版權歸《21個項目玩轉深度學習：基于TensorFlow的實踐詳解》作者所有，請在下載后24小時內刪除！支持作者，購買正版書籍！

《21個項目玩轉深度學習：基于TensorFlow的實踐詳解》高清PDF + 源代碼免費下載

《21個項目玩轉深度學習：基于TensorFlow的實踐詳解》高清PDF?+ 源代碼免費下載

下載地址：

鏈接：https://pan.baidu.com/s/1KYMUW1Fuk0IcRKflJGlf2Q

提取碼：rib3

解壓密碼：圓周率精確到百萬分位（或者私信）

微信二維碼下載：

高清中文版PDF，共378頁，帶書簽目錄，文字可以復制粘貼，附帶配套源代碼。

《21個項目玩轉深度學習——基于TensorFlow的實踐詳解》以實踐為導向，深入介紹了深度學習技術和TensorFlow框架編程內容。 通過本書，讀者可以訓練自己的圖像識別模型、進行目標檢測和人臉識別、完成一個風格遷移應用，還可以使用神經網絡生成圖像和文本，進行時間序列預測、搭建機器翻譯引擎，訓練機器玩游戲。全書共包含21個項目，分為深度卷積網絡、RNN網絡、深度強化學習三部分。讀者可以在自己動手實踐的過程中找到學習的樂趣，了解算法和編程框架的細節，讓學習深度學習算法和TensorFlow的過程變得輕松和高效。本書代碼基于TensorFlow 1.4及以上版本，并介紹了TensorFlow中的一些新特性。

　　本書適合有一定機器學習基礎的學生、研究者或從業者閱讀，尤其是希望深入研究TensorFlow和深度學習算法的數據工程師，也適合對人工智能、深度學習感興趣的在校學生，以及希望進入大數據應用的研究者。

何之源，知乎專欄AI Insight作者。針對Tensorflow早期學習案例不足的情況，在網上撰寫了大量實踐文章與TensorFlow教程，教程風格清晰易懂又不失深度，獲得了廣大讀者的肯定。熱愛編程，在人工智能和深度學習領域有豐富的實踐經驗。

第1章 MNIST機器學習入門 1

1.1 MNIST數據集 2

1.1.1 簡介 2

1.1.2 實驗：將MNIST數據集保存為圖片 5

1.1.3 圖像標簽的獨熱(one-hot)表示 6

1.2 利用TensorFlow識別MNIST 8

1.2.1 Softmax回歸 8

1.2.2 兩層卷積網絡分類 14

1.3 總結 18

第2章 CIFAR-10與ImageNet圖像識別 19

2.1 CIFAR-10數據集 20

2.1.1 CIFAR-10簡介 20

2.1.2 下載CIFAR-10數據 21

2.1.3 TensorFlow的數據讀取機制 23

2.1.4 實驗：將CIFAR-10數據集保存為圖片形式 30

2.2 利用TensorFlow訓練CIFAR-10識別模型 34

2.2.1 數據增強（Data Augmentation） 34

2.2.2 CIFAR-10識別模型 36

2.2.3 訓練模型 39

2.2.4 在TensorFlow中查看訓練進度 39

2.2.5 測試模型效果 42

2.3 ImageNet圖像識別模型 44

2.3.1 ImageNet數據集簡介 44

2.3.2 歷代ImageNet圖像識別模型 45

2.4 總結 49

第3章 打造自己的圖像識別模型 50

3.1 微調（Fine-tune）的原理 51

3.2 數據準備 52

3.3 使用TensorFlow Slim微調模型 56

3.3.1 下載TensorFlow Slim的源代碼 56

3.3.2 定義新的datasets文件 57

3.3.3 準備訓練文件夾 59

3.3.4 開始訓練 60

3.3.5 訓練程序行為 62

3.3.6 驗證模型正確率 63

3.3.7 TensorBoard可視化與超參數選擇 64

3.3.8 導出模型并對單張圖片進行識別 65

3.4 總結 69

第4章 Deep Dream模型 70

4.1 Deep Dream的技術原理 71

4.2 TensorFlow中的Deep Dream模型實踐 73

4.2.1 導入Inception模型 73

4.2.2 生成原始的Deep Dream圖像 76

4.2.3 生成更大尺寸的Deep Dream圖像 78

4.2.4 生成更高質量的Deep Dream圖像 82

4.2.5 *終的Deep Dream模型 87

4.3 總結 90

第5章 深度學習中的目標檢測 91

5.1 深度學習中目標檢測的原理 92

5.1.1 R-CNN的原理 92

5.1.2 SPPNet的原理 94

5.1.3 Fast R-CNN的原理 97

5.1.4 Faster R-CNN的原理 98

5.2 TensorFlow Object Detection API 101

5.2.1 安裝TensorFlow Object Detection API 101

5.2.2 執行已經訓練好的模型 103

5.2.3 訓練新的模型 109

5.2.4 導出模型并預測單張圖片 113

5.3 總結 114

第6章 人臉檢測和人臉識別 115

6.1 MTCNN的原理 116

6.2 使用深度卷積網絡提取特征 121

6.2.1 三元組損失（Triplet Loss）的定義 123

6.2.2 中心損失（Center Loss）的定義 123

6.3 使用特征設計應用 125

6.4 在TensorFlow中實現人臉識別 126

6.4.1 項目環境設置 126

6.4.2 LFW人臉數據庫 127

6.4.3 LFW數據庫上的人臉檢測和對齊 128

6.4.4 使用已有模型驗證LFW數據庫準確率 129

6.4.5 在自己的數據上使用已有模型 130

6.4.6 重新訓練新模型 133

6.4.7 三元組損失和中心損失的定義 138

6.5 總結 140

第7章 圖像風格遷移 141

7.1 圖像風格遷移的原理 142

7.1.1 原始圖像風格遷移的原理 142

7.1.2 快速圖像風格遷移的原理 148

7.2 在TensorFlow中實現快速風格遷移 149

7.2.1 使用預訓練模型 150

7.2.2 訓練自己的模型 153

7.2.3 在TensorBoard中監控訓練情況 154

7.2.4 項目實現細節 157

7.3 總結 162

第8章 GAN和DCGAN入門 163

8.1 GAN的原理 164

8.2 DCGAN的原理 166

8.3 在TensorFlow中用DCGAN生成圖像 169

8.3.1 生成MNIST圖像 170

8.3.2 使用自己的數據集訓練 171

8.3.3 程序結構分析：如何將圖像讀入模型 173

8.3.4 程序結構分析：可視化方法 177

8.4 總結 180

第9章 pix2pix模型與自動上色技術 181

9.1 cGAN的原理 182

9.2 pix2pix模型的原理 184

9.3 TensorFlow中的pix2pix模型 187

9.3.1 執行已有的數據集 187

9.3.2 創建自己的數據集 191

9.4 使用TensorFlow為灰度圖像自動上色 194

9.4.1 為食物圖片上色 194

9.4.2 為動漫圖片進行上色 196

9.5 總結 198

第10章 超分辨率：如何讓圖像變得更清晰 199

10.1 數據預處理與訓練 200

10.1.1 去除錯誤圖片 200

10.1.2 將圖像裁剪到統一大小 202

10.1.3 為代碼添加新的操作 202

10.2 總結 209

第11章 CycleGAN與非配對圖像轉換 210

11.1 CycleGAN的原理 211

11.2 在TensorFlow中用訓練CycleGAN模型 213

11.2.1 下載數據集并訓練 213

11.2.2 使用自己的數據進行訓練 217

11.3 程序結構分析 220

11.4 總結 224

第12章 RNN基本結構與Char RNN文本生成 225

12.1 RNN的原理 226

12.1.1 經典RNN的結構 226

12.1.2 N VS 1 RNN的結構 229

12.1.3 1 VS N RNN的結構 230

12.2 LSTM的原理 231

12.3 Char RNN的原理 235

12.4 TensorFlow中的RNN實現方式 237

12.4.1 實現RNN的基本單元：RNNCell 238

12.4.2 對RNN進行堆疊：MultiRNNCell 239

12.4.3 注意點：BasicRNNCell和BasicLSTMCell的output 240

12.4.4 使用tf.nn.dynamic_rnn展開時間維度 241

12.5 使用TensorFlow實現Char RNN 242

12.5.1 定義輸入數據 243

12.5.2 定義多層LSTM模型 244

12.5.3 定義損失 245

12.5.4 訓練模型與生成文字 246

12.5.5 更多參數說明 250

12.5.6 運行自己的數據 250

12.6 總結 251

第13章 序列分類問題詳解 252

13.1 N VS 1的RNN結構 253

13.2 數列分類問題與數據生成 254

13.3 在TensorFlow中定義RNN分類模型 258

13.3.1 定義模型前的準備工作 258

13.3.2 定義RNN分類模型 259

13.3.3 定義損失并進行訓練 261

13.4 模型的推廣 262

13.5 總結 263

第14章 詞的向量表示：word2vec與詞嵌入 264

14.1 為什么需要做詞嵌入 265

14.2 詞嵌入的原理 266

14.2.1 CBOW實現詞嵌入的原理 266

14.2.2 Skip-Gram實現詞嵌入的原理 269

14.3 在TensorFlow中實現詞嵌入 270

14.3.1 下載數據集 270

14.3.2 制作詞表 272

14.3.3 生成每步的訓練樣本 274

14.3.4 定義模型 276

14.3.5 執行訓練 279

14.3.6 可視化 281

14.4 與第12章的對比 284

14.5 總結 285

第15章 在TensorFlow中進行時間序列預測 286

15.1 時間序列問題的一般形式 287

15.2 用TFTS讀入時間序列數據 287

15.2.1 從Numpy數組中讀入時間序列數據 288

15.2.2 從CSV文件中讀入時間序列數據 291

15.3 使用AR模型預測時間序列 293

15.3.1 AR模型的訓練 293

15.3.2 AR模型的驗證和預測 295

15.4 使用LSTM模型預測時間序列 297

15.4.1 LSTM模型中的單變量時間序列預測 297

15.4.2 LSTM模型中的多變量時間序列預測 299

15.5 總結 301

第16章 神經網絡機器翻譯技術 302

16.1 Encoder-Decoder模型的原理 303

16.2 注意力機制（Attention） 305

16.3 使用TensorFlow NMT搭建神經網絡翻譯引擎 309

16.3.1 示例：將越南語翻譯為英語 309

16.3.2 構建中英翻譯引擎 313

16.4 TensorFlow NMT源碼簡介 317

16.5 總結 319

第17章 看圖說話：將圖像轉換為文字 320

17.1 Image Caption技術綜述 321

17.1.1 從Encoder-Decoder結構談起 321

17.1.2 將Encoder-Decoder應用到Image Caption任務上 322

17.1.3 對Encoder-Decoder的改進1：加入Attention機制 323

17.1.4 對Encoder-Decoder的改進2：加入高層語義 325

17.2 在TensorFlow中實現Image Caption 327

17.2.1 下載代碼 327

17.2.2 環境準備 328

17.2.2 編譯和數據準備 328

17.2.3 訓練和驗證 330

17.2.4 測試單張圖片 331

17.3 總結 332

第18章 強化學習入門之Q 333

18.1 強化學習中的幾個重要概念 334

18.2 Q Learning的原理與實驗 336

18.2.1 環境定義 336

18.2.2 Q函數 338

18.2.3 Q函數的學習策略 339

18.2.4 ?-greedy策略 341

18.2.5 簡單的Q Learning示例 341

18.2.6 更復雜的情況 342

18.3 總結 343

第19章 強化學習入門之SARSA算法 344

19.1 SARSA 算法的原理 345

19.1.1 通過與Q Learning對比學習SARSA算法 345

19.1.2 off-policy與on-policy 346

19.2 SARSA 算法的實現 347

19.3 總結 348

第20章 深度強化學習：Deep Q Learning 349

20.1 DQN算法的原理 350

20.1.1 問題簡介 350

20.1.2 Deep Q Network 351

20.1.3 訓練方法 352

20.2 在TensorFlow中運行DQN算法 353

20.2.1 安裝依賴庫 353

20.2.2 訓練 355

20.2.3 測試 356

20.3 在TensorFlow中DQN算法的實現分析 357

20.4 總結 360

第21章 策略梯度（Policy Gradient）算法 361

21.1 策略梯度（Policy Gradient）算法的原理 362

21.1.1 Cartpole游戲 362

21.1.2 策略網絡（Policy Network） 363

21.1.3 訓練策略網絡 364

21.2 在TensorFlow中實現策略梯度 算法 365

21.2.1 初始化 365

21.2.2 定義策略網絡 366

21.2.3 訓練 367

21.3 總結 371