【缺書】NT售價: 400 元
《TensorFlow2實戰》首先講解深度學習和TensorFlow2的基礎知識,然后通過圖像處理和自然語言處理兩方面的實例,幫助讀者進一步掌握深度學習的應用,最后通過對生成對抗網絡和強化學習知識的講解,帶領讀者精通深度學習。《TensorFlow2實戰》適合想要學習和了解人工智能、深度學習技術的程序員閱讀,也可作為大專院校計算機專業師生的學習用書和培訓學校的教材。
第1章 環境配置 11.1 云Notebook環境簡介 11.2 本地Notebook環境準備 11.2.1 搭建Python環境 21.2.2 創建虛擬環境 21.2.3 安裝JupyterLab 31.3 安裝TensorFlow 61.4 本書的代碼規范 7本章小結 8第2章 常見工具介紹 92.1 NumPy 92.1.1 創建數組 102.1.2 數組索引 112.1.3 數組切片 112.1.4 數學計算 122.1.5 神經網絡的數據表示 132.2 Pandas 142.2.1 讀取數據 142.2.2 探索數據 152.2.3 過濾數據 162.2.4 應用方法 172.2.5 重構數據 172.2.6 保存數據 182.3 Matplotlib 182.3.1 簡單的圖形 192.3.2 子圖 202.3.3 直方圖 212.3.4 標題、標簽和圖例 212.3.5 三維圖形 222.3.6 結合Pandas使用 23本章小結 24第3章 從零開始搭建神經網絡 253.1 構建神經元 263.2 搭建神經網絡 283.3 前向傳播例子 283.4 訓練神經網絡 303.4.1 損失 313.4.2 損失計算實例 313.5 優化神經網絡 323.6 隨機梯度下降 353.7 完整的代碼實現 36本章小結 41第4章 深度學習基礎 424.1 基礎概念 424.1.1 神經元 424.1.2 神經網絡 444.1.3 損失函數 454.1.4 神經網絡訓練 454.1.5 深度學習的主要術語 464.1.6 深度學習的4個分支 484.2 評估深度學習模型 494.2.1 簡單的留出驗證 494.2.2 K折交叉驗證 504.2.3 隨機重復K折交叉驗證 504.2.4 模型評估的注意事項 504.3 過擬合和欠擬合 514.3.1 減小神經網絡模型的大小 514.3.2 添加權重正則化 524.3.3 添加Dropout正則化 52本章小結 52第5章 泰坦尼克號幸存者預測 535.1 處理數據集 535.2 定義模型 575.3 編譯模型 575.4 訓練模型 595.5 評估模型 605.6 預測 635.7 代碼匯總 64本章小結 66第6章 TensorFlow 2介紹 676.1 TensorFlow 2基礎知識和學習路線圖 676.1.1 基礎知識 676.1.2 學習路線圖 696.2 模型的保存和恢復 706.2.1 全模型保存 706.2.2 保存為SavedModel格式 716.2.3 僅保存模型結構 716.2.4 僅保存模型權重 726.3 模型增量更新 726.4 訓練回調 726.4.1 模型檢查點和提前終止 736.4.2 動態調整學習率 736.4.3 自定義回調函數 746.5 TensorBoard可視化 76本章小結 78第7章 圖像識別入門 797.1 Fashion-MNIST數據集 797.1.1 數據集簡介 797.1.2 數據集預處理 807.2 全連接神經網絡 827.2.1 構建模型 837.2.2 編譯模型 837.2.3 訓練模型 847.2.4 評估模型 847.2.5 預測 847.2.6 代碼小結 877.3 卷積神經網絡 887.3.1 卷積神經網絡的原理 887.3.2 卷積層和池化層 897.3.3 實現卷積神經網絡 91本章小結 92第8章 圖像識別進階 938.1 數據集處理 938.1.1 準備數據集 938.1.2 數據集預處理 968.1.3 簡單的卷積神經網絡 978.1.4 數據增強 998.2 遷移學習 1028.2.1 VGG16預訓練模型 1038.2.2 特征提取 1058.2.3 微調模型 1088.2.4 保存模型 1108.3 TensorFlow Hub 111本章小結 113第9章 圖像風格遷移 1149.1 神經風格遷移的原理 1149.1.1 內容損失 1169.1.2 風格損失 1179.2 實現神經風格遷移算法 117本章小結 127第10章 自然語言處理入門 12810.1 分詞 12810.1.1 英文分詞 12810.1.2 中文分詞 12910.2 語言模型 13110.2.1 獨熱編碼 13110.2.2 詞嵌入 13310.2.3 從文本到詞嵌入 13410.2.4 自然語言處理領域的遷移學習 13710.3 循環神經網絡 13910.3.1 循環神經網絡的 原理 13910.3.2 使用NumPy實現RNN層前向傳播 14010.3.3 循環神經網絡存在的問題 14210.3.4 長短期記憶網絡 143本章小結 143第11章 語音助手意圖分類 14411.1 數據集 14411.1.1 加載數據集 14511.1.2 數據預處理 14611.2 雙向長短期記憶網絡 15111.3 預訓練詞嵌入網絡 15211.4 保存和加載模型 155本章小結 157第12章 自然語言生成實戰 15812.1 利用語言模型寫詩 15812.1.1 語言模型的應用 15812.1.2 采樣策略 15912.1.3 利用LSTM語言模型 寫詩 15912.2 Seq2Seq語言模型 16712.2.1 編碼器 16712.2.2 解碼器 16812.3 利用Seq2Seq語言模型實現中英文翻譯 16812.3.1 tf.keras中的函數式模型 16812.3.2 數據預處理 16912.3.3 Seq2Seq翻譯模型的訓練 17112.3.4 Seq2Seq翻譯模型的預測 173本章小結 176第13章 中文實體識別實戰 17713.1 報紙實體識別 17713.1.1 數據集 17713.1.2 訓練模型 18113.1.3 評估序列標注 18213.2 使用BERT進行遷移學習實體識別 18313.2.1 在tf.keras中加載BERT模型 18413.2.2 構建遷移模型 186本章小結 188第14章 生成對抗網絡 18914.1 生成對抗網絡的原理 18914.2 搭建生成對抗網絡 19014.2.1 生成器 19014.2.2 判別器 19114.2.3 完成生成對抗網絡的 搭建 19114.3 訓練生成對抗網絡 19214.4 輔助類別生成對抗網絡 19614.5 GAN的評估 20114.5.1 Inception Score 20214.5.2 Frechet Inception 距離 203本章小結 205第15章 強化學習 20615.1 強化學習概述 20615.1.1 基礎內容 20615.1.2 Gym框架簡介 20815.1.3 隨機動作策略 21015.2 Q-Learning 21215.2.1 Q-Learning簡介 21215.2.2 Q-Learning的實現 21315.3 Deep Q-Learning 21615.3.1 Lunar Lander v2 21615.3.2 隨機動作Agent 21715.3.3 DQN的訓練 219本章小結 225第16章 部署模型 22616.1 使用Flask部署 22616.1.1 Flask入門 22616.1.2 利用Flask部署圖像分類模型 22716.2 TensorFlow Serving 22916.2.1 使用命令行工具部署 23016.2.2 使用Docker部署 23116.2.3 調用REST接口 23216.2.4 版本控制 233本章小結 234