TensorFlow深度學(xué)習實(shí)戰簡(jiǎn)介，目錄書(shū)摘

內容簡(jiǎn)介:本書(shū)將介紹如何有效地使用Google的開(kāi)源框架TensorFlow進(jìn)行深度學(xué)習。通過(guò)學(xué)習，你將實(shí)現不同的深度學(xué)習網(wǎng)絡(luò )，如卷積神經(jīng)網(wǎng)絡(luò )（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò )（RNN）、深度Q learning網(wǎng)絡(luò )（DQN）和生成對抗網(wǎng)絡(luò )（GAN），以及如何使用TensorFlow的高級封裝Keras工具。

目錄:譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第1章　TensorFlow簡(jiǎn)介 1
1.1　引言 1
1.2　TensorFlow安裝 2
1.3　Hello world 6
1.4　理解TensorFlow程序結構 8
1.5　常量、變量和占位符 10
1.6　使用TensorFlow 執行矩陣操作 15
1.7　使用數據流圖 17
1.8　從0.x遷移到1.x 18
1.9　使用XLA提升運算性能 19
1.10　調用CPU/GPU設備 21
1.11　TensorFlow與深度學(xué)習 24
1.12　DNN問(wèn)題需要的Python包 28
第2章　回歸 30
2.1　引言 30
2.2　選擇損失函數 31
2.3　TensorFlow中的優(yōu)化器 33
2.4　讀取CSV文件和數據預處理 36
2.5　房?jì)r(jià)估計——簡(jiǎn)單線(xiàn)性回歸 39
2.6　房?jì)r(jià)估計——多元線(xiàn)性回歸 42
2.7　MNIST數據集的邏輯回歸 45
第3章　神經(jīng)網(wǎng)絡(luò )——感知機 50
3.1　引言 50
3.2　激活函數 52
3.3　單層感知機 58
3.4　計算反向傳播算法的梯度 60
3.5　使用MLP實(shí)現MNIST分類(lèi)器 63
3.6　使用MLP逼近函數來(lái)預測波士頓房?jì)r(jià) 66
3.7　調整超參數 71
3.8　高級API——Keras 72
第4章　卷積神經(jīng)網(wǎng)絡(luò ) 75
4.1　引言 75
4.2　創(chuàng )建一個(gè)ConvNet來(lái)分類(lèi)手寫(xiě)MNIST數字 79
4.3　創(chuàng )建一個(gè)ConvNet來(lái)分類(lèi)CIFAR-10數據集 84
4.4　用VGG19做風(fēng)格遷移的圖像重繪 87
4.5　使用預訓練的VGG16網(wǎng)絡(luò )進(jìn)行遷移學(xué)習 96
4.6　創(chuàng )建DeepDream網(wǎng)絡(luò ) 100
第5章　高級卷積神經(jīng)網(wǎng)絡(luò ) 105
5.1　引言 105
5.2　為情感分析創(chuàng )建一個(gè)ConvNet 106
5.3　檢驗VGG預建網(wǎng)絡(luò )學(xué)到的濾波器 109
5.4　使用 VGGNet、ResNet、Inception和Xception分類(lèi)圖像 113
5.5　重新利用預建深度學(xué)習模型進(jìn)行特征提取 125
5.6　用于遷移學(xué)習的深層InceptionV3網(wǎng)絡(luò ) 126
5.7　使用擴張ConvNet、WaveNet和 NSynth生成音樂(lè ) 129
5.8　關(guān)于圖像的問(wèn)答 134
5.9　利用預訓練網(wǎng)絡(luò )進(jìn)行視頻分類(lèi)的6種方法 140
第6章　循環(huán)神經(jīng)網(wǎng)絡(luò ) 144
6.1　引言 144
6.2　神經(jīng)機器翻譯——seq2seq RNN訓練 150
6.3　神經(jīng)機器翻譯——seq2seq RNN推理 156
6.4　你所需要的是注意力—另一個(gè)seq2seq RNN例子 157
6.5　使用RNN像莎士比亞一樣寫(xiě)作 161
6.6　基于RNN學(xué)習預測比特幣價(jià)格 165
6.7　多對一和多對多的RNN例子 174
第7章　無(wú)監督學(xué)習 176
7.1　引言 176
7.2　主成分分析 176
7.3　k均值聚類(lèi) 181
7.4　自組織映射 186
7.5　受限玻爾茲曼機 191
7.6　基于RBM的推薦系統 196
7.7　用DBN進(jìn)行情緒檢測 198
第8章　自動(dòng)編碼機 205
8.1　引言 205
8.2　標準自動(dòng)編碼機 207
8.3　稀疏自動(dòng)編碼機 212
8.4　去噪自動(dòng)編碼機 217
8.5　卷積自動(dòng)編碼機 221
8.6　堆疊自動(dòng)編碼機 225
第9章　強化學(xué)習 231
9.1　引言 231
9.2　學(xué)習OpenAI Gym 232
9.3　用神經(jīng)網(wǎng)絡(luò )智能體玩Pac-Man游戲 235
9.4　用Q learning玩Cart-Pole平衡游戲 238
9.5　用DQN玩Atari游戲 244
9.6　用策略梯度網(wǎng)絡(luò )玩Pong游戲 252
第10章　移動(dòng)端計算 259
10.1　引言 259
10.2　安裝適用于macOS和Android的TensorFlow mobile 260
10.3　玩轉TensorFlow和Android的示例 265
10.4　安裝適用于macOS和iPhone的TensorFlow mobile 268
10.5　為移動(dòng)設備優(yōu)化TensorFlow計算圖 271
10.6　為移動(dòng)設備分析TensorFlow計算圖 273
10.7　為移動(dòng)設備轉換TensorFlow計算圖 275
第11章　生成式模型和CapsNet 278
11.1　引言 278
11.2　學(xué)習使用簡(jiǎn)單GAN虛構MNIST圖像 284
11.3　學(xué)習使用DCGAN虛構MNIST圖像 289
11.4　學(xué)習使用DCGAN虛構名人面孔和其他數據集 294
11.5　實(shí)現變分自動(dòng)編碼機 297
11.6　學(xué)習使用膠囊網(wǎng)絡(luò )擊敗MNIST前期的最新成果 305
第12章　分布式TensorFlow和云深度學(xué)習 319
12.1　引言 319
12.2　在GPU上使用TensorFlow 322
12.3　玩轉分布式TensorFlow：多個(gè)GPU和一個(gè)CPU 323
12.4　玩轉分布式TensorFlow：多服務(wù)器 324
12.5　訓練分布式TensorFlow MNIST分類(lèi)器 326
12.6　基于Docker使用TensorFlow Serving 328
12.7　使用計算引擎在谷歌云平臺上運行分布式TensorFlow 330
12.8　在谷歌CloudML上運行分布式TensorFlow 333
12.9　在Microsoft Azure上運行分布式TensorFlow 334
12.10　在A(yíng)mazon AWS上運行分布式TensorFlow 337
附錄A　利用AutoML學(xué)會(huì )學(xué)習（元學(xué)習） 342
附錄B　TensorFlow處理器 350