TensorFlow 2.x深度学习从入门到实战

图书标准信息

• 作者 陈屹 著；颉腾文化 出品
• 出版社 北京理工大学出版社
• 出版时间 2023-12
• 版次 1
• ISBN 9787576330007
• 定价 129.00元
• 装帧 其他
• 开本 16开
• 页数 352页

【内容简介】

tenorflow 2.x深度学从入门到实战是作者研究和实践人工智能算法的经验结。本书通过图表、案例和示例代码相结合的方式，介绍tenorflow 2.x框架的相关知识，帮助读者打好扎实的人工智能理论基础，并将理论付诸实践，通过“干中学”的方式全面掌握复杂的算法理论。
tenorflow 2.x深度学从入门到实战共3篇。篇“tenorflow基础”，主要介绍tenorflow 2.x的基本开发方法及其重要接的使用方法，让读者对其有较为全面的了解。第2篇“tenorflow”，详细介绍tenorflow 2.x的开发功能，以及如何使用它开发基于深度学的神经网络。第3篇“tenorflow实战”，详细介绍tenorflow 2.x在增强学和gan两个专业领域的强大应用，以及其新调用接和开发模式，帮助读者有效地将其应用到具体的项目实践中。
tenorflow 2.x深度学从入门到实战内容丰富，讲解透彻，适合对人工智能感兴趣的人员阅读，尤其是需要学tenorflow 2.x深度学框架的入门与人员，另外还适合相关培训机构作为培训教材使用。

【作者简介】

陈屹  海南康康饼网络科技有限公司ceo。于数学专业，拥有十几年的软件开发经验。曾经任职于联想、微软和realwork等外知名公司，从事客户端及服务端开发工作。熟练掌握c、java和python等开发语言，擅长算法逻辑和架构设计。目前致力于人工智能技术的研究，并运营b站号co迪斯尼。

【目录】

篇  tensorflow基础
章  安装tensorflow2
1.1  tensorflow的安装流程2
1.2  运行tensorflow的个程序3
第2章  张量及其运算4
2.1  常量张量的创建4
2.2  张量维度的转换9
2.3  张量的运算12
第3章  运算图和会话管理15
3.1  运算图的形成15
3.2  运算图的数据结构17
3.3  使用会话对象执行运算图19
3.3.1  交互式会话执行流程19
3.3.2  使用会话志20
3.4  使用tensorboard实现数据可视化20
3.4.1  启动tensorboard组件21
3.4.2  显示tensorboard中的数据22
第4章  模型训练24
4.1  变量张量24
4.2  损失函数25
4.3  渐进下降法26
4.3.1  如何将数据读入模型27
4.3.2  模型训练的基本流程28
4.3.3  渐进下降法运行实例29
4.3.4  渐进下降法的缺陷和应对30
4.4  运算图的存储和加载32

第2篇  tensorflow
第5章  机器学的基本概念34
5.1  使用tensorflow实现线回归34
5.2  使用tensorflow实现多项式回归36
5.3  使用逻辑回归实现数据二元分类38
5.3.1  逻辑函数38
5.3.2  大概率估计39
5.3.3  用代码实现逻辑回归40
5.4  使用多元逻辑回归实现数据的多种分类41
5.4.1  多元分类示例——识别手写数字图像41
5.4.2  多元交熵41
5.4.3  多元回归模型代码示例43
第6章  使用tensorflow开发神经网络44
6.1  神经元和感知器44
6.1.1  神经元的基本44
6.1.2  感知器的基本45
6.1.3  链路权重46
6.1.4  激活函数46
6.2  神经网络的运行47
6.2.1  神经网络层47
6.2.2  误差反向传播48
6.3  构造神经网络识别手写数字图像50
第7章  使用tensorflow实现卷积网络53
7.1  卷积运算53
7.2  卷积运算的本质54
7.3  卷积运算的相关参数和作说明55
7.4  使用tensorflow开发卷积网络实例56
7.5  卷积网络的训练与应用59
第8章  构造重定向网络61
8.1  什么是重定向网络61
8.1.1  重定向网络的基本结构61
8.1.2  cell部件的运算62
8.2  使用tensorflow构建rnn层63
8.2.1  cell组件类简介63
8.2.2  创建rnn层接调用简介64
8.3  使用rnn实现文本识别65
8.3.1  文本数据预处理65
8.3.2  网络模型的构建和训练66
8.4  长短程记忆组件68
8.4.1  长短程记忆组件的68
8.4.2  使用接创建lstm节点70
8.4.3  使用lstm网络实现文本识别72
第9章  数据集的读取与作74
9.1  tensorflow的数据集对象74
9.1.1  创建数值型数据集74
9.1.2  数据生成器75
9.1.3  从文本中读入数据集76
9.2  数据集的处理和加工77
9.2.1  数据集的分批处理77
9.2.2  基于数据集的若干作78
9.2.3  数据集条目的遍历访问80
0章  使用多线程、多设备和机器集群84
10.1  多线程的配置84
10.2  多处理器分发执行85
10.3  集群分发控制86
1章  tensorflow的接estimator88
11.1  运行estimator的基本流程88
11.2  estimator的初始化配置90
11.3  estimator导出模型应用实例91
11.3.1  使用线模型实例91
11.3.2  使用神经网络分类器93
11.3.3  使用线回归——深度网络混合模型94
11.3.4  给estimator添加自己的网络模型99
第3篇  tensorflow实战
2章  实现编网络104
12.1  自动编的104
12.2  一个简单的编网络105
12.3  使用多层编实现图像重构107
12.4  使用编解码网络实现图像去噪112
12.5  可变编115
12.5.1  可变编的基本115
12.5.2  编的数学117
12.5.3  用代码实现编解码网络123
3章  使用tensorflow实现增强学127
13.1  搭建开发环境127
13.2  增强学的基本概念129
13.3  马尔可夫过程132
13.4  马尔可夫决策模型133
13.5  开发一个增强学示例135
13.5.1  示例简介135
13.5.2  使用神经网络实现优策略136
13.6  冰冻湖问题139
13.6.1  值优化141
13.6.2  贝尔曼函数142
13.6.3  编码解决冰冻湖问题145
4章  使用tensorflow实现深q网络148
14.1  深q算法的基本149
14.2  深q算法项目实践150
14.2.1  算法的基本原则151
14.2.2  深q网络模型155
5章  tensorflow与策略下降法163
15.1  策略导数164
15.1.1  策略导数的底层164
15.1.2  策略导数算法应用实例166
15.1.3  策略导数的缺点169
15.2  actor-critic算法169
15.2.1  actor-critic算法的底层169
15.2.2  actor-critic算法的实现171
15.3  a3c算法173
15.3.1  改变量回传模式的代码实现175
15.3.2  训练数据回传模式的代码实现187
15.4  使用ppo算法玩转《超级玛丽》192
15.4.1  ppo算法简介192
15.4.2  ppo算法的数学193
15.4.3  ppo算法的代码实现194
6章  使用tensorflow 2.x的eager模式开发增强学算法201
16.1  tensorflow 2.x eager模式简介201
16.2  使用eager模式快速构建神经网络202
16.3  在eager模式下使用ddpg算法实现机械模拟控制204
16.3.1  ddpg算法的基本204
16.3.2  ddpg算法的代码实现206
16.4  ddpg算法改进——td3算法的与实现211
16.4.1  td3算法的基本212
16.4.2  td3算法的代码实现213
16.5  td3算法的升级版——sac算法218
16.5.1  sac算法的基本218
16.5.2  sac算法的代码实现221
16.6  概率化深q网络算法226
16.6.1  连续概率函数的离散化表示226
16.6.2  算法的基本228
16.6.3  让算法玩转《雷神之锤》229
16.7  d4pg——概率化升级的ddpg算法236
16.7.1  d4pg算法的基本236
16.7.2  通过代码实现d4gp算法237
7章  使用tensorflow 2.x实现生成型对抗网络245
17.1  生成型对抗网络的基本与代码实战245
17.2  wgan——让对抗网络生成更复杂的图像253
17.2.1  推土距离253
17.2.2  wgan算法的基本255
17.2.3  wgan算法的代码实现256
17.3  wgan_pg——让网络生成细腻的人脸图像262
17.3.1  wgan_pg算法的基本262
17.3.2  wgan_gp算法的代码实现263
17.4  使用cyclegan实现“指鹿为马”269
17.4.1  cyclegan技术的基本269
17.4.2  用代码实现cyclegan272
17.5  使用cyclegan实现“无痛变”284
17.5.1  tensorflow 2.x的数据集接284
17.5.2  网络代码的实现290
17.6  利用attention机制实现自动谱曲297
17.6.1  乐理的基本知识298
17.6.2  网络训练的数据准备299
17.6.3  attention网络结构说明302
17.6.4  用代码实现预测网络304
17.7  使用musegan生成多声道音乐310
17.7.1  乐理的基本知识补充310
17.7.2  曲谱与图像的共311
17.7.3  musegan的基本313
17.7.4  musegan的代码实现314
17.8  使用自关注机制提升网络人脸的生成能力322
17.8.1  self-attention机制的算法322
17.8.2  引入spectral norm以保证训练的稳定324
17.8.3  用代码实现自关注网络330
17.9  实现黑白图像自动上338
17.9.1  算法的基本338
17.9.2  网络结构设计339
17.9.3  代码实现340