21个项目玩转深度学习 基于TensorFlow的实践详解2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

21个项目玩转深度学习 基于TensorFlow的实践详解PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 MNIST机器学习入门1

1.1 MNIST数据集1

1.1.1 简介1

1.1.2 实验：将MNIST数据集保存为图片4

1.1.3 图像标签的独热表示6

1.2 利用TensorFlow识别MNIST7

1.2.1 Softmax回归7

1.2.2 两层卷积网络分类13

1.3 总结17

第2章 CIFAR-10与ImageNet图像识别19

2.1 CIFAR-10数据集19

2.1.1 CIFAR-10数据集简介19

2.1.2 下载CIFAR-10数据21

2.1.3 TensorFlow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29

2.2 利用TensorFlow训练CIFAR-10识别模型33

2.2.1 数据增强33

2.2.2 CIFAR-10识别模型35

2.2.3 训练模型37

2.2.4 在TensorFlow中查看训练进度38

2.2.5 测试模型效果40

2.3 ImageNet图像识别模型43

2.3.1 ImageNet数据集简介43

2.3.2 历代ImageNet图像识别模型44

2.4 总结47

第3章 打造自己的图像识别模型49

3.1 微调的原理49

3.2 数据准备51

3.3 使用TensorFlow Slim微调模型54

3.3.1 下载TensorFlow Slim的源代码54

3.3.2 定义新的datasets文件55

3.3.3 准备训练文件夹57

3.3.4 开始训练58

3.3.5 训练程序行为60

3.3.6 验证模型准确率61

3.3.7 TensorBoard可视化与超参数选择62

3.3.8 导出模型并对单张图片进行识别64

3.4 总结67

第4章 Deep Dream模型68

4.1 Deep Dream的技术原理68

4.2 TensorFlow中的Deep Dream模型实践70

4.2.1 导入Inception模型70

4.2.2 生成原始的Deep Dream图像73

4.2.3 生成更大尺寸的Deep Dream图像76

4.2.4 生成更高质量的Deep Dream图像79

4.2.5 最终的Deep Dream模型84

4.3 总结87

第5章 深度学习中的目标检测88

5.1 深度学习中目标检测的原理89

5.1.1 R-CNN的原理89

5.1.2 SPPNet的原理90

5.1.3 Fast R-CNN的原理93

5.1.4 Faster R-CNN的原理94

5.2 TensorFlow Object Detection API97

5.2.1 安装TensorFlow Object Detection API97

5.2.2 执行已经训练好的模型99

5.2.3 训练新的模型104

5.2.4 导出模型并预测单张图片108

5.3 总结109

第6章 人脸检测和人脸识别111

6.1 MTCNN的原理111

6.2 使用深度卷积网络提取特征116

6.2.1 三元组损失的定义118

6.2.2 中心损失的定义119

6.3 使用特征设计应用121

6.4 在TensorFlow中实现人脸识别121

6.4.1 项目环境设置121

6.4.2 LFW人脸数据库122

6.4.3 LFW数据库上的人脸检测和对齐124

6.4.4 使用已有模型验证LFW数据库准确率125

6.4.5 在自己的数据上使用已有模型126

6.4.6 重新训练新模型128

6.4.7 三元组损失和中心损失的定义133

6.5 总结135

第7章 图像风格迁移137

7.1 图像风格迁移的原理137

7.1.1 原始图像风格迁移的原理137

7.1.2 快速图像风格迁移的原理143

7.2 在TensorFlow中实现快速风格迁移144

7.2.1 使用预训练模型145

7.2.2 训练自己的模型148

7.2.3 在TensorBoard中监控训练情况150

7.2.4 项目实现细节152

7.3 总结157

第8章 GAN和DCGAN入门158

8.1 GAN的原理158

8.2 DCGAN的原理160

8.3 在TensorFlow中用DCGAN生成图像163

8.3.1 生成MNIST图像164

8.3.2 使用自己的数据集训练165

8.3.3 程序结构分析：如何将图像读入模型167

8.3.4 程序结构分析：可视化方法171

8.4 总结174

第9章 pix2pix模型与自动上色技术176

9.1 cGAN的原理176

9.2 pix2pix模型的原理178

9.3 TensorFlow中的pix2pix模型181

9.3.1 执行已有的数据集181

9.3.2 创建自己的数据集185

9.4 使用TensorFlow为灰度图像自动上色188

9.4.1 为食物图片上色188

9.4.2 为动漫图片上色190

9.5 总结192

第10章 超分辨率：如何让图像变得更清晰193

10.1 数据预处理与训练193

10.1.1 去除错误图片193

10.1.2 将图像裁剪到统一大小196

10.1.3 为代码添加新的操作196

10.2 总结202

第11章 CycleGAN与非配对图像转换203

11.1 CycleGAN的原理203

11.2 在TensorFlow中用训练CycleGAN模型205

11.2.1 下载数据集并训练205

11.2.2 使用自己的数据进行训练209

11.3 程序结构分析212

11.4 总结215

第12章 RNN基本结构与Char RNN文本生成217

12.1 RNN的原理217

12.1.1 经典RNN的结构217

12.1.2 NVS1RNN的结构221

12.1.3 1 VSN RNN的结构221

12.2 LSTM的原理223

12.3 Char RNN的原理227

12.4 TensorFlow中的RNN实现方式229

12.4.1 实现RNN的基本单元：RNNCell229

12.4.2 对RNN进行堆叠：MultiRNNCell231

12.4.3 BasicRNNCell和BasicLSTMCell的output231

12.4.4 使用tf.nn.dynamic＿rnn展开时间维度232

12.5 使用TensorFlow实现Char RNN233

12.5.1 定义输入数据234

12.5.2 定义多层LSTM模型235

12.5.3 定义损失236

12.5.4 训练模型与生成文字237

12.5.5 更多参数说明241

12.5.6 运行自己的数据241

12.6 总结242

第13章 序列分类问题详解243

13.1 N VS 1的RNN结构243

13.2 序列分类问题与数据生成244

13.3 在TensorFlow中定义RNN分类模型248

13.3.1 定义模型前的准备工作248

13.3.2 定义RNN分类模型249

13.3.3 定义损失并进行训练251

13.4 模型的推广252

13.5 总结253

第14章 词的向量表示：word2vec与词嵌入254

14.1 为什么需要做词嵌入254

14.2 词嵌入的原理255

14.2.1 CBOW实现词嵌入的原理256

14.2.2 Skip-Gram实现词嵌入的原理259

14.3 在TensorFlow中实现词嵌入259

14.3.1 下载数据集259

14.3.2 制作词表261

14.3.3 生成每步的训练样本263

14.3.4 定义模型265

14.3.5 执行训练267

14.3.6 可视化270

14.4 总结273

第15章 在TensorFlow中进行时间序列预测274

15.1 时间序列问题的一般形式274

15.2 用TFTS读入时间序列数据275

15.2.1 从Numpy数组中读入时间序列数据275

15.2.2 从CSV文件中读入时间序列数据279

15.3 使用AR模型预测时间序列280

15.3.1 AR模型的训练280

15.3.2 AR模型的验证和预测282

15.4 使用LSTM模型预测时间序列284

15.4.1 LSTM模型中的单变量时间序列预测284

15.4.2 LSTM模型中的多变量时间序列预测286

15.5 总结288

第16章 神经网络机器翻译技术289

16.1 Encoder-Decoder模型的原理289

16.2 注意力机制291

16.3 使用TensorFlow NMT搭建神经网络翻译引擎294

16.3.1 示例：将越南语翻译为英语295

16.3.2 构建中英翻译引擎299

16.4 TensorFlow NMT源码简介302

16.5 总结304

第17章 看图说话：将图像转换为文字306

17.1 Image Caption技术综述306

17.1.1 从Encoder-Decoder结构谈起306

17.1.2 将Encoder-Decoder应用到Image Caption任务中308

17.1.3 对Encoder-Decoder的改进1：加入注意力机制309

17.1.4 对Encoder-Decoder的改进2：加入高层语义311

17.2 在TensorFlow中实现Image Caption313

17.2.1 下载代码313

17.2.2 环境准备313

17.2.3 编译和数据准备314

17.2.4 训练和验证315

17.2.5 测试单张图片316

17.3 总结317

第18章 强化学习入门之Q Learning318

18.1 强化学习中的几个核心概念318

18.2 Q Learning的原理与实验320

18.2.1 环境定义320

18.2.2 Q函数323

18.2.3 Q函数的学习策略323

18.2.4 ∈-greedy策略325

18.2.5 简单的Q Learning示例325

18.2.6 更复杂的情况326

18.3 总结327

第19章 强化学习入门之SARSA算法328

19.1 SARSA算法的原理328

19.1.1 通过与Q Learning对比学习SARSA算法328

19.1.2 off-policy与on-policy330

19.2 SARSA算法的实现330

19.3 总结332

第20章 深度强化学习：Deep Q Learning333

20.1 DQN算法的原理333

20.1.1 问题简介333

20.1.2 Deep Q Network335

20.1.3 训练方法336

20.2 在TensorFlow中运行DQN算法337

20.2.1 安装依赖库337

20.2.2 训练338

20.2.3 测试340

20.3 在TensorFlow中DQN算法的实现分析341

20.4 总结343

第21章 策略梯度算法345

21.1 策略梯度算法的原理345

21.1.1 Cartpole游戏345

21.1.2 策略网络346

21.1.3 训练策略网络347

21.2 在TensorFlow中实现策略梯度算法348

21.2.1 初始化349

21.2.2 定义策略网络349

21.2.3 训练351

21.3 总结354