21个项目玩转深度学习

作品简介

本书以实践为导向，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TensorFlow1.4版本，并介绍了该版本中的一些新特性。

何之源，现为复旦大学人工智能方向在读硕士生。针对Tensorflow早期学习案例不足的情况，在知乎等网站上发表了多篇实践文章，获得了广大读者的肯定。何之源于2012年通过信息学竞赛保送进入复旦大学学习，2016获得复旦大学理学学士学位，并荣获复旦大学优秀学生的称号。同年进入复旦大学计算机学院攻读硕士学位。在编程和机器学习领域有多年一线实践经验。

作品目录

• 前言
• 第1章 MNIST机器学习入门
• 1.1 MNIST数据集
• 1.2 利用TensorFlow识别MNIST
• 1.3 总结
• 第2章 CIFAR-10与ImageNet图像识别
• 2.1 CIFAR-10数据集
• 2.2 利用TensorFlow训练CIFAR-10识别模型
• 2.3 ImageNet图像识别模型
• 2.4 总结
• 第3章 打造自己的图像识别模型
• 3.1 微调的原理
• 3.2 数据准备
• 3.3 使用TensorFlow Slim微调模型
• 3.4 总结
• 第4章 Deep Dream模型
• 4.1 Deep Dream的技术原理
• 4.2 TensorFlow中的Deep Dream模型实践
• 4.3 总结
• 第5章 深度学习中的目标检测
• 5.1 深度学习中目标检测的原理
• 5.2 TensorFlow Object Detection API
• 5.3 总结
• 第6章 人脸检测和人脸识别
• 6.1 MTCNN的原理
• 6.2 使用深度卷积网络提取特征
• 6.3 使用特征设计应用
• 6.4 在TensorFlow中实现人脸识别
• 6.5 总结
• 第7章 图像风格迁移
• 7.1 图像风格迁移的原理
• 7.2 在TensorFlow中实现快速风格迁移
• 7.3 总结
• 第8章 GAN和DCGAN入门
• 8.1 GAN的原理
• 8.2 DCGAN的原理
• 8.3 在TensorFlow中用DCGAN生成图像
• 8.4 总结
• 第9章 pix2pix模型与自动上色技术
• 9.1 cGAN的原理
• 9.2 pix2pix模型的原理
• 9.3 TensorFlow中的pix2pix模型<sup>1</sup>
• 9.4 使用TensorFlow为灰度图像自动上色
• 9.5 总结
• 第10章 超分辨率：如何让图像变得更清晰
• 10.1 数据预处理与训练
• 10.2 总结
• 第11章 CycleGAN与非配对图像转换
• 11.1 CycleGAN的原理
• 11.2 在TensorFlow中用训练CycleGAN模型
• 11.3 程序结构分析
• 11.4 总结
• 第12<sub>章</sub>RNN基本结构与Char RNN文本生成
• 12.1 RNN的原理
• 12.2 LSTM的原理
• 12.3 Char RNN的原理
• 12.4 TensorFlow中的RNN实现方式
• 12.5 使用TensorFlow实现Char RNN
• 12.6 总结
• 第13章 序列分类问题详解
• 13.1 N VS 1的RNN结构
• 13.2 序列分类问题与数据生成
• 13.3 在TensorFlow中定义RNN分类模型
• 13.4 模型的推广
• 13.5 总结
• 第14章 词的向量表示：word2vec与词嵌入
• 14.1 为什么需要做词嵌入
• 14.2 词嵌入的原理
• 14.3 在TensorFlow中实现词嵌入
• 14.4 总结
• 第15章 在TensorFlow中进行时间序列预测
• 15.1 时间序列问题的一般形式
• 15.2 用TFTS读入时间序列数据
• 15.3 使用AR模型预测时间序列
• 15.4 使用LSTM模型预测时间序列
• 15.5 总结
• 第16章 神经网络机器翻译技术
• 16.1 Encoder-Decoder模型的原理
• 16.2 注意力机制
• 16.3 使用TensorFlow NMT搭建神经网络翻译引擎
• 16.4 TensorFlow NMT源码简介
• 16.5 总结
• 第17章 看图说话：将图像转换为文字
• 17.1 Image Caption技术综述
• 17.2 在TensorFlow中实现Image Caption
• 17.3 总结
• 第18章 强化学习入门之Q Learning
• 18.1 强化学习中的几个核心概念
• 18.2 Q Learning的原理与实验
• 18.3 总结
• 第19章 强化学习入门之SARSA算法
• 19.1 SARSA 算法的原理
• 19.2 SARSA 算法的实现
• 19.3 总结
• 第20章 深度强化学习：Deep Q Learning
• 20.1 DQN算法的原理
• 20.2 在TensorFlow中运行DQN算法
• 20.3 在TensorFlow中DQN算法的实现分析
• 20.4 总结
• 第21<sub>章</sub>策略梯度算法
• 21.1 策略梯度算法的原理
• 21.2 在TensorFlow中实现策略梯度算法
• 21.3 总结