深度學習私房菜：跟著案例學TensorFlow ( 簡體 字) |
| 作者：程世東 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51492
詢問書籍請說出此書號！【缺書】
NT售價： 640 元 |
| 出版日：7/1/2019 |
| 頁數：484 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121364990 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：在過去的幾年中，人工智能和深度學習是一個不斷被提及的話題，最令大眾熟知的恐怕就是
AlphaGo 與柯潔、李世?的圍棋大戰了。而最近，人工智能OpenAI Five 在DOTA 2 的比賽中擊敗
了世界冠軍OG，人工智能的發展總會給人帶來驚喜。除了上述“大事件”，人工智能和深度學習
早就深入我們的生活當中，比如無人駕駛汽車、人臉識別，或者訂外賣時App 給我們做的推薦。
在經歷了互聯網、移動互聯網的浪潮之后，可以說現在我們已經步入了人工智能的時代。
我第一次接觸機器學習和深度學習時就被深深地吸引了，感覺自己就像一塊海綿被投入到大
海里，看書、看視頻、看源碼，學習新的知識使我感到非常興奮。相信此刻的你也跟當年學習的
我的狀態是一樣的吧，本書將我對深度學習的理解、從開源社區學到的知識分享給大家，希望能
為你的學習提供一些幫助。
本書以案例的形式，講解各種深度學習理論和相應場景的實踐，包含TensorFlow 1.x 和TensorFlow
2.0 的代碼實現。全書共分10 章。第1 章講解了卷積神經網絡理論知識，第2 章講解了如
何進行CIFAR-100 圖像分類實踐。第3 章介紹了循環神經網絡（RNN 和LSTM），以及在彩票預
測和古詩生成上的實踐。在第3 章的最后，介紹了Seq2Seq、Transformer 和BERT 模型。第4 章
以電影推薦系統為例，分享了推薦系統的實現。第5 章介紹了廣告點擊率預測。第6 章講解了人
臉識別的實踐，包含使用OpenCV、dlib 和MTCNN 進行人臉檢測，使用dlib、FaceNet 和VGG16
等方式提取人臉特征，然后討論了比較人臉特征的幾種方式。最后，使用上述技術實現了一個在
視頻中找人的應用。第7 章分析了AlphaGo 和AlphaZero 的論文原文，講解了蒙特卡羅樹搜索
（MCTS）和神經網絡的結構，并且通過實現中國象棋復現了AlphaZero。第8 章介紹了OCR 在
漢字識別上的應用，并且講解了BiLSTM 的多種類型，最后實現了一個端到端的漢字識別網絡。
第9 章介紹了DQN 算法，用于玩Flappy Bird。然后介紹了OpenAI Baselines 和Gym 的用法，并
用于玩“超級馬里奧”。最后介紹了OpenAI 提出的具有好奇心的強化學習算法。第10 章講解了
生成對抗網絡（GAN）及衍生的變種DCGAN、WGAN 和WGAN-GP 算法，用于人臉生成的實
踐。最后介紹了PG-GAN 和TL-GAN 的理論。
限于篇幅，以及作者能力有限，書中難免有錯漏之處，本書僅僅是將作者掌握的知識做了總
結與分享。當然，這些知識不屬于我個人，首先要感謝那些工作在人工智能第一線的科學家們，
是他們將研究成果公布出來，讓大家可以閱讀論文和博客。更要感謝開源社區的貢獻者們，使我
們可以閱讀源碼參考學習。還要感謝同樣喜歡技術分享的人們，我所能做的跟他們一樣，就是將
分享的“火炬”繼續傳遞下去。書中在引用時都會給出引用的出處，在這里一并表示感謝。
寫作本書的過程，是對自己所學知識的一次梳理，回過頭來重新審視自己對某些知識的理
解，又是一次成長。同時，寫作的過程又是孤獨的、寂寞的，有時覺得自己就像在山洞里練劍一
樣。感謝我的妻子對我的理解和支持，在寫作期間，她在國內帶著孩子，聽從了我“在交稿前不
要來打擾”的安排。最要感謝的是我的媽媽，是她培養了我學習與鉆研的習慣。最后還要感謝電
子工業出版社的鄭柳潔和葛娜老師，她們對本書的出版和編輯提供了很多專業性的指導和幫助，
沒有她們的付出，本書無法與大家見面。
希望本書的內容能夠為你提供幫助，權當拋磚引玉，為你的深度學習知識打下基礎。
程世東
2019 年4 月于日本 |
內容簡介：本書通過案例講解如何使用TensorFlow 解決深度學習的實際任務， 每章都包含TensorFlow 1.x 和2.0 的代碼實現。全書共分10 章，主要講解卷積神經網絡、LSTM、Seq2Seq、Transformer、BERT、文本卷積、GBDT、FM、FFM、Dlib、MTCNN、VGG、AlphaGo / AlphaZero、BiLSTM、DQN、Gym、GAN 等技術，包含的項目有CIFAR-100 圖像分類、彩票預測、古詩生成、推薦系統、廣告點擊率預測、人臉識別、中國象棋、漢字OCR、FlappyBird 和超級馬里奧、人臉生成。
|
目錄：1 卷積神經網絡與環境搭建1
1.1 概述 1
1.2 卷積神經網絡 2
1.2.1 卷積層 3
1.2.2 修正線性單元. 6
1.2.3 池化層 8
1.2.4 全連接層 8
1.2.5 softmax 層 9
1.2.6 LeNet-5 網絡 9
1.3 準備開發環境 10
1.3.1 Anaconda 環境搭建 10
1.3.2 安裝TensorFlow 1.x 11
1.3.3 FloydHub 使用介紹 13
1.3.4 AWS 使用介紹 18
1.4 本章小結 26
2 卷積神經網絡實踐：圖像分類27
2.1 概述 27
2.2 卷積神經網絡項目實踐：基于TensorFlow 1.x 27
2.2.1 數據預處理. 28
2.2.2 網絡模型 33
2.2.3 訓練網絡 39
2.3 卷積神經網絡項目實踐：基于TensorFlow 2.0 41
2.3.1 TensorFlow 2.0 介紹 41
2.3.2 CIFAR-100 分類網絡的TensorFlow 2.0 實現 44
2.4 本章小結. 60
3 彩票預測和生成古詩61
3.1 概述 61
3.2 RNN 61
3.3 LSTM 63
3.4 嵌入矩陣. . 66
3.5 實現彩票預測 69
3.5.1 數據預處理. 70
3.5.2 構建神經網絡. 71
3.5.3 訓練神經網絡 75
3.5.4 分析網絡訓練情況 83
3.5.5 生成預測號碼. 88
3.6 文本生成. 93
3.7 生成古詩：基于TensorFlow 2.0 96
3.7.1 數據預處理 96
3.7.2 構建網絡 99
3.7.3 開始訓練. 102
3.7.4 生成古詩 102
3.8 自然語言處理 106
3.8.1 序列到序列 106
3.8.2 Transformer . 108
3.8.3 BERT 112
3.9 本章小結 118
4 個性化推薦系統119
4.1 概述 . 119
4.2 MovieLens 1M 數據集分析. 120
4.2.1 下載數據集 . 120
4.2.2 用戶數據. 120
4.2.3 電影數據. 122
4.2.4 評分數據. 123
4.3 數據預處理. 123
4.3.1 代碼實現. . 124
4.3.2 加載數據并保存到本地 . 127
4.3.3 從本地讀取數據 128
4.4 神經網絡模型設計 128
4.5 文本卷積神經網絡 130
4.6 實現電影推薦：基于TensorFlow 1.x 131
4.6.1 構建計算圖 131
4.6.2 訓練網絡 139
4.6.3 實現個性化推薦 144
4.7 實現電影推薦：基于TensorFlow 2.0 154
4.7.1 構建模型 154
4.7.2 訓練網絡 166
4.7.3 實現個性化推薦 166
4.8 本章小結 169
5 廣告點擊率預估：Kaggle 實戰170
5.1 概述 . 170
5.2 下載數據集. . 170
5.3 數據字段的含義 . 171
5.4 點擊率預估的實現思路 172
5.4.1 梯度提升決策樹. 172
5.4.2 因子分解機. . 172
5.4.3 場感知分解機 . 174
5.4.4 網絡模型 175
5.5 數據預處理. 176
5.5.1 GBDT 的輸入數據處理. 177
5.5.2 FFM 的輸入數據處理. 177
5.5.3 DNN 的輸入數據處理 179
5.5.4 數據預處理的實現. 180
5.6 訓練FFM 188
5.7 訓練GBDT . 197
5.8 用LightGBM 的輸出生成FM 數據. 203
5.9 訓練FM . 207
5.10 實現點擊率預估：基于TensorFlow 1.x . 218
5.10.1 構建神經網絡 219
5.10.2 訓練網絡 . 225
5.10.3 點擊率預估 . 231
5.11 實現點擊率預估：基于TensorFlow 2.0 . 237
5.12 本章小結 . 245
6 人臉識別246
6.1 概述. . . . 246
6.2 人臉檢測. 247
6.2.1 OpenCV 人臉檢測 . 247
6.2.2 dlib 人臉檢測 251
6.2.3 MTCNN 人臉檢測 254
6.3 提取人臉特征. 264
6.3.1 使用FaceNet 提取人臉特征 . 264
6.3.2 使用VGG 網絡提取人臉特征 265
6.3.3 使用dlib 提取人臉特征. 272
6.4 人臉特征的比較. . 276
6.5 從視頻中找人的實現. 282
6.6 視頻找人的案例實踐. . 284
6.7 人臉識別：基于TensorFlow 2.0 . . 302
6.8 本章小結. . 303
7 AlphaZero / AlphaGo 實踐：中國象棋304
7.1 概述. . . 304
7.2 論文解析 . . 305
7.2.1 蒙特卡羅樹搜索算法. 307
7.2.2 神經網絡. 312
7.2.3 AlphaZero 論文解析. 314
7.3 實現中國象棋：基于TensorFlow 1.x . 317
7.3.1 中國象棋著法表示和FEN 格式. 317
7.3.2 輸入特征的設計 321
7.3.3 實現神經網絡. 323
7.3.4 神經網絡訓練和預測. 327
7.3.5 通過自我對弈訓練神經網絡 330
7.3.6 自我對弈 334
7.3.7 實現蒙特卡羅樹搜索：異步方式. 340
7.3.8 訓練和運行 353
7.4 實現中國象棋：基于TensorFlow 2.0，多GPU 版. 354
7.5 本章小結 364
8 漢字OCR 365
8.1 概述. 365
8.2 分類網絡實現漢字OCR 365
8.2.1 圖片矯正 366
8.2.2 文本切割. 368
8.2.3 漢字分類網絡. 369
8.3 端到端的漢字OCR：基于TensorFlow 1.x . 371
8.3.1 CNN 設計 372
8.3.2 雙向LSTM 設計. . 374
8.3.3 CTC 損失 385
8.3.4 端到端漢字OCR 的網絡訓練. 388
8.4 漢字OCR：基于TensorFlow 2.0 395
8.4.1 CNN 的實現. 395
8.4.2 雙向LSTM 的實現. 396
8.4.3 OCR 網絡的訓練. 403
8.5 本章小結. 406
9 強化學習：玩轉Flappy Bird 和超級馬里奧407
9.1 概述. 407
9.2 DQN 算法. 407
9.3 實現DQN 玩Flappy Bird：基于TensorFlow 1.x . 412
9.4 實現DQN 玩Flappy Bird：基于TensorFlow 2.0 . 417
9.5 使用OpenAI Baselines 玩超級馬里奧. . 424
9.5.1 Gym . 424
9.5.2 自定義Gym 環境. . 426
9.5.3 使用Baselines 訓練. . 431
9.5.4 使用訓練好的智能體玩游戲. . 437
9.5.5 開始訓練馬里奧游戲智能體. . 438
9.6 具有好奇心的強化學習算法. 443
9.7 本章小結. . 444
10 生成對抗網絡實踐：人臉生成445
10.1 概述 . 445
10.2 GAN . 446
10.3 DCGAN . 447
10.3.1 生成器. . 448
10.3.2 判別器. 449
10.4 WGAN 449
10.5 WGAN-GP . 451
10.5.1 WGAN-GP 算法. 451
10.5.2 訓練WGAN-GP 生成人臉：基于TensorFlow 1.x . 452
10.5.3 訓練WGAN-GP 生成人臉：基于TensorFlow 2.0 . . 462
10.6 PG-GAN 和TL-GAN . . 469
10.7 本章小結. . 473 |
| 序： |
