21个项目玩转深度学习：基于TensorFlow的实践详解

图书标准信息

• 作者 何之源 著
• 出版社 电子工业出版社
• 出版时间 2018-03
• 版次 1
• ISBN 9787121335716
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 372页
• 字数 368千字

【内容简介】

　　《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。

【作者简介】

    何之源，知乎专栏AI Insight作者。针对Tensorflow早期学习案例不足的情况，在网上撰写了大量实践文章与TensorFlow教程，教程风格清晰易懂又不失深度，获得了广大读者的肯定。热爱编程，在人工智能和深度学习领域有丰富的实践经验。

【目录】

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MNIST 8

 

 

 

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