21个项目玩转深度学习 基于TensorFlow的实践详解pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

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

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

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MNIST 7

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 API 97

5.2.1 安装TensorFlow Object Detection API 97

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：RNNCell 229

12.4.2 对RNN进行堆叠：MultiRNNCell 231

12.4.3 BasicRNNCell和BasicLSTMCell的output 231

12.4.4 使用tf.nn.dynamic＿rnn展开时间维度 232

12.5 使用TensorFlow实现Char RNN 233

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 Caption 313

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 Learning 318

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-policy 330

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 Learning 333

20.1 DQN算法的原理 333

20.1.1 问题简介 333

20.1.2 Deep Q Network 335

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