《21个项目玩转深度学习》内容简介

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¹
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_章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_章策略梯度算法
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