TensorFlow深度學(xué)習(xí)實(shí)戰(zhàn)大全
不知不覺，人工智能已經(jīng)走入我們的生活，尤其是圖像識別、文本識別、語音識別、自然語言等技術(shù)。這些應(yīng)用的核心技術(shù)就是深度學(xué)習(xí)，也正是本書的核心內(nèi)容。
本書以TensorFlow為核心，分為3篇，共計15章節(jié)。第1篇是基礎(chǔ)篇（第1~5章），主要介紹什么是深度學(xué)習(xí)、深度學(xué)習(xí)的本質(zhì)是什么、深度學(xué)習(xí)所使用的教材和方法，以及深度學(xué)習(xí)在圖像識別（MNIST）領(lǐng)域的應(yīng)用。第2篇是發(fā)展演變篇（第6~14章），主要介紹在圖像識別領(lǐng)域深度學(xué)習(xí)技術(shù)的發(fā)展與演變。主要是以ImageNet挑戰(zhàn)賽為線索、以ImageNet挑戰(zhàn)賽中的冠軍模型為主干，介紹了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程、遇到的主要挑戰(zhàn)、思路和對策，以及各種冠軍模型的模型架構(gòu)與模型訓(xùn)練。第3篇是前沿篇（第15章），介紹了生成對抗神經(jīng)網(wǎng)絡(luò)（GAN），它是一種能夠自動生成圖像的神經(jīng)網(wǎng)絡(luò)，這是與之前介紹的各種用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)最顯著的區(qū)別。
本書講解細(xì)致、深入淺出，即使沒有機(jī)器學(xué)習(xí)的基礎(chǔ)，也能快速學(xué)會，同時適合任何對深度學(xué)習(xí)技術(shù)或人工智能相關(guān)領(lǐng)域感興趣的從業(yè)人員學(xué)習(xí)使用。
李明軍，畢業(yè)于華北理工大學(xué)，目前就職于Teradata公司（天睿公司，美國前十大上市軟件公司之一），是一個在信息和通信技術(shù)ICT（(Information and Communication Technology) ）行業(yè)工作了16年的IT老兵，公司研發(fā)部技術(shù)總監(jiān)，有十多年開發(fā)經(jīng)驗(yàn)，擅長大數(shù)據(jù)分析、數(shù)據(jù)倉庫、人工智能和數(shù)據(jù)治理等。
第1篇 基礎(chǔ)篇
第1章 深度學(xué)習(xí)基礎(chǔ)
1.1 人工智能與機(jī)器學(xué)習(xí) 1
1.2 機(jī)器是怎樣學(xué)習(xí)的3
1.3 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)6
1.4 機(jī)器學(xué)習(xí)的教材10
1.5 機(jī)器學(xué)習(xí)的分類11
1.6 本章小結(jié) 15
第2章 深度學(xué)習(xí)原理
2.1 什么是深度學(xué)習(xí)17
2.2 為什么需要深度學(xué)習(xí) 17
2.3 深層神經(jīng)網(wǎng)絡(luò)21
2.4 深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練24
2.5 深層神經(jīng)網(wǎng)絡(luò)優(yōu)化35
2.6 本章小結(jié)40
第3章 TensorFlow安裝
3.1 在macOS上安裝TensorFlow41
3.2 在Windows上安裝TensorFlow49
3.3 在Ubuntu上安裝TensorFlow52
3.4 本章小結(jié)64
第4章 TensorFlow入門
4.1 TensorFlow編程環(huán)境65
4.2 TensorFlow運(yùn)行機(jī)制66
4.3 數(shù)據(jù)類型—張量78
4.4 數(shù)據(jù)操作86
4.5 使用Estimator開發(fā)112
4.6 使用LinearEstimator的示例 126
4.7 本章小結(jié)136
第5章 手寫數(shù)字識別
5.1 MNIST數(shù)據(jù)集簡介137
5.2 手寫數(shù)字識別示例143
5.3 手寫數(shù)字識別優(yōu)化152
5.4 尋找最優(yōu)模型165
5.5 本章小結(jié) 176
第2篇 發(fā)展演變篇
第6章 圖像識別
6.1 CIFAR數(shù)據(jù)集簡介178
6.2 ImageNet數(shù)據(jù)集簡介180
6.3 圖像識別的關(guān)鍵及特點(diǎn) 182
6.4 卷積神經(jīng)網(wǎng)絡(luò)原理184
6.5 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建 188
6.6 卷積神經(jīng)網(wǎng)絡(luò)示例 196
6.7 本章小結(jié) 208
第7章 卷積神經(jīng)網(wǎng)絡(luò)起源及原理
7.1 多層架構(gòu) 209
7.2 卷積神經(jīng)網(wǎng)絡(luò) 210
7.3 Neocognitron210
7.4 LeNet簡介211
7.5 本章小結(jié) 212
第8章 AlexNet
8.1 網(wǎng)絡(luò)架構(gòu)213
8.2 主要特點(diǎn)214
8.3 后續(xù)影響 219
8.4 本章小結(jié) 219
第9章 VGGNet
9.1 網(wǎng)絡(luò)架構(gòu) 221
9.2 主要特點(diǎn) 223
9.3 其他技巧和貢獻(xiàn)224
9.4 本章小結(jié) 228
第10章 Inception
10.1 Inception名稱由來229
10.2 背景問題分析229
10.3 架構(gòu)設(shè)計思路230
10.4 網(wǎng)絡(luò)架構(gòu) 232
10.5 Inception實(shí)戰(zhàn)236
10.6 本章小結(jié) 278
第11章 Inception v2 和Inception v3
11.1 指導(dǎo)原則 279
11.2 具體措施 280
11.3 卷積分解 280
11.4 并行池化 282
11.5 旁路分類器 284
11.6 批量標(biāo)準(zhǔn)化 284
11.7 低分辨率輸入的性能 287
11.8 其他技巧 288
11.9 網(wǎng)絡(luò)架構(gòu) 288
11.10 后續(xù)影響 290
11.11 Inception v2實(shí)戰(zhàn)291
11.12 Inception v3實(shí)戰(zhàn)301
11.13 本章小結(jié)320
第12章 ResNet
12.1 退化問題 321
12.2 原因分析 322
12.3 殘差模塊 322
12.4 降采樣殘差模塊323
12.5 網(wǎng)絡(luò)架構(gòu) 324
12.6 ResNet實(shí)戰(zhàn) 326
12.7 主要優(yōu)點(diǎn) 334
12.8 本章小結(jié) 334
第13章 Inception v4
13.1 Inception v4網(wǎng)絡(luò)架構(gòu) 335
13.2 Inception-ResNet模塊336
13.3 Inception-ResNet網(wǎng)絡(luò)架構(gòu)337
13.4 主要貢獻(xiàn) 338
13.5 本章小結(jié) 338
第14章 DenseNet
14.1 DenseNet網(wǎng)絡(luò)339
14.2 網(wǎng)絡(luò)架構(gòu) 340
14.3 實(shí)現(xiàn)方法 344
14.4 主要優(yōu)點(diǎn) 346
14.5 DenseNet實(shí)戰(zhàn)347
14.6 本章小結(jié) 354
第3篇 前沿篇
第15章 生成對抗神經(jīng)網(wǎng)絡(luò)
15.1 生成對抗神經(jīng)網(wǎng)絡(luò)簡介356
15.2 生成對抗神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)358
15.3 生成對抗神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)361
15.4 本章小結(jié) 376
書單推薦
