21個項目玩轉(zhuǎn)深度學(xué)習(xí)：基于TensorFlow的實踐詳解

定　價：￥79.00

作　者：	何之源著
出版社：	電子工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121335716	出版時間：	2018-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	372	字?jǐn)?shù)：

內(nèi)容簡介

　　《21個項目玩轉(zhuǎn)深度學(xué)習(xí)——基于TensorFlow的實踐詳解》以實踐為導(dǎo)向，深入介紹了深度學(xué)習(xí)技術(shù)和TensorFlow框架編程內(nèi)容。通過本書，讀者可以訓(xùn)練自己的圖像識別模型、進行目標(biāo)檢測和人臉識別、完成一個風(fēng)格遷移應(yīng)用，還可以使用神經(jīng)網(wǎng)絡(luò)生成圖像和文本，進行時間序列預(yù)測、搭建機器翻譯引擎，訓(xùn)練機器玩游戲。全書共包含21個項目，分為深度卷積網(wǎng)絡(luò)、RNN網(wǎng)絡(luò)、深度強化學(xué)習(xí)三部分。讀者可以在自己動手實踐的過程中找到學(xué)習(xí)的樂趣，了解算法和編程框架的細(xì)節(jié)，讓學(xué)習(xí)深度學(xué)習(xí)算法和TensorFlow的過程變得輕松和高效。本書代碼基于TensorFlow 1.4及以上版本，并介紹了TensorFlow中的一些新特性。本書適合有一定機器學(xué)習(xí)基礎(chǔ)的學(xué)生、研究者或從業(yè)者閱讀，尤其是希望深入研究TensorFlow和深度學(xué)習(xí)算法的數(shù)據(jù)工程師，也適合對人工智能、深度學(xué)習(xí)感興趣的在校學(xué)生，以及希望進入大數(shù)據(jù)應(yīng)用的研究者。

作者簡介

　　何之源，現(xiàn)為復(fù)旦大學(xué)人工智能方向在讀碩士生。針對Tensorflow早期學(xué)習(xí)案例不足的情況，在知乎等網(wǎng)站上發(fā)表了多篇實踐文章，獲得了廣大讀者的肯定。何之源于2012年通過信息學(xué)競賽保送進入復(fù)旦大學(xué)學(xué)習(xí)，2016獲得復(fù)旦大學(xué)理學(xué)學(xué)士學(xué)位，并榮獲復(fù)旦大學(xué)優(yōu)秀學(xué)生的稱號。同年進入復(fù)旦大學(xué)計算機學(xué)院攻讀碩士學(xué)位。在編程和機器學(xué)習(xí)領(lǐng)域有多年一線實踐經(jīng)驗。

圖書目錄

第1章MNIST機器學(xué)習(xí)入門1
1.1MNIST數(shù)據(jù)集2
1.1.1簡介2
1.1.2實驗：將MNIST數(shù)據(jù)集保存為圖片5
1.1.3圖像標(biāo)簽的獨熱(one-hot)表示6
1.2利用TensorFlow識別MNIST8
1.2.1Softmax回歸8
1.2.2兩層卷積網(wǎng)絡(luò)分類14
1.3總結(jié)18
第2章CIFAR-10與ImageNet圖像識別19
2.1CIFAR-10數(shù)據(jù)集20
2.1.1CIFAR-10簡介20
2.1.2下載CIFAR-10數(shù)據(jù)21
2.1.3TensorFlow的數(shù)據(jù)讀取機制23
2.1.4實驗：將CIFAR-10數(shù)據(jù)集保存為圖片形式30
2.2利用TensorFlow訓(xùn)練CIFAR-10識別模型34
2.2.1數(shù)據(jù)增強（DataAugmentation）34
2.2.2CIFAR-10識別模型36
2.2.3訓(xùn)練模型39
2.2.4在TensorFlow中查看訓(xùn)練進度39
2.2.5測試模型效果42
2.3ImageNet圖像識別模型44
2.3.1ImageNet數(shù)據(jù)集簡介44
2.3.2歷代ImageNet圖像識別模型45
2.4總結(jié)49
第3章打造自己的圖像識別模型50
3.1微調(diào)（Fine-tune）的原理51
3.2數(shù)據(jù)準(zhǔn)備52
3.3使用TensorFlowSlim微調(diào)模型56
3.3.1下載TensorFlowSlim的源代碼56
3.3.2定義新的datasets文件57
3.3.3準(zhǔn)備訓(xùn)練文件夾59
3.3.4開始訓(xùn)練60
3.3.5訓(xùn)練程序行為62
3.3.6驗證模型正確率63
3.3.7TensorBoard可視化與超參數(shù)選擇64
3.3.8導(dǎo)出模型并對單張圖片進行識別65
3.4總結(jié)69
第4章DeepDream模型70
4.1DeepDream的技術(shù)原理71
4.2TensorFlow中的DeepDream模型實踐73
4.2.1導(dǎo)入Inception模型73
4.2.2生成原始的DeepDream圖像76
4.2.3生成更大尺寸的DeepDream圖像78
4.2.4生成更高質(zhì)量的DeepDream圖像82
4.2.5最終的DeepDream模型87
4.3總結(jié)90