新書推薦:
《
活在民國也不錯:從庶民到政客,從文人到藝人,從穿衣吃飯,到買房、談戀愛、辦會館......完整重現民初風範百態史(搭配近百幅民初珍貴老照片)
》
售價:HK$
124.7
《
駕馭不適圈:成功人士跳脫舒適圈、超越痛苦、與壓力共處的123間歇心法
》
售價:HK$
103.9
《
專注做事、精簡做人的極簡工作法:聚焦四種職場關係,做關鍵重要的事,不拖泥帶水,過快意人生
》
售價:HK$
103.9
《
量子領導 非權威影響力:不動用權威便讓人自願跟隨,喚醒人才天賦,創造團隊奇蹟的祕密
》
售價:HK$
112.8
《
媳婦,也是別人家的掌上明珠:從「好媳婦病」中徹底痊癒、覺醒的逆媳養成記
》
售價:HK$
95.0
《
漢語語音發展史:歷史語言學的理論與實踐
》
售價:HK$
201.9
《
物聯網實戰:使用樹莓派/Arduino/ESP8266 NodeMCU/Python/Node-RED打造安全監控系統
》
售價:HK$
148.4
《
日本歷史人物:大河劇中的幕末.戰國
》
售價:HK$
107.7
|
內容簡介: |
本書把最尖端的21個人工智慧應用,用最簡單的TensorFlow程式碼實作出來,對大家會有疑義的地方,作者更花功夫用程式講解,這21個夢幻般的範例讓你搖身一變,成為真正活用TensorFlow的專家。
適用:有機器學習基礎者,希望深入研究TensorFlow和深度學習演算法的工程師,對人工智慧、深度學習感興趣的學生,希望進入大數據應用的研究者。
*書附內容:本書程式可至本公司官網:www.topteam.cc下載,各章的data則需要讀者自行至網路上下載。
本書特色:
■以實作、應用導向。深度學習需要深厚的數理基礎,對初學者有一定難度。本書從實作出發,用實例來啟動讀者學習深度學習技術和TensorFlow程式設計技巧。從實用性和趣味性二方面考量,選擇21個實作專案,其中既有MNIST影像識別入門專案,也有目標檢測、人臉識別、時間序列預測實用性專案,還有一些諸如DeepDream趣味性專案。讀者可以在實作中找到樂趣,逐漸進步,讓學習深度學習和TensorFlow不再那麼痛苦。
■清晰而有深度的介紹。儘量用簡單的語言描述演算法的原理,做到清晰而有條理。此外,深度學習是一種還在快速發展的新技術,限於篇幅,很多內容不能完全展開,在大部分章節的尾端列出「擴充閱讀」材料,有興趣的讀者可以參考進一步學習。
■基於TensorFlow1.4及以上版本。本書程式全部基於TensorFlow1.4及以上版本,並介紹TensorFlow的一些新特性,如TimeSeries模組(1.3版本增加)、新的MultiRNNCell函數(1.2版本更改)等。
|
關於作者: |
何之源
知乎專欄AIInsight作者。針對Tensorflow早期學習案例不足的情況,在網上撰寫大量實作文章與TensorFlow教程,風格清晰易懂又不失深度,獲得廣大讀者的肯定。熱愛程式設計,在人工智慧和深度學習領域有豐富的實作經驗。
|
目錄:
|
01MNIST機器學習入門
1.1MNIST資料集
1.2利用TensorFlow識別MNIST
1.3歸納
02CIFAR-10與ImageNet影像識別
2.1CIFAR-10資料集
2.2利用TensorFlow訓練CIFAR-10識別模型
2.3ImageNet影像識別模型
2.4歸納
03打造自己的影像識別模型
3.1微調的原理
3.2資料準備
3.3使用TensorFlowSlim微調模型
3.4歸納
04DeepDream模型
4.1DeepDream的技術原理
4.2TensorFlow中的DeepDream模型實作
4.3歸納
05深度學習中的目標檢測
5.1深度學習中目標檢測的原理
5.2TensorFlowObjectDetectionAPI
5.3歸納
06人臉檢測和人臉識別
6.1MTCNN的原理
6.2使用深度旋積網路分析特徵
6.3使用特徵設計應用
6.4在TensorFlow中實現人臉識別
6.5歸納
07影像風格移轉
7.1影像風格移轉的原理
7.2在TensorFlow中實現快速風格移轉
7.3歸納
08GAN和DCGAN入門
8.1GAN的原理
8.2DCGAN的原理
8.3在TensorFlow中用DCGAN產生影像
8.4歸納
09pix2pix模型與自動著色技術
9.1cGAN的原理
9.2pix2pix模型的原理
9.3TensorFlow中的pix2pix模型
9.4使用TensorFlow為灰階影像自動著色
9.5歸納
10超解析度:如何讓影像變得更清晰
10.1資料前置處理與訓練
10.2歸納
11CycleGAN與非配對影像轉換
11.1CycleGAN的原理
11.2在TensorFlow中用訓練CycleGAN模型
11.3程式結構分析
11.4歸納
12RNN基本結構與CharRNN文字產生
12.1RNN的原理
12.2LSTM的原理
12.3CharRNN的原理
12.4TensorFlow中的RNN實現方式
12.5使用TensorFlow實現CharRNN
12.6歸納
13序列分類問題詳解
13.1NVS1的RNN結構
13.2序列分類問題與資料產生
13.3在TensorFlow中定義RNN分類模型
13.4模型的推廣
13.5歸納
14詞的向量表示:word2vec與詞嵌入
14.1為什麼需要做詞嵌入
14.2詞嵌入的原理
14.3在TensorFlow中實現詞嵌入
14.4歸納
15在TensorFlow中進行時間序列預測
15.1時間序列問題的一般形式
15.2用TFTS讀取時間序列資料
15.3使用AR模型預測時間序列
15.4使用LSTM模型預測時間序列
15.5歸納
16神經網路機器翻譯技術
16.1Encoder-Decoder模型的原理
16.2注意力機制
16.3使用TensorFlowNMT架設神經網路翻譯引擎
16.4TensorFlowNMT原始程式簡介
16.5歸納
17看圖說話:將影像轉為文字
17.1ImageCaption技術整體說明
17.2在TensorFlow中實現ImageCaption
17.3歸納
18強化學習入門之QLearning
18.1強化學習中的幾個核心概念
18.2QLearning的原理與實驗
18.3歸納
19強化學習入門之SARSA演算法
19.1SARSA演算法的原理
19.2SARSA演算法的實現
19.3歸納
20深度強化學習:DeepQLearning
20.1DQN演算法的原理
20.2在TensorFlow中執行DQN演算法
20.3在TensorFlow中DQN演算法的實現分析
20.4歸納
21策略梯度演算法
21.1策略梯度演算法的原理
21.2在TensorFlow中實現策略梯度演算法
21.3歸納
|
|