设置

6.4.2 LFW人脸数据库

6.4.3 LFW数据库上的人脸检测和对齐

6.4.4 使用已有模型验证LFW数据库准确率

6.4.5 在自己的数据上使用已有模型

6.4.6 重新训练新模型

6.4.7 三元组损失和中心损失的定义

6.5 总结

第7章 图像风格迁移

7.1 图像风格迁移的原理

7.1.1 原始图像风格迁移的原理

7.1.2 快速图像风格迁移的原理

7.2 在TensorFlow中实现快速风格迁移

7.2.1 使用预训练模型

7.2.2 训练自己的模型

7.2.3 在TensorBoard中监控训练情况

7.2.4 项目实现细节

7.3 总结

第8章 GAN和DCGAN入门

8.1 GAN的原理

8.2 DCGAN的原理

8.3 在TensorFlow中用DCGAN生成图像

8.3.1 生成MNIST图像

8.3.2 使用自己的数据集训练

8.3.3 程序结构分析：如何将图像读入模型

8.3.4 程序结构分析：可视化方法

8.4 总结

第9章 pix2pix模型与自动上色技术

9.1 cGAN的原理

9.2 pix2pix模型的原理

9.3 TensorFlow中的pix2pix模型 1

9.3.1 执行已有的数据集

9.3.2 创建自己的数据集

9.4 使用TensorFlow为灰度图像自动上色

9.4.1 为食物图片上色

9.4.2 为动漫图片上色

9.5 总结

第10章 超分辨率：如何让图像变得更清晰

10.1 数据预处理与训练

10.1.1 去除错误图片

10.1.2 将图像裁剪到统一大小

10.1.3 为代码添加新的操作

10.2 总结

第11章 CycleGAN与非配对图像转换

11.1 CycleGAN的原理

11.2 在TensorFlow中用训练CycleGAN模型

11.2.1 下载数据集并训练

11.2.2 使用自己的数据进行训练

11.3 程序结构分析

11.4 总结

第12章 RNN基本结构与Char RNN文本生成

12.1 RNN的原理

12.1.1 经典RNN的结构

12.1.2 N VS 1 RNN的结构

12.1.3 1 VS N RNN的结构

12.2 LSTM的原理

12.3 Char RNN的原理

12.4 TensorFlow中的RNN实现方式

12.4.1 实现RNN的基本单元：RNNCell

12.4.2 对RNN进行堆叠：MultiRNNCell

12.4.3 BasicRNNCell和BasicLSTMCell的output

12.4.4 使用tf.nn.dynamic_rnn展开时间维度

12.5 使用TensorFlow实现Char RNN

12.5.1 定义输入数据

12.5.2 定义多层LSTM模型

12.5.3 定义损失

12.5.4 训练模型与生成文字

12.5.5 更多参数说明

12.5.6 运行自己的数据

12.6 总结

第13章 序列分类问题详解

13.1 N VS 1的RNN结构

13.2 序列分类问题与数据生成

13.3 在TensorFlow中定义RNN分类模型

13.3.1 定义模型前的准备工作

13.3.2 定义RNN分类模型

13.3.3 定义损失并进行训练

13.4 模型的推广

13.5 总结

第14章 词的向量表示：word2vec与词嵌入

14.1 为什么需要做词嵌入

14.2 词嵌入的原理

14.2.1 CBOW实现词嵌入的原理

14.2.2 Skip-Gram实现词嵌入的原理

14.3 在TensorFlow中实现词嵌入

14.3.1 下载数据集

14.3.2 制作词表

14.3.3 生成每步的训练样本

14.3.4 定义模型

14.3.5 执行训练

14.3.6 可视化

14.4 总结

第15章 在TensorFlow中进行时间序列预测

15.1 时间序列问题的一般形式

15.2 用TFTS读入时间序列数据

15.2.1 从Numpy数组中读入时间序列数据

15.2.2 从CSV文件中读入时间序列数据

15.3 使用AR模型预测时间序列

15.3.1 AR模型的训练

15.3.2 AR模型的验证和预测

15.4 使用LSTM模型预测时间序列

15.4.1 LSTM模型中的单变量时间序列预测

15.4.2 LSTM模型中的多变量时间序列预测

15.5 总结

第16章 神经网络机器翻译技术

16.1 Encoder-Decoder模型的原理

16.2 注意力机制

16.3 使用TensorFlow NMT搭建神经网络翻译引擎

16.3.1 示例：将越南语翻译为英语

16.3.2 构建中英翻译引擎

16.4 TensorFlow NMT源码简介

16.5 总结

第17章 看图说话：将图像转换为文字

17.1 Image Caption技术综述

17.1.1 从Encoder-Decoder结构谈起

17.1.2 将Encoder-Decoder应用到Image Caption任务中

17.1.3 对Encoder-Decoder的改进1：加入注意力机制

17.1.4 对Encoder-Decoder的改进2：加入高层语义

17.2 在TensorFlow中实现Image Caption

17.2.1 下载代码

17.2.2 环境准备

17.2.3 编译和数据准备

17.2.4 训练和验证

17.2.5 测试单张图片

17.3 总结

第18章 强化学习入门之Q Learning

18.1 强化学习中的几个核心概念

18.2 Q Learning的原理与实验

18.2.1 环境定义

18.2.2 Q函数

18.2.3 Q函数的学习策略

18.2.4 ∈-greedy策略

18.2.5 简单的Q Learning示例

18.2.6 更复杂的情况

18.3 总结

第19章 强化学习入门之SARSA算法

19.1 SARSA 算法的原理

19.1.1 通过与Q Learning对比学习SARSA算法

19.1.2 off-policy与on-policy

19.2 SARSA 算法的实现

19.3 总结

第20章 深度强化学习：Deep Q Learning

20.1 DQN算法的原理

20.1.1 问题简介

20.1.2 Deep Q Network

20.1.3 训练方法

20.2 在TensorFlow中运行DQN算法

20.2.1 安装依赖库

20.2.2 训练

20.2.3 测试

20.3 在TensorFlow中DQN算法的实现分析

20.4 总结

第21章 策略梯度算法

21.1 策略梯度算法的原理

21.1.1 Cartpole游戏

21.1.2 策略网络

21.1.3 训练策略网络

21.2 在TensorFlow中实现策略梯度算法

21.2.1 初始化

21.2.2 定义策略网络

21.2.3 训练

21.3 总结