新書推薦：
《
SDGSAT-1卫星热红外影像图集
》
售價：HK$
457.7
《
股市趋势技术分析（原书第11版）
》
售價：HK$
227.7
《
汉匈战争全史
》
售價：HK$
102.4
《
恶的哲学研究（社会思想丛书）
》
售價：HK$
109.8
《
不止江湖
》
售價：HK$
101.2
《
天才留步！——从文艺复兴到新艺术运动（一本关于艺术天才的鲜活故事集，聚焦艺术史的高光时刻！）
》
售價：HK$
158.7
《
双城史
》
售價：HK$
110.9
《
冯友兰和青年谈心系列：不是问题的问题（哲学大师冯友兰和年轻人谈心，命运解读）
》
售價：HK$
57.3
|
| 編輯推薦： |
1.本书以TensorFlow为工具，从基础的MNIST手写体识别开始，介绍了基础的卷积神经网络、循环神经网络，还包括正处于前沿的对抗生成网络、深度强化学习等课题,代码基于TensorFlow1.4.0及以上版本。
2.书中所有内容由21个可以动手实验的项目组织起来，并在其中穿插TensorFlow的教学，让你可以在实践中比较轻松地学习到深度学习领域的基础知识，掌握TensorFlow的使用方法，并积累丰富的深度学习实战经验。
3.通过本书，可以学到：
在动手实践中快速入门深度学习领域。
通过实验快速掌握TensorFlow的操作方法。
掌握卷积神经网络、循环神经网络、对抗生成网络和深度强化学习等深度学习积累丰富的深度学习实战项目，如图像分类、目标检测、人脸识别、图像生成、文本生成、序列分类、时间序列预测等。
学习TensorFlow的一些新特性，如TimeSeries模块、RNNCell等。
|
| 內容簡介： |
|
《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，训练机器玩游戏等。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。本书基于TensorFlow 1.4版本，并介绍了该版本中的一些新特性。
|
| 關於作者： |
|
何之源，知乎专栏AIInsight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。
|
| 目錄：
|
前言
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MNIST8
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（Data Augmentation）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TensorFlow Slim微调模型56
3.3.1下载TensorFlow Slim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Deep Dream模型70
4.1Deep Dream的技术原理71
4.2TensorFlow中的Deep Dream模型实践73
4.2.1导入Inception模型73
4.2.2生成原始的Deep Dream图像76
4.2.3生成更大尺寸的Deep Dream图像78
4.2.4生成更高质量的Deep Dream图像82
4.2.5最终的Deep Dream模型87
4.3总结90
第5章深度学习中的目标检测91
5.1深度学习中目标检测的原理92
5.1.1R-CNN的原理92
5.1.2SPPNet的原理94
5.1.3Fast R-CNN的原理97
5.1.4Faster R-CNN的原理98
5.2TensorFlow Object Detection API101
5.2.1安装TensorFlow Object Detection API101
5.2.2执行已经训练好的模型103
5.2.3训练新的模型109
5.2.4导出模型并预测单张图片113
5.3总结114
第6章人脸检测和人脸识别115
6.1MTCNN的原理116
6.2使用深度卷积网络提取特征121
6.2.1三元组损失（Triplet Loss）的定义123
6.2.2中心损失（Center Loss）的定义123
6.3使用特征设计应用125
6.4在TensorFlow中实现人脸识别126
6.4.1项目环境设置126
6.4.2LFW人脸数据库127
6.4.3LFW数据库上的人脸检测和对齐128
6.4.4使用已有模型验证LFW数据库准确率129
6.4.5在自己的数据上使用已有模型130
6.4.6重新训练新模型133
6.4.7三元组损失和中心损失的定义138
6.5总结140
第7章图像风格迁移141
7.1图像风格迁移的原理142
7.1.1原始图像风格迁移的原理142
7.1.2快速图像风格迁移的原理148
7.2在TensorFlow中实现快速风格迁移149
7.2.1使用预训练模型150
7.2.2训练自己的模型153
7.2.3在TensorBoard中监控训练情况154
7.2.4项目实现细节157
7.3总结162
第8章GAN和DCGAN入门163
8.1GAN的原理164
8.2DCGAN的原理166
8.3在TensorFlow中用DCGAN生成图像169
8.3.1生成MNIST图像170
8.3.2使用自己的数据集训练171
8.3.3程序结构分析：如何将图像读入模型173
8.3.4程序结构分析：可视化方法177
8.4总结180
第9章pix2pix模型与自动上色技术181
9.1cGAN的原理182
9.2pix2pix模型的原理184
9.3TensorFlow中的pix2pix模型187
9.3.1执行已有的数据集187
9.3.2创建自己的数据集191
9.4使用TensorFlow为灰度图像自动上色194
9.4.1为食物图片上色194
9.4.2为动漫图片进行上色196
9.5总结198
第10章超分辨率：如何让图像变得更清晰199
10.1数据预处理与训练200
10.1.1去除错误图片200
10.1.2将图像裁剪到统一大小202
10.1.3为代码添加新的操作202
10.2总结209
第11章CycleGAN与非配对图像转换210
11.1CycleGAN的原理211
11.2在TensorFlow中用训练CycleGAN模型213
11.2.1下载数据集并训练213
11.2.2使用自己的数据进行训练217
11.3程序结构分析220
11.4总结224
第12章RNN基本结构与Char RNN文本生成225
12.1RNN的原理226
12.1.1经典RNN的结构226
12.1.2N VS 1 RNN的结构229
12.1.31 VS N RNN的结构230
12.2LSTM的原理231
12.3Char RNN的原理235
12.4TensorFlow中的RNN实现方式237
12.4.1实现RNN的基本单元：RNNCell238
12.4.2对RNN进行堆叠：MultiRNNCell239
12.4.3注意点：BasicRNNCell和BasicLSTMCell的output240
12.4.4使用tf.nn.dynamic_rnn展开时间维度241
12.5使用TensorFlow实现Char RNN242
12.5.1定义输入数据243
12.5.2定义多层LSTM模型244
12.5.3定义损失245
12.5.4训练模型与生成文字246
12.5.5更多参数说明250
12.5.6运行自己的数据250
12.6总结251
第13章序列分类问题详解252
13.1N VS 1的RNN结构253
13.2数列分类问题与数据生成254
13.3在TensorFlow中定义RNN分类模型258
13.3.1定义模型前的准备工作258
13.3.2定义RNN分类模型259
13.3.3定义损失并进行训练261
13.4模型的推广262
13.5总结263
第14章词的向量表示：word2vec与词嵌入264
14.1为什么需要做词嵌入265
14.2词嵌入的原理266
14.2.1CBOW实现词嵌入的原理266
14.2.2Skip-Gram实现词嵌入的原理269
14.3在TensorFlow中实现词嵌入270
14.3.1下载数据集270
14.3.2制作词表272
14.3.3生成每步的训练样本274
14.3.4定义模型276
14.3.5执行训练279
14.3.6可视化281
14.4与第12章的对比284
14.5总结285
第15章在TensorFlow中进行时间序列预测286
15.1时间序列问题的一般形式287
15.2用TFTS读入时间序列数据287
15.2.1从Numpy数组中读入时间序列数据288
15.2.2从CSV文件中读入时间序列数据291
15.3使用AR模型预测时间序列293
15.3.1AR模型的训练293
15.3.2AR模型的验证和预测295
15.4使用LSTM模型预测时间序列297
15.4.1LSTM模型中的单变量时间序列预测297
15.4.2LSTM模型中的多变量时间序列预测299
15.5总结301
第16章神经网络机器翻译技术302
16.1Encoder-Decoder模型的原理303
16.2注意力机制（Attention）305
16.3使用TensorFlow NMT搭建神经网络翻译引擎309
16.3.1示例：将越南语翻译为英语309
16.3.2构建中英翻译引擎313
16.4TensorFlow NMT源码简介317
16.5总结319
第17章看图说话：将图像转换为文字320
17.1Image Caption技术综述321
17.1.1从Encoder-Decoder结构谈起321
17.1.2将Encoder-Decoder应用到Image Caption任务上322
17.1.3对Encoder-Decoder的改进1：加入Attention机制323
17.1.4对Encoder-Decoder的改进2：加入高层语义325
17.2在TensorFlow中实现Image Caption327
17.2.1下载代码327
17.2.2环境准备328
17.2.2编译和数据准备328
17.2.3训练和验证330
17.2.4测试单张图片331
17.3总结332
第18章强化学习入门之Q333
18.1强化学习中的几个重要概念334
18.2Q Learning的原理与实验336
18.2.1环境定义336
18.2.2Q函数338
18.2.3Q函数的学习策略339
18.2.4?-greedy策略341
18.2.5简单的Q Learning示例341
18.2.6更复杂的情况342
18.3总结343
第19章强化学习入门之SARSA算法344
19.1SARSA 算法的原理345
19.1.1通过与Q Learning对比学习SARSA算法345
19.1.2off-policy与on-policy346
19.2SARSA 算法的实现347
19.3总结348
第20章深度强化学习：Deep Q Learning349
20.1DQN算法的原理350
20.1.1问题简介350
20.1.2Deep Q Network351
20.1.3训练方法352
20.2在TensorFlow中运行DQN算法353
20.2.1安装依赖库353
20.2.2训练355
20.2.3测试356
20.3在TensorFlow中DQN算法的实现分析357
20.4总结360
第21章策略梯度（Policy Gradient）算法361
21.1策略梯度（Policy Gradient）算法的原理362
21.1.1Cartpole游戏362
21.1.2策略网络（Policy Network）363
21.1.3训练策略网络364
21.2在TensorFlow中实现策略梯度 算法365
21.2.1初始化365
21.2.2定义策略网络366
21.2.3训练367
21.3总结371
|
| 內容試閱：
|
我们正处在一个日新月异、飞速变革的时代，层出不穷的新技术每天都在冲击和改变我们的生活。人工智能无疑是其中最受关注、也是影响最深远的技术领域。它为计算机插上了翅膀，演变出许多从前根本无法想象的新技术、新应用。AlphaGoZero，一台没有任何先验知识的人工智能机器，可以在几天内通过自我博弈成长为世界第一的围棋大师，超越人类几千年积累的经验；风格迁移应用能够自动将用户的照片转变为著名的绘画艺术风格；机器可以在零点几秒内完成翻译，把一种语言译成另一种语言。此外，有关人脸识别、自动驾驶等新技术的应用也都纷纷开始落地。在过去的几年内，人工智能技术不仅在学术上取得了巨大的突破，也开始走向寻常百姓家，真正为人们的生活提供便利。
本书主要为读者介绍这次人工智能浪潮最重要的组成部分深度学习技术，使用的编程框架是谷歌的TensorFlow。借助于谷歌巨大的影响力，TensorFlow一经发布就引起了广泛的关注，目前（截止至2017年底）TensorFlow在Github上已经有了8万4千多个Star，是所有深度学习框架中最多的。
鉴于目前市场上已有很多深度学习和TensorFlow的入门书籍，下面我们着重谈一谈本书与它们的不同之处，主要有以下几点：
实践、应用导向。深度学习需要深厚的数理基础，对于初学者来说不是很友好。本书希望从实践出发，用具体的例子来引导读者学习深度学习技术和TensorFlow编程技巧。我们主要从实用性和趣味性两个方面考量，选择了21个实践项目，其中既有MNIST图像识别这样的入门项目，也有目标检测、人脸识别、时间序列预测这样的实用性项目，还有一些诸如DeepDream这样的趣味性项目。读者可以在实践中找到乐趣，逐渐进步，让学习深度学习和TensorFlow的过程不再那么痛苦。
清晰、有深度的介绍。在写书过程中，我们尽量用简单的语言来描述算法的原理，做到清晰有条理。此外，深度学习是一门还在快速发展的新技术，限于篇幅所限，很多内容不能完全写到书中，我们在大部分章节的末尾列出了拓展阅读材料，有兴趣的读者可以参考拓展材料进一步学习细节知识。
基于TensorFlow1.4版本。TensorFlow的发展非常迅速，本书代码全部基于TensorFlow最新的1.4版本（包括1.4.0和1.4.1），并介绍了TensorFlow的一些新特性，如TimeSeries模块（1.3版本添加）、新的MultiRNNCell函数1.2版本更改等。本书的代码会在如下Github地址上提供，并会随新的TensorFlow版本的发布而同步更新：https：github.comhzy46Deep-Learning-21-Examples。
本书代码推荐的运行环境为：Ubuntu14.04，Python2.7、TensorFlow1.4.0。请尽量使用类Unix系统和Python2来运行本书的代码。
本书主要内容
本书共包括21章，内容编排如下：
第1到第11章主要介绍深度卷积神经相关的项目。其中，第1~3章属于入门章节，主要讨论深度学习中最基础的图像识别问题。第4~7章讨论了其他计算机视觉相关的实践案例，如目标识别、人脸识别、图像风格迁移等。最后，8~11章介绍了GAN模型和它的几个重要变体。
第12到第17章主要介绍RNN、LSTM相关的项目。RNN、LSTM通常用来处理序列型数据，这里第12章是一个入门章节，会详细介绍RNN和LSTM的原理、实现方法和一个应用实例CharRNN。第13到17章讨论一些更复杂也更具体的案例，如序列分类、词嵌入表示、时间序列预测、机器翻译等。
第18到第21章主要介绍强化学习相关的项目。作为基础，第18、19章分别介绍了相对简单的QLearning和SARSA算法，第20章和第21章介绍了更复杂的DQN和策略梯度算法。
如何阅读本书
在阅读此书前，读者应当了解Linux系统的基本操作，并会使用Python进行简单的编程，此外读者还需具备基础的机器学习知识。这本书章节的安排是依据读者对深度学习的了解循序渐进设立的，建议初学者从前至后阅读。由于深度学习和TensorFlow都不大易于理解，我建议读者分几遍阅读本书：
第一遍先简单的浏览一下，看一看书中都有哪些实践项目。当对基本的概念有初步的理解时，就可以尝试配置一下开发环境。
第二遍，从前至后，阅读各章中算法的原理，并运行相应的实践项目。在这个过程中，希望读者能在自己动手的过程中找到学习的乐趣。读者可以对照源代码和书中的内容，深入学习各个模型的细节，此外还可以根据自己的需求对代码进行修改。本书会涉及到大量TensorFlow中的函数，由于篇幅限制，不可能将每一个函数都介绍一遍，书中只会对比较重要的函数进行介绍，读者可以参考TensorFlow的官方文档，查看其他函数的功能说明。
第三遍再根据需要对照源程序看相关章节。此外，读者还可以参阅章节最后的拓展阅读来作进一步学习。最后，如果你是一名深度学习和TensorFlow的精通者，也可以根据需要直接跳读到相关章节，查阅你需要的内容。
致谢
我首先要感谢我的父母，是他们将我养育成人，父母永远健康快乐是我最大的心愿。
感谢互联网时代，感谢网络上数不清的优秀开发者和博主，也感谢谷歌的开源精神，让我们可以如此紧跟时代最前沿的技术，并为技术的进步做出自己微薄的贡献。
我还要真诚地感谢电子工业出版社对这本书的认可和兴趣。感谢电子工业出版社的孙学瑛女士，她的热情推动最终促成了我与电子工业出版社的合作。感谢孙亚东编辑，他对本书的重视和诚恳的建议，在写作过程中给了我莫大的帮助。
最后，感谢刘婧源同学给本书提出的宝贵的意见。
由于本人水平有限，书中不足及错误之处在所难免，敬请专家和读者给予批评指正。如果您想和我进行技术交流，可以发送意见反馈邮件至hzydl21@163.com，亦可在知乎上找到我：https：www.zhihu.compeoplehe-zhi-yuan-16，此外还可以访问书友论坛http：forum.broadview.com.cn。
何之源
2018年1月1日
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
