TensorFlow深度學習實戰（微課視頻版）

本書以深度學習框架TensorFlow為基礎，介紹機器學習的基礎知識與常用方法，全面細致地提供了機器學習操作的原理及其在深度學習框架下的實踐步驟。 全書共16章，分別介紹了深度學習基礎知識、深度學習框架及其對比、機器學習基礎知識、深度學習框架TensorFlow的基礎知識、Logistic回歸、多層感知器、捲積神經網絡與電腦視覺、神經網絡與自然語言處理以及8個實戰案例。本書將理論與實踐緊密結合，相信能為讀者提供有益的學習指導。 本書適合Python深度學習初學者、機器學習算法分析從業人員以及高等院校電腦科學、軟件工程等相關專業的師生閱讀。

目錄

第1部分基礎篇

第1章深度學習簡介

1.1電腦視覺

1.1.1定義

1.1.2基本任務

1.1.3傳統方法

1.1.4仿生學與深度學習

1.1.5現代深度學習

1.1.6影響捲積神經網絡發展的因素

1.2自然語言處理

1.2.1自然語言處理的基本問題

1.2.2傳統方法與神經網絡方法的比較

1.2.3發展趨勢

1.3強化學習

1.3.1什麽是強化學習

1.3.2強化學習算法簡介

1.3.3強化學習的應用

第2章深度學習框架

2.1Caffe

2.1.1Caffe簡介

2.1.2Caffe的特點

2.1.3Caffe概述

2.2TensorFlow

2.2.1TensorFlow簡介

2.2.2數據流圖

2.2.3TensorFlow的特點

2.2.4TensorFlow概述

2.3PyTorch

2.3.1PyTorch簡介

2.3.2PyTorch的特點

2.3.3PyTorch概述

2.4三者的比較

2.4.1Caffe

2.4.2TensorFlow

2.4.3PyTorch

第3章機器學習基礎知識

3.1模型評估與模型參數選擇

3.1.1驗證

3.1.2正則化

3.2監督學習與非監督學習

3.2.1監督學習

3.2.2非監督學習

第4章TensorFlow深度學習基礎

4.1Tensor對象及其運算

4.2Tensor的索引和切片

4.3Tensor的變換、拼接和拆分

4.4TensorFlow的Reduction操作

4.5三種計算圖

4.6TensorFlow的自動微分

第5章回歸模型

5.1線性回歸

5.2Logistic回歸

5.3用TensorFlow實現Logistic回歸

5.3.1數據準備

5.3.2模型搭建與訓練

第6章神經網絡基礎

6.1基礎概念

6.2感知器

6.2.1單層感知器

6.2.2多層感知器

6.3BP神經網絡

6.3.1梯度下降

6.3.2後向傳播

6.4Dropout正則化

6.5批標準化

6.5.1批標準化的實現方式

6.5.2批標準化的使用方法

第7章捲積神經網絡與電腦視覺

7.1捲積神經網絡的基本思想

7.2捲積操作

7.3池化層

7.4捲積神經網絡

7.5經典網絡結構

7.5.1VGG網絡

7.5.2InceptionNet

7.5.3ResNet

7.6用TensorFlow進行手寫數字識別

第8章神經網絡與自然語言處理

8.1語言建模

8.2基於多層感知器的架構

8.3基於循環神經網絡的架構

8.3.1循環單元

8.3.2通過時間後向傳播

8.3.3帶有門限的循環單元

8.3.4循環神經網絡語言模型

8.3.5神經機器翻譯

8.4基於捲積神經網絡的架構

8.5基於Transformer的架構

8.5.1多頭註意力

8.5.2非參位置編碼

8.5.3編碼器單元與解碼器單元

8.6表示學習與預訓練技術

8.6.1詞向量

8.6.2加入上下文信息的特徵表示

8.6.3網絡預訓練

第2部分實戰篇

第9章基於YOLO V3的安全帽佩戴檢測

9.1數據準備

9.1.1數據採集與標註

9.1.2模型選擇

9.1.3數據格式轉換

9.2模型構建、訓練和測試

9.2.1YOLO系列模型

9.2.2模型訓練

9.2.3測試與結果

第10章基於ResNet的人臉關鍵點檢測

10.1數據準備

10.1.1人臉裁剪與縮放

10.1.2數據歸一化處理

10.1.3整體代碼

10.2模型搭建與訓練

10.2.1特徵圖生成

10.2.2模型搭建

10.2.3模型訓練

10.3模型評價

第11章基於ResNet的花卉圖片分類

11.1環境與數據準備

11.1.1環境安裝

11.1.2數據集簡介

11.1.3數據集的下載與處理

11.2模型構建、訓練和測試

11.2.1模型創建與訓練

11.2.2測試與結果

第12章基於UNet的細胞分割

12.1細胞分割

12.1.1細胞分割簡介

12.1.2傳統細胞分割算法

12.2基於UNet細胞分割的實現

12.2.1UNet簡介

12.2.2ISBI簡介

12.2.3數據加載

12.2.4模型訓練

12.2.5訓練結果

第13章基於DCGAN的MNIST數據生成

13.1生成對抗網絡介紹

13.2準備工作

13.3創建模型

13.3.1生成器

13.3.2判別器

13.4損失函數和優化器

13.4.1判別器損失

13.4.2生成器損失

13.4.3保存檢查點

13.5定義訓練循環

13.6訓練模型和輸出結果

第14章基於遷移學習的電影評論分類

14.1遷移學習概述

14.2IMDB數據集

14.3構建模型解決IMDB數據集分類問題

14.4模型訓練和結果展示

第15章基於LSTM的原創音樂生成

15.1樣例背景介紹

15.1.1循環神經網絡

15.1.2Music 21

15.1.3TensorFlow

15.2項目結構設計

15.3實驗步驟

15.3.1搭建實驗環境

15.3.2觀察並分析數據

15.3.3數據預處理

15.3.4生成音樂

15.4成果檢驗

第16章基於RNN的文本分類

16.1數據準備

16.2創建模型

16.3訓練模型

16.4堆疊兩個或更多 LSTM 層

第17章基於 TensorFlowTTS 的中文語音合成

17.1TTS 簡介

17.1.1語音合成技術

17.1.2TTS技術發展史和基本原理

17.1.3基於深度學習的TTS 

17.2基於TensorFlowTTS 的語音合成實現

17.2.1TensorFlowTTS簡介與環境準備

17.2.2算法簡介

17.2.3代碼實現與結果展示

附錄ATensorFlow環境搭建

附錄B深度學習的數學基礎

B.1線性代數

B.2概率論

參考文獻