《TensorFlow 2.0神经网络实践》内容简介

本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速开发过程。学完本书之后，读者将能够使用TF 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。
保罗·加莱奥内（Paolo Galeone）是一位具有丰富实践经验的计算机工程师。获得硕士学位后，他加入了意大利博洛尼亚大学的计算机视觉实验室，担任研究员，在那里他丰富了自己在计算机视觉和机器学习领域的知识，致力于广泛的研究课题。目前，他领导着意大利ZURU科技公司的计算机视觉和机器学习实验室。

作品目录

译者序
前言
作者简介
审校者简介
第一部分
神经网络基础
第1章：什么是机器学习
1.1、数据集的重要性
1.2、有监督学习
1.3、无监督学习
1.4、半监督学习
1.5、总结
1.6、练习题
第2章：神经网络与深度学习
2.1、神经网络
2.2、优化
2.3、卷积神经网络
2.4、正则化
2.5、总结
2.6、练习题
第二部分
TensorFlow基础
第3章：TensorFlow图架构
3.1、环境设置
3.2、数据流图
3.3、模型定义和训练
3.4、用Python操作图
3.5、总结
3.6、练习题
第4章：TensorFlow
2.0架构
4.1、重新学习这个框架
4.2、Keras框架及其模型
4.3、eager执行模式和新的特征
4.4、代码库迁移
4.5、总结
4.6、练习题
第5章：高效的数据输入流水线和估计器API
5.1、高效的数据输入流水线
5.2、估计器API
5.3、总结
5.4、练习题
第三部分
神经网络应用
第6章：使用TensorFlow
Hub进行图像分类
6.1、获取数据
6.2、迁移学习
6.3、微调
6.4、总结
6.5、练习题
第7章：目标检测
7.1、获取数据
7.2、目标定位
7.3、分类和定位
7.4、总结
7.5、练习题
第8章：语义分割和自定义数据集生成器
8.1、语义分割
8.2、创建一个TensorFlow数据集生成器
8.3、模型训练与评估
8.4、总结
8.5、练习题
第9章：生成式对抗网络
9.1、了解GAN及其应用
9.2、无条件的GAN
9.3、有条件的GAN
9.4、总结
9.5、练习题
第10章：在生产环境中部署模型
10.1、SavedModel序列化格式
10.2、Python部署
10.3、支持部署的平台
10.4、总结
10.5、练习题