[正版] 深度学习实战 基于TensorFlow 2和Keras 原书第2版 安东尼奥 古利 人工智能 机器学习 神

  商品基本信息

商品名称：

  深度学习实战：基于TensorFlow 2和Keras（原书第2版）

作     者：

  安东尼奥·古利(Antonio Gulli),阿米塔·卡普尔(Amita Kapoor),苏吉特·帕尔(Sujit Pal)

市 场 价：

  149.00元

ISBN  号：

  9787111687719

页     数：

  484

出 版 社：

  机械工业出版社

  目录

  前言
作者简介
审校者简介
第1章 基于TensorFlow 2.0的神经网络基础1
1.1 TensorFlow是什么1
1.2 Keras是什么3
1.3 TensorFlow 2.0有哪些重要的改动3
1.4 神经网络概述4
1.5 感知器5
1.6 多层感知器—第一个神经网络示例6
1.6.1 感知器训练的问题及对策6
1.6.2 激活函数—sigmoid函数7
1.6.3 激活函数—tanh函数7
1.6.4 激活函数—ReLU函数8
1.6.5 两个拓展激活函数—ELU函数和LeakyReLU函数8
1.6.6 激活函数总结9
1.6.7 神经网络到底是什么9
1.7 示例—识别手写数字10
1.7.1 独热编码10
1.7.2 在TensorFlow 2.0中定义一个简单的神经网络10
1.7.3 运行一个简单的TensorFlow 2.0神经网络并建立测试基线14
1.7.4 使用隐藏层改进TensorFlow 2.0的简单神经网络15
1.7.5 利用随机失活进一步改进Ten-sor Flow 2.0的简单神经网络18
1.7.6 测试TensorFlow 2.0的不同优化器19
1.7.7 增加epoch数24
1.7.8 控制优化器学习率25
1.7.9 增加内部隐藏神经元的数量25
1.7.10 增加批量计算的大小26
1.7.11 手写图识别实验总结26
1.8 正则化27
1.8.1 采用正则化以避免过拟合27
1.8.2 理解批量归一化28
1.9 Google Colab—CPU、GPU和TPU29
1.10 情感分析31
1.11 超参数调谐和AutoML33
1.12 预测输出34
1.13 反向传播的实用概述34
1.14 我们学到了什么35
1.15 迈向深度学习方式35
1.16 参考文献36
第2章 TensorFlow 1.x与2.x37
2.1 理解TensorFlow 1.x37
2.1.1 TensorFlow 1.x计算图程序结构37
2.1.2 常量、变量和占位符的使用39
2.1.3 操作对象示例40
2.1.4 TensorFlow 2.x中的TensorFlow 1.x示例43
2.2 理解TensorFlow 2.x44
2.2.1 即刻执行44
2.2.2 AutoGraph45
2.2.3 Keras API的三种编程模型47
2.2.4 回调49
2.2.5 保存模型和权重50
2.2.6 使用tf.data.datasets训练50
2.2.7 tf.keras还是估算器53
2.2.8 不规则张量55
2.2.9 自定义训练55
2.2.10 TensorFlow 2.x中的分布式训练56
2.2.11 命名空间的改动59
2.2.12 1.x至2.x的转换59
2.2.13 高效使用TensorFlow 2.x59
2.3 TensorFlow 2.x生态系统60
2.4 Keras还是tf.keras61
2.5 小结62
第3章 回归64
3.1 什么是回归64
3.2 使用线性回归进行预测65
3.2.1 简单线性回归65
3.2.2 多线性回归68
3.2.3 多元线性回归68
3.3 TensorFlow Estimator69
3.3.1 特征列69
3.3.2 输入函数70
3.3.3 使用TensorFlow EstimatorAPI的MNIST70
3.4 使用线性回归预测房价71
3.5 分类任务和决策边界75
3.5.1 logistic回归75
3.5.2 MNIST数据集上的logistic回归76
3.6 小结80
3.7 参考文献80
第4章 卷积神经网络81
4.1 深度卷积神经网络81
4.1.1 局部感受野82
4.1.2 共享权重和偏差82
4.1.3 数学示例83
4.1.4 TensorFlow 2.x中的ConvNets83
4.1.5 池化层84
4.2 DCNN的示例—LeNet85
4.2.1 TensorFlow 2.0中的LeNet代码85
4.2.2 理解深度学习的力量90
4.3 通过深度学习识别CIFAR-10图像91
4.3.1 用更深的网络提高CIFAR-10的性能93
4.3.2 用数据增强提高CIFAR-10的性能95
4.3.3 基于CIFAR-10预测97
4.4 用于大规模图像识别的超深度卷积网络98
4.4.1 基于VGG16神经网络识别猫100
4.4.2 使用tf.keras内置的VGG16 Net模块101
4.4.3 复用预建深度学习模型以提取特征102
4.5 小结103
4.6 参考文献103
第5章 高级卷积神经网络104
5.1 计算机视觉104
5.1.1 复杂任务的CNN组合104
5.1.2 用tf.keras-estimator模型对Fashion-MNIST分类111
5.1.3 在GPU上运行Fashion-MNISTtf.keras-estimator模型113
5.1.4 用于迁移学习的Deep Inception-v3 Net114
5.1.5 迁移学习：分类人和马117
5.1.6 基于tf.keras和TensorFlow Hub的Application Zoo120
5.1.7 其他CNN架构121
5.1.8 回答有关图像的问题124
5.1.9 风格迁移127
5.1.10 创建DeepDream网络129
5.1.11 查看深度网络学到的内容132
5.2 视频133
5.3 文本文件134
5.4 音频和音乐137
5.5 卷积运算小结141
5.5.1 基本卷积神经网络141
5.5.2 空洞卷积141
5.5.3 可分离卷积141
5.5.4 深度卷积142
5.5.5 深度可分离卷积142
5.6 胶囊网络142
5.6.1 CNN有什么问题142
5.6.2 Capsule网络有什么新功能143
5.7 小结144
5.8 参考文献144
第6章 生成对抗网络146
6.1 什么是GAN146
6.2 深度卷积GAN152
6.3 一些有趣的GAN架构161
6.3.1 SRGAN161
6.3.2 CycleGAN162
6.3.3 InfoGAN164
6.4 GAN的出色应用165
6.5 TensorFlow 2.0中的CycleGAN168
6.6 小结177
6.7 参考文献177
第7章 词嵌入178
7.1 词嵌入的起源和基本原理178
7.2 分布式表示179
7.3 静态嵌入180
7.3.1 Word2Vec181
7.3.2 GloVe183
7.4 使用gensim创建自己的嵌入184
7.5 使用gensim探索嵌入空间185
7.6 使用词嵌入检测垃圾短信188
7.6.1 获取数据188
7.6.2 准备待用数据189
7.6.3 构建嵌入矩阵190
7.6.4 定义垃圾短信分类器192
7.6.5 训练和评估模型193
7.6.6 运行垃圾短信检测器194
7.7 神经嵌入—不只是单词195
7.7.1 Item2Vec195
7.7.2 node2vec196
7.8 字符和子词嵌入201
7.9 动态嵌入201
7.10 句子和段落嵌入203
7.11 基于语言模型的嵌入205
7.11.1 使用BERT作为特征提取器207
7.11.2 微调BERT208
7.11.3 基于BERT命令行的分类209
7.11.4 把BERT作为自己网络的一部分210
7.12 小结213
7.13 参考文献214
第8章 循环神经网络217
8.1 基本的RNN单元218
8.1.1 时间反向传播219
8.1.2 梯度消失和梯度爆炸221
8.2 RNN单元变体221
8.2.1 长短期记忆网络221
8.2.2 门控循环单元223
8.2.3 peephole LSTM223
8.3 RNN变体224
8.3.1 双向RNN224
8.3.2 有状态RNN224
8.4 RNN拓扑结构225
8.4.1 一对多—学习生成文本226
8.4.2 多对一—情感分析232
8.4.3 多对多—POS标记238
8.5 编码器-解码器架构—seq2seq245
8.6 注意力机制255
8.7 Transformer架构261
8.8 小结264
8.9 参考文献265
第9章 自编码器267
9.1 自编码器简介267
9.2 香草自编码器269
9.2.1 TensorFlow Keras层—定义自定义层269
9.2.2 使用自编码器重构手写数字271
9.3 稀疏自编码器274
9.4 降噪自编码器276
9.5 堆栈自编码器279
9.5.1 用于去除图像噪声的卷积自编码器279
9.5.2 Keras自编码器示例—句子向量283
9.6 小结290
9.7 参考文献290
第10章 无监督学习292
10.1 主成分分析292
10.1.1 MNIST数据集上的PCA293
10.1.2 TensorFlow嵌入式API295
10.1.3 k-均值聚类296
10.1.4 TensorFlow 2.0中的k-均值297
10.1.5 k-均值的变体299
10.2 自组织图300
10.3 受限玻尔兹曼机306
10.3.1 使用RBM重建图像307
10.3.2 深度信念网络310
10.4 变分自编码器311
10.5 小结316
10.6 参考文献316
第11章 强化学习318
11.1 概述318
11.1.1 强化学习术语319
11.1.2 深度强化学习算法321
11.1.3 强化学习的成功案例324
11.2 OpenAI Gym概述324
11.3 深度Q网络328
11.3.1 CartPole的深度Q网络329
11.3.2 深度Q网络玩Atari游戏333
11.3.3 DQN变体336
11.4 深度确定性策略梯度339
11.5 小结340
11.6 参考文献340
第12章 TensorFlow和云服务342
12.1 云端深度学习342
12.1.1 微软Azure343
12.1.2 AWS344
12.1.3 谷歌云平台346
12.1.4 IBM云347
12.2 云端虚拟机348
12.2.1 亚马逊上的EC2348
12.2.2 谷歌云平台上的计算实例349
12.2.3 微软Azure上的虚拟机350
12.3 云端的Jupyter Notebook351
12.3.1 SageMaker351
12.3.2 Google Colaboratory351
12.3.3 微软Azure Notebook353
12.4 用于生产的TensorFlow Extended354
12.4.1 TFX管道354
12.4.2 TFX管道组件355
12.4.3 TFX库356
12.5 TensorFlow企业版357
12.6 小结357
12.7 参考文献357
第13章 用于移动设备和物联网的TensorFlow以及Tensor-Flow.js359
13.1 TensorFlow Mobile359
13.2 TensorFlow Lite359
13.2.1 量化360
13.2.2 FlatBuffer360
13.2.3 Mobile转换器361
13.2.4 移动优化解析器361
13.2.5 支持平台361
13.2.6 架构361
13.2.7 使用TensorFlow Lite362
13.2.8 应用程序的一个通用示例362
13.2.9 使用GPU和加速器363
13.2.10 应用程序示例363
13.3 TensorFlow Lite中的预训练模型365
13.3.1 图片分类366
13.3.2 物体检测367
13.3.3 姿势估计367
13.3.4 智能回复367
13.3.5 分割367
13.3.6 风格迁移367
13.3.7 文本分类367
13.3.8 问答368
13.3.9 使用移动GPU的注意事项368
13.4 边缘联合学习概述369
13.5 TensorFlow.js372
13.5.1 普通TensorFlow.js372
13.5.2 模型转换378
13.5.3 预训练模型378
13.5.4 Node.js379
13.6 小结380
13.7 参考文献380
第14章 AutoML简介382
14.1 什么是AutoML382
14.2 实现AutoML383
14.3 自动数据准备383
14.4 自动特征工程384
14.5 自动模型生成384
14.6 AutoKeras386
14.7 Google Cloud AutoML387
14.7.1 使用Cloud AutoML—Tables解决方案387
14.7.2 使用Cloud AutoML—Vision解决方案397
14.7.3 使用Cloud AutoML— Text Classfication解决方案405
14.7.4 使用Cloud AutoML—Translation解决方案408
14.7.5 使用Cloud AutoML—Video Intelligence Classifi-cation解决方案413
14.7.6 费用419
14.8 将Google AutoML集成到Kaggle419
14.9 小结420
14.10 参考文献420
第15章 深度学习相关的数学知识422
15.1 历史422
15.2 数学工具422
15.2.1 随处可见的导数和梯度423
15.2.2 梯度下降424
15.2.3 链式法则424
15.2.4 一些微分规则425
15.2.5 矩阵运算425
15.3 激活函数425
15.3.1 sigmoid函数的导数426
15.3.2 tanh函数的导数426
15.3.3 ReLU函数的导数427
15.4 反向传播427
15.4.1 前向步骤429
15.4.2 反向步骤429
15.4.3 反向传播的局限性434
15.4.4 交叉熵及其导数435
15.4.5 批量梯度下降、随机梯度下降和小批量436
15.5 关于反向传播和卷积的思考437
15.6 关于反向传播和RNN的思考438
15.7 关于TensorFlow和自动区分的说明440
15.8 小结440
15.9 参考文献441
第16章 张量处理单元442
16.1 CPU、GPU与TPU442
16.1.1 CPU和GPU442
16.1.2 TPU443
16.2 三代TPU和边缘TPU444
16.2.1 第一代TPU444
16.2.2 第二代TPU447
16.2.3 第三代TPU447
16.2.4 边缘TPU448
16.3 TPU性能448
16.4 如何在Colab中使用TPU449
16.4.1 检查TPU是否可用450
16.4.2 用tf.data加载数据450
16.4.3 建立模型并将其加载到TPU中451
16.5 使用预训练的TPU模型453
16.6 使用TensorFlow 2.1和夜间版455
16.7 小结456
16.8 参考文献457

  内容简介

本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1.x和TensorFlow 2.0编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的绝佳指南。