这些资源你可能感兴趣
《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。
编辑推荐
1.本书以TensorFlow为工具，从基础的MNIST手写体识别开始，介绍了基础的卷积神经网络、循环神经网络，还包括正处于前沿的对抗生成网络、深度强化学习等课题。
2.书中所有内容由21个可以动手实验的项目组织起来，并在其中穿插TensorFlow的教学，让你可以在实践中比较轻松地学习到深度学习领域的基础知识，掌握TensorFlow的使用方法，并积累丰富的深度学习实战经验。
3.通过本书，可以学到：
在动手实践中快速入门深度学习领域。
通过实验快速掌握TensorFlow的操作方法。
掌握卷积神经网络、循环神经网络、对抗生成网络和深度强化学习等深度学习积累丰富的深度学习实战项目，如图像分类、目标检测、人脸识别、图像生成、文本生成、序列分类、时间序列预测等。
学习TensorFlow的一些新特性，如Time Series模块、RNNCell等。
作者简介
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。
目录
前言
第1章MNIST机器学习入门1
1.1MNIST数据集2
1.1.1简介2
1.1.2实验：将MNIST数据集保存为图片5
1.1.3图像标签的独热（one—hot）表示6
1.2利用TensorFlow识别MNIST8
1.2.1Softmax回归8
1.2.2两层卷积网络分类14
1.3总结18
第2章CIFAR—10与ImageNet图像识别19
2.1CIFAR—10数据集20
2.1.1CIFAR—10简介20
2.1.2下载CIFAR—10数据21
2.1.3TensorFlow的数据读取机制23
2.1.4实验：将CIFAR—10数据集保存为图片形式30
2.2利用TensorFlow训练CIFAR—10识别模型34
2.2.1数据增强（DataAugmentation）34
2.2.2CIFAR—10识别模型36
2.2.3训练模型39
2.2.4在TensorFlow中查看训练进度39
2.2.5测试模型效果42
2.3ImageNet图像识别模型44
2.3.1ImageNet数据集简介44
2.3.2历代ImageNet图像识别模型45
2.4总结49
第3章打造自己的图像识别模型50
3.1微调（Fine—tune）的原理51
3.2数据准备52
3.3使用TensorFlowSlim微调模型56
3.3.1下载TensorFlowSlim的源代码56
3.3.2定义新的datasets文件57
3.3.3准备训练文件夹59
3.3.4开始训练60
3.3.5训练程序行为62
3.3.6验证模型正确率63
3.3.7TensorBoard可视化与超参数选择64
3.3.8导出模型并对单张图片进行识别65
3.4总结69
第4章DeepDream模型70
4.1DeepDream的技术原理71
4.2TensorFlow中的DeepDream模型实践73
4.2.1导入Inception模型73
4.2.2生成原始的DeepDream图像76
4.2.3生成更大尺寸的DeepDream图像78
4.2.4生成更高质量的DeepDream图像82
4.2.5最终的DeepDream模型87
4.3总结90
第5章深度学习中的目标检测91
5.1深度学习中目标检测的原理92
5.1.1R—CNN的原理92
5.1.2SPPNet的原理94
5.1.3FastR—CNN的原理97
5.1.4FasterR—CNN的原理98
5.2TensorFlowObjectDetectionAPI101
5.2.1安装TensorFlowObjectDetectionAPI101
5.2.2执行已经训练好的模型103
5.2.3训练新的模型109
5.2.4导出模型并预测单张图片113
5.3总结114
第6章人脸检测和人脸识别115
6.1MTCNN的原理116
6.2使用深度卷积网络提取特征121
6.2.1三元组损失（TripletLoss）的定义123
6.2.2中心损失（CenterLoss）的定义123
6.3使用特征设计应用125
6.4在TensorFlow中实现人脸识别126
6.4.1项目环境设置126
6.4.2LFW人脸数据库127
6.4.3LFW数据库上的人脸检测和对齐128
6.4.4使用已有模型验证LFW数据库准确率129
6.4.5在自己的数据上使用已有模型130
6.4.6重新训练新模型133
6.4.7三元组损失和中心损失的定义138
6.5总结140
第7章图像风格迁移141
7.1图像风格迁移的原理142
7.1.1原始图像风格迁移的原理142
7.1.2快速图像风格迁移的原理148
7.2在TensorFlow中实现快速风格迁移149
7.2.1使用预训练模型150
7.2.2训练自己的模型153
7.2.3在TensorBoard中监控训练情况154
7.2.4项目实现细节157
7.3总结162
第8章GAN和DCGAN入门163
8.1GAN的原理164
8.2DCGAN的原理166
8.3在TensorFlow中用DCGAN生成图像169
8.3.1生成MNIST图像170
8.3.2使用自己的数据集训练171
8.3.3程序结构分析：如何将图像读入模型173
8.3.4程序结构分析：可视化方法177
8.4总结180
第9章pix2pix模型与自动上色技术181
9.1cGAN的原理182
9.2pix2pix模型的原理184
9.3TensorFlow中的pix2pix模型187
9.3.1执行已有的数据集187
9.3.2创建自己的数据集191
9.4使用TensorFlow为灰度图像自动上色194
9.4.1为食物图片上色194
9.4.2为动漫图片进行上色196
9.5总结198
第10章超分辨率：如何让图像变得更清晰199
10.1数据预处理与训练200
10.1.1去除错误图片200
10.1.2将图像裁剪到统一大小202
10.1.3为代码添加新的操作202
10.2总结209
第11章CycleGAN与非配对图像转换210
11.1CycleGAN的原理211
11.2在TensorFlow中用训练CycleGAN模型213
11.2.1下载数据集并训练213
11.2.2使用自己的数据进行训练217
11.3程序结构分析220
11.4总结224
第12章RNN基本结构与CharRNN文本生成225
12.1RNN的原理226
12.1.1经典RNN的结构226
12.1.2NVS1RNN的结构229
12.1.31VSNRNN的结构230
12.2LSTM的原理231
12.3CharRNN的原理235
12.4TensorFlow中的RNN实现方式237
12.4.1实现RNN的基本单元：RNNCell238
12.4.2对RNN进行堆叠：MultiRNNCell239
12.4.3注意点：BasicRNNCell和BasicLSTMCell的output240
12.4.4使用tf.nn.dynamic_rnn展开时间维度241
12.5使用TensorFlow实现CharRNN242
12.5.1定义输入数据243
12.5.2定义多层LSTM模型244
12.5.3定义损失245
12.5.4训练模型与生成文字246
12.5.5更多参数说明250
12.5.6运行自己的数据250
12.6总结251
第13章序列分类问题详解252
13.1NVS1的RNN结构253
13.2数列分类问题与数据生成254
13.3在TensorFlow中定义RNN分类模型258
13.3.1定义模型前的准备工作258
13.3.2定义RNN分类模型259
13.3.3定义损失并进行训练261
13.4模型的推广262
13.5总结263
第14章词的向量表示：word2vec与词嵌入264
14.1为什么需要做词嵌入265
14.2词嵌入的原理266
14.2.1CBOW实现词嵌入的原理266
14.2.2Skip—Gram实现词嵌入的原理269
14.3在TensorFlow中实现词嵌入270
14.3.1下载数据集270
14.3.2制作词表272
14.3.3生成每步的训练样本274
14.3.4定义模型276
14.3.5执行训练279
14.3.6可视化281
14.4与第12章的对比284
14.5总结285
第15章在TensorFlow中进行时间序列预测286
15.1时间序列问题的一般形式287
15.2用TFTS读入时间序列数据287
15.2.1从Numpy数组中读入时间序列数据288
15.2.2从CSV文件中读入时间序列数据291
15.3使用AR模型预测时间序列293
15.3.1AR模型的训练293
15.3.2AR模型的验证和预测295
15.4使用LSTM模型预测时间序列297
15.4.1LSTM模型中的单变量时间序列预测297
15.4.2LSTM模型中的多变量时间序列预测299
15.5总结301
第16章神经网络机器翻译技术302
16.1Encoder—Decoder模型的原理303
16.2注意力机制（Attention）305
16.3使用TensorFlowNMT搭建神经网络翻译引擎309
16.3.1示例：将越南语翻译为英语309
16.3.2构建中英翻译引擎313
16.4TensorFlowNMT源码简介317
16.5总结319
第17章看图说话：将图像转换为文字320
17.1ImageCaption技术综述321
17.1.1从Encoder—Decoder结构谈起321
17.1.2将Encoder—Decoder应用到ImageCaption任务上322
17.1.3对Encoder—Decoder的改进1：加入Attention机制323
17.1.4对Encoder—Decoder的改进2：加入高层语义325
17.2在TensorFlow中实现ImageCaption327
17.2.1下载代码327
17.2.2环境准备328
17.2.2编译和数据准备328
17.2.3训练和验证330
17.2.4测试单张图片331
17.3总结332
第18章强化学习入门之Q333
18.1强化学习中的几个重要概念334
18.2QLearning的原理与实验336
18.2.1环境定义336
18.2.2Q函数338
18.2.3Q函数的学习策略339
18.2.4greedy策略341
18.2.5简单的QLearning示例341
18.2.6更复杂的情况342
18.3总结343
第19章强化学习入门之SARSA算法344
19.1SARSA算法的原理345
19.1.1通过与QLearning对比学习SARSA算法345
19.1.2off—policy与on—policy346
19.2SARSA算法的实现347
19.3总结348
第20章深度强化学习：DeepQLearning349
20.1DQN算法的原理350
20.1.1问题简介350
20.1.2DeepQNetwork351
20.1.3训练方法352
20.2在TensorFlow中运行DQN算法353
20.2.1安装依赖库353
20.2.2训练355
20.2.3测试356
20.3在TensorFlow中DQN算法的实现分析357
20.4总结360
第21章策略梯度（PolicyGradient）算法361
21.1策略梯度（PolicyGradient）算法的原理362
21.1.1Cartpole游戏362
21.1.2策略网络（PolicyNetwork）363
21.1.3训练策略网络364
21.2在TensorFlow中实现策略梯度算法365
21.2.1初始化365
21.2.2定义策略网络366
21.2.3训练367
21.3总结371
本书评论