深度学习全书——公式+推导+代码+TensorFlow全程案例

图书标准信息

• 作者 陈昭明 著；洪锦魁 主编
• 出版社 清华大学出版社
• 出版时间 2022-09
• 版次 1
• ISBN 9787302610304
• 定价 159.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 648页
• 字数 991千字

【内容简介】

《深度学习全书——公式 推导 代码 TensorFlow全程案例》共有15章，分为5部分，第一篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象，第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络，第三篇介绍CNN算法、影像应用、转移学习等，第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等，最后，介绍了强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法，当然，还有相关案例实践。

【作者简介】

陈昭明，成功大学统计系学士、清华大学工业工程研究所硕士。曾任职于IBM、工研院电通所、软件开发公司、ERP顾问公司、电信公司、财经数据库公司，目前担任Python、机器学习、深度学习、AIoT讲师。获2018年IT邦帮忙铁人赛 AI 组冠军、2021年IT邦帮忙铁人赛 AI 组优选。

洪锦魁，中国台湾计算机专家，著名程序员与IT作家。横跨DOS时代、Windows时代、Internet时代、大数据时代，纵观IT兴衰而笔耕不辍。台湾天龙书局IT图书常年霸榜专业户。其作品版权包括：中国台湾（繁体中文）、中国大陆（简体中文）、马来西亚（马来文）、美国（英文）。写作特色：所有程序语法依特性分类，同时以实用的程序范例进行解说，程序确保跑通，让读者可以事半功倍地轻松掌握相关知识。

【目录】

第一篇 深度学习导论 

 

第 1 章   深度学习导论 2

1-1 人工智能的三波浪潮 2

1-2 AI 的学习地图 4

1-3 机器学习应用领域 5

1-4 机器学习开发流程 6

1-5 开发环境安装 7

第 2 章   神经网络原理 12

2-1 必备的数学与统计知识 12

2-2 线性代数 14

 

 

2-3 微积分 24

 

2-3-5    积分 37

2-4 概率与统计 41

2-4-1 数据类型  42

2-4-2 抽样  43

2-4-3 基础统计  46

2-4-4 概率  53

2-4-5 概率分布  59

2-4-6 假设检定  69

2-5 线性规划 78

2-6 普通最小二乘法与最大似然

估计法 81

2-6-1 普通最小二乘法 81

2-6-2 最大似然估计法 84

2-7 神经网络求解 88

 

2-3-1 微分  24

2-3-2 微分定理  29

2-3-3 偏微分  32

2-3-4 简单线性回归求解  36

 

深度学习全书——公式   推导   代码  TensorFlow 全程案例

 

  第二篇 TensorFlow 基础篇 

 

第 3 章 TensorFlow 架 构 与

主要功能 98

3-1 常用的深度学习框架 98

3-2 TensorFlow 架构 99

3-3 张量运算 100

3-4 自动微分 105

3-5 神经网络层 109

第 4 章   神经网络实践 114

4-1 撰写第一个神经网络程序 114

4-1-1 最简短的程序 114

4-1-2 程序强化 115

4-1-3    实验 124

4-2 Keras 模型种类 129

4-2-1 Sequential model 129

4-2-2 Functional API 133

4-3  神 经层 135

4-3-1 完全连接神经层 135

4-3-2 Dropout Layer 137

4-4 激活函数 137

4-5 损失函数 142

4-6  优 化器 144

4-7 效果衡量指标 148

4-8 超参数调校 152

第 5 章 TensorFlow 其他常用

指令 156

5-1 特征转换 156

5-2 模型存盘与加载 157

5-3 模型汇总与结构图 159

 

5-4 回调函数 161

5-4-1 EarlyStopping

Callbacks 162

5-4-2 ModelCheckpoint

Callbacks 163

5-4-3 TensorBoard Callbacks  164

5-4-4 自定义 Callback 165

5-4-5 自定义 Callback 应用  168

5-4-6    总结 169

5-5 TensorBoard 169

5-5-1    TensorBoard 功能 169

5-5-2    测试 171

5-5-3    写入图片 172

5-5-4  直 方图 173

5-5-5 效果调校 174

5-5-6 敏感度分析 175

5-5-7    总结 176

5-6 模型部署与 TensorFlow

Serving 176

5-6-1 自行开发网页程序 176

5-6-2 TensorFlow Serving 178

5-7 TensorFlow Dataset 180

5-7-1 产生 Dataset 180

5-7-2 图像 Dataset 184

5-7-3 TFRecord 与 Dataset  186

5-7-4 TextLineDataset 189

5-7-5 Dataset 效果提升 191

第 6 章   卷积神经网络 193

6-1    卷积神经网络简介 193

 

IV

 

目 录

 

 

6-2    卷积 194

6-3    各式卷积 197

6-4  池 化层 201

6-5 CNN 模型实践 202

6-6 影像数据增补 206

6-7 可解释的 AI 211

 

第 7 章   预先训练的模型   219

7-1 预先训练的模型简介 219

7-2 采用完整的模型 221

7-3 采用部分模型 225

7-4 转移学习 229

7-5 Batch Normalization 说明 233

 

  第三篇 进阶的影像应用 

 

第 8 章   目标检测 238

8-1 图像辨识模型的发展 238

8-2 滑动窗口 239

8-3 方向梯度直方图 242

8-4 R-CNN 目标检测 252

8-5 R-CNN 改良 263

8-6 YOLO 算法简介 266

8-7 YOLO 环境配置 269

8-8 以 TensorFlow 实践 YOLO

模型 274

8-9 YOLO 模型训练 280

8-10 SSD 算法 285

8-11 TensorFlow Object Detection

API 285

8-12 目标检测的效果衡量指标 294

8-13    总结 295

第 9 章   进阶的影像应用 296

9-1 语义分割介绍 296

9-2 自动编码器 297

9-3 语义分割实践 305

9-4 实例分割 311

 

9-5 风格转换—人人都可以是

毕加索 315

9-6 脸部辨识 327

9-6-1 脸部检测 327

9-6-2 MTCNN 算法 332

9-6-3 脸部追踪 334

9-6-4 脸部特征点检测 340

9-6-5 脸部验证 346

9-7 光学文字辨识 349

9-8 车牌辨识 353

9-9 卷积神经网络的缺点 357

第 10 章   生成对抗网络 359

10-1 生成对抗网络介绍 359

10-2 生成对抗网络种类 361

10-3 DCGAN 364

10-4 Progressive GAN 375

10-5 Conditional GAN 380

10-6 Pix2Pix 385

10-7 CycleGAN 396

10-8 GAN 挑战 406

10-9 深度伪造 406

 

V

 

深度学习全书——公式   推导   代码  TensorFlow 全程案例

 

  第四篇 自然语言处理 

 

第 11 章 自然语言处理的介绍 412

11-1 词袋与 TF-IDF 412

11-2 词汇前置处理 416

11-3 词 向量 421

11-4 GloVe 模型 433

11-5 中文处理 436

11-6 spaCy 库 439

第 12 章   自然语言处理的算法 444

12-1 循环神经网络 444

12-2 长短期记忆网络 451

12-3 LSTM 重要参数与多层

LSTM 456

12-4 Gate Recurrent Unit 467

12-5 股价预测 468

12-6 注意力机制 475

12-7 Transformer 架构 485

12-7-1 Transformer 原理 486

12-7-2 Transformer 效能 487

12-8 BERT 488

12-8-1 Masked LM 488

12-8-2 Next Sentence

Prediction 489

12-8-3 BERT 效能微调 490

12-9 Transformers 库 491

12-9-1   Transformers 库范例  491

 

12-9-2 Transformers 库效能

微调 501

12-9-3 后续努力 507

12-10    总结 507

第 13 章   聊天机器人 508

13-1 ChatBot 类别 508

13-2 ChatBot 设计 509

13-3 ChatBot 实践 511

13-4 ChatBot 工具框架 514

13-4-1 ChatterBot 实践 514

13-4-2 Chatbot AI 实践 517

13-4-3 Rasa 实践 520

13-5 Dialog?ow 实践 523

13-5-1 Dialog?ow 安装 525

13-5-2 Dialog?ow 基本功能  527

13-5-3    履行 532

13-6    总结 536

第 14 章 语 音 识别 537

14-1 语音基本认识 538

14-2 语音前置处理 549

14-3 语音相关的深度学习应用 561

14-4 自动语音识别 574

14-5 自动语音识别实践 577

14-6    总结 578

 

 

 

VI

 

目 录

 

  第五篇 强化学习 

 

第 15 章 强 化 学习 580

15-1 强化学习的基础 581

15-2 强化学习模型 583

15-3 简单的强化学习架构 586

15-4 Gym 库 593

15-5 Gym 扩充功能 600

15-6 动态规划 602

 

15-7  值 循环 607

15-8 蒙特卡洛 610

15-9 时序差分 619

15-10 其他算法 628

15-11 井字游戏 630

15-12 木棒小车 636

15-13    总结 637

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

VI