TensorFlow深度学习实战（微课视频版）

图书标准信息

• 作者 吕云翔 王志鹏 刘卓然 主编；欧阳植昊 郭志鹏 王渌汀 闫坤 杜宸洋 关捷雄 华昱云 陈妙然 副主编
• 出版社 清华大学出版社
• 出版时间 2022-05
• 版次 1
• ISBN 9787302602934
• 定价 59.90元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 216页
• 字数 318千字

【内容简介】

本书以深度学习框架TensorFlow为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。 全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架TensorFlow的基础知识、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。

【作者简介】

吕云翔  单位：北京航空航天大学  职务：博士研究生 职称：副教授 性别：男 年龄：50  专业：计算机 学历：博士研究生 研究领域：数据库   研究成果：已出版二十几本教材（其中“计算机导论实践教程”一书获北航2010年教学成果三等奖；“大学计算机英语教程”获北航2012年教学成果二等奖。

【目录】

 

 

 

第1部分基础篇

第1章深度学习简介

1.1计算机视觉

1.1.1定义

1.1.2基本任务

1.1.3传统方法

1.1.4仿生学与深度学习

1.1.5现代深度学习

1.1.6影响卷积神经网络发展的因素

1.2自然语言处理

1.2.1自然语言处理的基本问题

1.2.2传统方法与神经网络方法的比较

1.2.3发展趋势

1.3强化学习

1.3.1什么是强化学习

1.3.2强化学习算法简介

1.3.3强化学习的应用

第2章深度学习框架

2.1Caffe

2.1.1Caffe简介

2.1.2Caffe的特点

2.1.3Caffe概述

2.2TensorFlow

2.2.1TensorFlow简介

2.2.2数据流图

2.2.3TensorFlow的特点

2.2.4TensorFlow概述

2.3PyTorch

2.3.1PyTorch简介

2.3.2PyTorch的特点

2.3.3PyTorch概述

2.4三者的比较

2.4.1Caffe

2.4.2TensorFlow

2.4.3PyTorch

 

 

第3章机器学习基础知识

3.1模型评估与模型参数选择

3.1.1验证

3.1.2正则化

3.2监督学习与非监督学习

3.2.1监督学习

3.2.2非监督学习

第4章TensorFlow深度学习基础

4.1Tensor对象及其运算

4.2Tensor的索引和切片

4.3Tensor的变换、拼接和拆分

4.4TensorFlow的Reduction操作

4.5三种计算图

4.6TensorFlow的自动微分

第5章回归模型

5.1线性回归

5.2Logistic回归

5.3用TensorFlow实现Logistic回归

5.3.1数据准备

5.3.2模型搭建与训练

第6章神经网络基础

6.1基础概念

6.2感知器

6.2.1单层感知器

6.2.2多层感知器

6.3BP神经网络

6.3.1梯度下降

6.3.2后向传播

6.4Dropout正则化

6.5批标准化

6.5.1批标准化的实现方式

6.5.2批标准化的使用方法

第7章卷积神经网络与计算机视觉

7.1卷积神经网络的基本思想

7.2卷积操作

7.3池化层

7.4卷积神经网络

7.5经典网络结构

7.5.1VGG网络

7.5.2InceptionNet

7.5.3ResNet

7.6用TensorFlow进行手写数字识别

第8章神经网络与自然语言处理

8.1语言建模

8.2基于多层感知器的架构

8.3基于循环神经网络的架构

8.3.1循环单元

8.3.2通过时间后向传播

8.3.3带有门限的循环单元

8.3.4循环神经网络语言模型

8.3.5神经机器翻译

8.4基于卷积神经网络的架构

8.5基于Transformer的架构

8.5.1多头注意力

8.5.2非参位置编码

8.5.3编码器单元与解码器单元

8.6表示学习与预训练技术

8.6.1词向量

8.6.2加入上下文信息的特征表示

8.6.3网络预训练

第2部分实战篇

第9章基于YOLO V3的安全帽佩戴检测

9.1数据准备

9.1.1数据采集与标注

9.1.2模型选择

9.1.3数据格式转换

9.2模型构建、训练和测试

9.2.1YOLO系列模型

9.2.2模型训练

9.2.3测试与结果

第10章基于ResNet的人脸关键点检测

10.1数据准备

10.1.1人脸裁剪与缩放

10.1.2数据归一化处理

10.1.3整体代码

10.2模型搭建与训练

10.2.1特征图生成

10.2.2模型搭建

10.2.3模型训练

10.3模型评价

第11章基于ResNet的花卉图片分类

11.1环境与数据准备

11.1.1环境安装

11.1.2数据集简介

11.1.3数据集的下载与处理

11.2模型构建、训练和测试

11.2.1模型创建与训练

11.2.2测试与结果

第12章基于UNet的细胞分割

12.1细胞分割

12.1.1细胞分割简介

12.1.2传统细胞分割算法

12.2基于UNet细胞分割的实现

12.2.1UNet简介

12.2.2ISBI简介

12.2.3数据加载

12.2.4模型训练

12.2.5训练结果

第13章基于DCGAN的MNIST数据生成

13.1生成对抗网络介绍

13.2准备工作

13.3创建模型

13.3.1生成器

13.3.2判别器

13.4损失函数和优化器

13.4.1判别器损失

13.4.2生成器损失

13.4.3保存检查点

13.5定义训练循环

13.6训练模型和输出结果

第14章基于迁移学习的电影评论分类

14.1迁移学习概述

14.2IMDB数据集

14.3构建模型解决IMDB数据集分类问题

14.4模型训练和结果展示

第15章基于LSTM的原创音乐生成

15.1样例背景介绍

15.1.1循环神经网络

15.1.2Music 21

15.1.3TensorFlow

15.2项目结构设计

15.3实验步骤

15.3.1搭建实验环境

15.3.2观察并分析数据

15.3.3数据预处理

15.3.4生成音乐

15.4成果检验

第16章基于RNN的文本分类

16.1数据准备

16.2创建模型

16.3训练模型

16.4堆叠两个或更多 LSTM 层

第17章基于 TensorFlowTTS 的中文语音合成

17.1TTS 简介

17.1.1语音合成技术

17.1.2TTS技术发展史和基本原理

17.1.3基于深度学习的TTS 

17.2基于TensorFlowTTS 的语音合成实现

17.2.1TensorFlowTTS简介与环境准备

17.2.2算法简介

17.2.3代码实现与结果展示

附录ATensorFlow环境搭建

附录B深度学习的数学基础

B.1线性代数

B.2概率论

参考文献