- Python深度学习(基于TensorFlow第2版)/智能系统与技术丛书
- - 作者：吴茂贵//王冬//李涛//杨本法//张利|责编:陈洁
  - 出版社：机械工业
  - ISBN：9787111712244
  - 出版日期：2022/10/01
  - 页数：362
- 售价：39.6

内容大纲
    这是一本能指导读者快速掌握TensorFlow和深度学习的著作，从TensorFlow的原理到应用，从深度学习到强化学习，提供了全栈解决方案。
    第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为TensorFlow领域的标准著作。第2版在第1版的基础上，去芜存菁，与时俱进，根据TensorFlow新版本全面升级，技术性、实战性、针对性、易读性均得到了进一步提升，必能帮助读者更轻松、更高效地进入深度学习的世界。
    全书一共20章，在结构上分为三大部分：
    第一部分（第1～5章）TensorFlow基础首先有针对性地讲解了Python和TensorFlow的基石NumPy中的关键知识，然后详细讲解了TensorFlow的基础知识、建模方法、数据处理、可视化等内容，帮助读者快速了解和掌握TensorFlow。
    第二部分（第6～12章）深度学习基础依次讲解了机器学习、神经网络、视觉处理、自然语言处理、注意力机制、目标检测、生成式深度学习等深度学习核心技术的原理和使用。
    第三部分（第13～18章）深度学习实践通过6个综合实例，详细讲解了TensorFlow在生成模型、目标检测、人脸识别、文本检测与识别以及Transformer架构在图像处理和自然语言处理等方面的应用。
    第四部分（第19～20章）强化学习重点介绍了强化学习基础理论、常用算法及相关实例。
    更为重要的是，为了更通俗易懂，本书在内容安排和写作方式上也颇花了一番心思。内容安排上，由点到面、由易到难，找准突破口；写作方式上，采用了图形化的表达，一图胜干言。
作者介绍
目录
第2版前言
第1版前言
第一部分 TensorFlow基础
第1章  NumPy基础
  1.1  把图像数字化
    1.1.1  数组属性
    1.1.2  从已有数据中生成数组
    1.1.3  利用 random 模块生成数组
    1.1.4  利用 arange、linspace函数生成数组
  1.2  存取元素
  1.3  NumPy的算术运算
    1.3.1  对应元素相乘
    1.3.2  点积运算
  1.4  数据变形
    1.4.1  更改数组的形状
    1.4.2  合并数组
  1.5  通用函数
  1.6  广播机制
  1.7  用NumPy实现回归实例
  1.8  小结
第2章  TensorFlow基础知识
  2.1  安装配置
    2.1.1  安装Anaconda
    2.1.2  安装TensorFlow CPU版
    2.1.3  安装TensorFlow GPU版
  2.2  层次架构
  2.3  张量
    2.3.1  张量的基本属性
    2.3.2  张量切片
    2.3.3  操作形状
  2.4  变量
  2.5  NumPy与tf.Tensor比较
  2.6  计算图
    2.6.1  静态计算图
    2.6.2  动态计算图
  2.7  自动图
  2.8  自动微分
  2.9  损失函数
  2.10  优化器
    2.11 使用TensorFlow 2.0  实现回归实例
  2.12  GPU加速
  2.13  小结
第3章  TensorFlow构建模型的方法
  3.1  利用低阶API构建模型
    3.1.1  项目背景
    3.1.2  导入数据
    3.1.3  预处理数据
    3.1.4  构建模型
    3.1.5  训练模型
    3.1.6  测试模型

    3.1.7  保存恢复模型
  3.2  利用中阶API构建模型
    3.2.1  构建模型
    3.2.2  创建损失评估函数
    3.2.3  训练模型
  3.3  利用高阶API构建模型
    3.3.1  构建模型
    3.3.2  编译及训练模型
    3.3.3  测试模型
    3.3.4  保存恢复模型
  3.4  小结
第4章  TensorFlow数据处理
  4.1  tf.data简介
  4.2  构建数据集的常用方法
    4.2.1  从内存中读取数据
    4.2.2  从文本中读取数据
    4.2.3  读取TFRecord格式文件
  4.3  如何生成自己的TFRecord格式数据
    4.3.1  把数据转换为TFRecord格式的一般步骤
    4.3.2  加载TFRecord文件流程
    4.3.3  代码实现
  4.4  数据增强方法
    4.4.1  常用的数据增强方法
    4.4.2  创建数据处理流水线
  4.5  小结
第5章  可视化
  5.1  matplotlib
    5.1.1  matplotlib的基本概念
    5.1.2  使用matplotlib绘制图表
    5.1.3  使用rcParams
  5.2  pyecharts
    5.2.1  pyecharts的安装
    5.2.2  使用pyecharts绘制图表
  5.3  TensorBoard
  5.4  小结
第二部分  深度学习基础
第6章  机器学习基础
  6.1  机器学习的一般流程
    6.1.1  明确目标
    6.1.2  收集数据
    6.1.3  数据探索与预处理
    6.1.4  模型选择
    6.1.5  模型评估
  6.2  监督学习
    6.2.1  线性回归
    6.2.2  逻辑回归
    6.2.3  树回归
    6.2.4  支持向量机
    6.2.5  朴素贝叶斯分类器
    6.2.6  集成学习

  6.3  无监督学习
    6.3.1  主成分分析
    6.3.2  k均值算法
  6.4  数据预处理
    6.4.1  处理缺失值
    6.4.2  处理分类数据
  6.5  机器学习实例
  6.6  小结
第7章  神经网络基础
  7.1  单层神经网络
  7.2  多层神经网络
    7.2.1  多层神经网络的结构
    7.2.2  各层之间的信息传输
    7.2.3  使用多层神经网络解决XOR问题
    7.2.4  使用TensorFlow解决XOR问题
  7.3  激活函数
    7.3.1  sigmoid函数
    7.3.2  softmax函数
    7.3.3  tanh函数
    7.3.4  ReLU函数
    7.3.5  Leaky-ReLU函数
    7.3.6  softplus函数
    7.3.7  Dropout函数
  7.4  正向和反向传播算法
    7.4.1  单个神经元的BP算法
    7.4.2  多层神经网络的BP算法
  7.5  解决过拟合问题
    7.5.1  权重正则化
    7.5.2  Dropout正则化
    7.5.3  批量正则化
    7.5.4  权重初始化
    7.5.5  残差网络
  7.6  选择优化算法
    7.6.1  传统梯度更新算法
    7.6.2  动量算法
    7.6.3  NAG算法
    7.6.4  AdaGrad算法
    7.6.5  RMSProp算法
    7.6.6  Adam算法
    7.6.7  如何选择优化算法
  7.7  使用tf.keras构建神经网络
    7.7.1  tf.keras概述
    7.7.2  tf.keras的常用模块
    7.7.3  构建模型的几种方法
    7.7.4  使用Sequential API构建神经网络实例
    7.7.5  使用Functional API构建神经网络实例
    7.7.6  使用Subclassing API构建神经网络实例
  7.8  小结
第8章  视觉处理基础
  8.1  从全连接层到卷积层

    8.1.1  图像的两个特性
    8.1.2  卷积神经网络概述
  8.2  卷积层
    8.2.1  卷积核
    8.2.2  步幅
    8.2.3  填充
    8.2.4  多通道上的卷积
    8.2.5  激活函数
    8.2.6  卷积函数
    8.2.7  转置卷积
    8.2.8  特征图与感受野
    8.2.9  全卷积网络
  8.3  池化层
    8.3.1  局部池化
    8.3.2  全局池化
  8.4  现代经典网络
    8.4.1  LeNet-5模型
    8.4.2  AlexNet模型
    8.4.3  VGG模型
    8.4.4  GoogLeNet模型
    8.4.5  ResNet模型
    8.4.6  DenseNet模型
  8.5  卷积神经网络分类实例
    8.5.1  使用Subclassing API构建网络
    8.5.2  卷积神经网络分类实例的主要步骤
    8.5.3  通过数据增强提升性能
    8.5.4  通过现代网络架构提升网络性能
  8.6  小结
第9章  自然语言处理基础
  9.1  从语言模型到循环神经网络
    9.1.1  链式法则
    9.1.2  马尔可夫假设与N元语法模型
    9.1.3  从N元语法模型到隐含状态表示
    9.1.4  从神经网络到有隐含状态的循环神经网络
    9.1.5  使用循环神经网络构建语言模型
    9.1.6  多层循环神经网络
  9.2  正向传播与随时间反向传播
  9.3  现代循环神经网络
    9.3.1  LSTM
    9.3.2  GRU
    9.3.3  Bi-RNN
  9.4  几种特殊架构
    9.4.1  编码器?-?解码器架构
    9.4.2  Seq2Seq架构
  9.5  循环神经网络的应用场景
  9.6  循环神经网络实践
    9.6.1  使用LSTM实现文本分类
    9.6.2  把CNN和RNN组合在一起
  9.7  小结
第10章  注意力机制

  10.1  注意力机制概述
    10.1.1  两种常见注意力机制
    10.1.2  来自生活的注意力
    10.1.3  注意力机制的本质
  10.2  带注意力机制的编码器?-?解码器架构
    10.2.1  引入注意力机制
    10.2.2  计算注意力分配值
  10.3  可视化Transformer架构
    10.3.1  Transformer的顶层设计
    10.3.2  编码器与解码器的输入
    10.3.3  自注意力
    10.3.4  多头注意力
    10.3.5  自注意力与卷积神经网络、循环神经网络的异同
    10.3.6  为加深Transformer网络层保驾护航的几种方法
    10.3.7  如何进行自监督学习
    10.3.8  Transformer在视觉领域的应用
  10.4  使用TensorFlow实现Transformer
    10.4.1  Transformer架构图
    10.4.2  架构说明
    10.4.3  构建缩放的点积注意力模块
    10.4.4  构建多头注意力模块
    10.4.5  构建前馈神经网络模块
    10.4.6  构建EncoderLayer模块
    10.4.7  构建Encoder模块
    10.4.8  构建DecoderLayer模块
    10.4.9  构建Decoder模块
    10.4.10  构建Transformer模型
    10.4.11  定义掩码函数
  10.5  小结
第11章  目标检测
  11.1  目标检测及主要挑战
    11.1.1  边界框的表示
    11.1.2  手工标注图像的真实值
    11.1.3  主要挑战
    11.1.4  选择性搜索
    11.1.5  锚框
    11.1.6  RPN算法
  11.2  优化候选框的算法
    11.2.1  交并比
    11.2.2  非极大值抑制
    11.2.3  边框回归
    11.2.4  使候选框输出为固定大小
  11.3  典型的目标检测算法
    11.3.1  R-CNN
    11.3.2  Fast R-CNN
    11.3.3  Faster R-CNN
    11.3.4  Mask R-CNN
    11.3.5  YOLO
    11.3.6  Swin Transformer
    11.3.7  各种算法的性能比较

  11.4  小结
第12章  生成式深度学习
  12.1  用变分自编码器生成图像
    12.1.1  自编码器
    12.1.2  变分自编码器
    12.1.3  用变分自编码器生成图像实例
  12.2  GAN简介
    12.2.1  GAN的架构
    12.2.2  GAN的损失函数
  12.3  用GAN生成图像
    12.3.1  判别器
    12.3.2  生成器
    12.3.3  训练模型
    12.3.4  可视化结果
  12.4  VAE与GAN的异同
  12.5  CGAN
    12.5.1  CGAN的架构
    12.5.2  CGAN 判别器
    12.5.3  CGAN生成器
    12.5.4  训练模型
    12.5.5  动态查看指定标签的图像
  12.6  提升GAN训练效果的一些技巧
  12.7  小结
第三部分深度学习实践
第13章  实战生成式模型
  13.1  Deep Dream模型
    13.1.1  Deep Dream的原理
    13.1.2  Deep Dream算法的流程
    13.1.3  使用TensorFlow实现Deep Dream
  13.2  风格迁移
    13.2.1  内容损失
    13.2.2  风格损失
    13.2.3  训练模型
  13.3  小结
第14章  目标检测实例
  14.1  数据集简介
  14.2  准备数据
  14.3  训练模型
  14.4  测试模型
  14.5  小结
第15章  人脸检测与识别实例
  15.1  人脸识别简介
  15.2  项目概况
  15.3  项目详细实施步骤
    15.3.1  图像预处理
    15.3.2  构建模型
    15.3.3  测试模型
  15.4  小结
第16章  文本检测与识别实例
  16.1  项目架构说明

  16.2  项目实施步骤
    16.2.1  手工生成训练数据
    16.2.2  数据预处理
    16.2.3  构建模型
    16.2.4  训练模型
  16.3  小结
第17章  基于Transformer的对话实例
  17.1  数据预处理
  17.2  构建注意力模块
  17.3  构建Transformer架构
  17.4  定义损失函数
  17.5  初始化并编译模型
  17.6  测试评估模型
  17.7  小结
第18章  基于Transformer的图像处理实例
  18.1  导入数据
  18.2  预处理数据
  18.3  构建模型
  18.4  编译、训练模型
  18.5  可视化运行结果
  18.6  小结
第四部分强化学习
第19章  强化学习基础
  19.1  强化学习基础概述
    19.1.1  智能体与环境的交互
    19.1.2  回报
    19.1.3  马尔可夫决策过程
    19.1.4  贝尔曼方程
    19.1.5  贝尔曼优方程
    19.1.6  同步策略与异步策略
    19.1.7  有模型训练与无模型训练
  19.2  时序差分算法
  19.3  Q-Learning算法
    19.3.1  Q-Learning算法的主要流程
    19.3.2  Q函数
    19.3.3  贪婪策略
  19.4  SARSA 算法
  19.5  DQN算法
    19.5.1  Q-Learning算法的局限性
    19.5.2  用深度学习处理强化学习时需要解决的问题
    19.5.3  用DQN解决问题的方法
    19.5.4  定义损失函数
    19.5.5  DQN的经验回放机制
    19.5.6  目标网络
    19.5.7  网络模型
    19.5.8  DQN算法的实现
  19.6  小结
第20章  强化学习实践
  20.1  Q-Learning算法实例
  20.2  SARSA算法实例

    20.2.1  游戏场景
    20.2.2  核心代码说明
  20.3  用TensorFlow实现DQN算法
  20.4  小结
附录A TensorFlow-GPU 2升级安装配置
附录B 从TensorFlow1.x升级到TensorFlow 2.x

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目