Python深度学习：基于TensorFlow（第2版）

作者简介

B.5 升级示例

B.4 用动态图替换静态图

B.3 自动转换脚本

B.2 最快速的转换方法

B.1 TensorFlow1.x和TensorFlow 2.x的区别

附录 B 从TensorFlow1.x升级到TensorFlow 2.x

A.8 安装验证

A.7 Jupyter Notebook的配置

A.6.2 用pip安装

A.6.1 用conda安装

A.6 安装TensorFlow-GPU 2+

A.5 安装Python 3.8

A.4 升级GPU驱动

A.3 安装的准备工作

A.2 参考资料

A.1 环境分析

附录 A TensorFlow-GPU 2+升级安装配置

20.4 小结

20.3 用TensorFlow实现DQN算法

20.2 SARSA算法实例

20.1 Q-Learning算法实例

第20章 强化学习实践

19.6 小结

19.5 DQN算法

19.4 SARSA算法

19.3 Q-Learning算法

19.2 时序差分算法

19.1 强化学习基础概述

第19章 强化学习基础

第四部分 强化学习

18.6 小结

18.5 可视化运行结果

18.4 编译、训练模型

18.3 构建模型

18.2 预处理数据

18.1 导入数据

第18章 基于Transformer的图像处理实例

17.7 小结

17.6 测试评估模型

17.5 初始化并编译模型

17.4 定义损失函数

17.3 构建Transformer架构

17.2 构建注意力模块

17.1 数据预处理

第17章 基于Transformer的对话实例

16.3 小结

16.2 项目实施步骤

16.1 项目架构说明

第16章 文本检测与识别实例

15.4 小结

15.3 项目详细实施步骤

15.2 项目概况

15.1 人脸识别简介

第15章 人脸检测与识别实例

14.5 小结

14.4 测试模型

14.3 训练模型

14.2 准备数据

14.1 数据集简介

第14章 目标检测实例

13.3 小结

13.2 风格迁移

13.1 Deep Dream模型

第13章 实战生成式模型

第三部分 深度学习实践

12.7 小结

12.6 提升GAN训练效果的一些技巧

12.5 CGAN

12.4 VAE与GAN的异同

12.3 用GAN生成图像

12.2 GAN简介

12.1 用变分自编码器生成图像

第12章 生成式深度学习

11.4 小结

11.3 典型的目标检测算法

11.2 优化候选框的算法

11.1 目标检测及主要挑战

第11章 目标检测

10.5 小结

10.4 使用TensorFlow实现Transformer

10.3 可视化Transformer架构

10.2 带注意力机制的编码器-解码器架构

10.1 注意力机制概述

第10章 注意力机制

9.7 小结

9.6 循环神经网络实践

9.5 循环神经网络的应用场景

9.4 几种特殊架构

9.3 现代循环神经网络

9.2 正向传播与随时间反向传播

9.1 从语言模型到循环神经网络

第9章 自然语言处理基础

8.6 小结

8.5 卷积神经网络分类实例

8.4 现代经典网络

8.3 池化层

8.2 卷积层

8.1 从全连接层到卷积层

第8章 视觉处理基础

7.8 小结

7.7 使用tf.keras构建神经网络

7.6 选择优化算法

7.5 解决过拟合问题

7.4 正向和反向传播算法

7.3 激活函数

7.2 多层神经网络

7.1 单层神经网络

第7章 神经网络基础

6.6 小结

6.5 机器学习实例

6.4 数据预处理

6.3 无监督学习

6.2 监督学习

6.1 机器学习的一般流程

第6章 机器学习基础

第二部分 深度学习基础

5.4 小结

5.3 TensorBoard

5.2 pyecharts

5.1 matplotlib

第5章 可视化

4.5 小结

4.4 数据增强方法

4.3 如何生成自己的TFRecord格式数据

4.2 构建数据集的常用方法

4.1 tf.data简介

第4章 TensorFlow数据处理

3.4 小结

3.3 利用高阶API构建模型

3.2 利用中阶API构建模型

3.1 利用低阶API构建模型

第3章 TensorFlow构建模型的方法

2.13 小结

2.12 GPU加速

2.11 使用TensorFlow 2.0实现回归实例

2.10 优化器

2.9 损失函数

2.8 自动微分

2.7 自动图

2.6 计算图

2.5 NumPy与tf.Tensor比较

2.4 变量

2.3 张量

2.2 层次架构

2.1 安装配置

第2章 TensorFlow基础知识

1.8 小结

1.7 用NumPy实现回归实例

1.6 广播机制

1.5 通用函数

1.4 数据变形

1.3 NumPy的算术运算

1.2 存取元素

1.1 把图像数字化

第1章 NumPy基础

第一部分 TensorFlow基础

第1版前言

第2版前言

内容简介

版权信息

封面

封面

版权信息

内容简介

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

1.2 存取元素

1.3 NumPy的算术运算

1.4 数据变形

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

2.2 层次架构

2.3 张量

2.4 变量

2.5 NumPy与tf.Tensor比较

2.6 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

3.2 利用中阶API构建模型

3.3 利用高阶API构建模型

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

4.3 如何生成自己的TFRecord格式数据

4.4 数据增强方法

4.5 小结

第5章 可视化

5.1 matplotlib

5.2 pyecharts

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

6.2 监督学习

6.3 无监督学习

6.4 数据预处理

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

7.3 激活函数

7.4 正向和反向传播算法

7.5 解决过拟合问题

7.6 选择优化算法

7.7 使用tf.keras构建神经网络

7.8 小结

第8章 视觉处理基础

8.1 从全连接层到卷积层

8.2 卷积层

8.3 池化层

8.4 现代经典网络

8.5 卷积神经网络分类实例

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

9.2 正向传播与随时间反向传播

9.3 现代循环神经网络

9.4 几种特殊架构

9.5 循环神经网络的应用场景

9.6 循环神经网络实践

9.7 小结

第10章 注意力机制

10.1 注意力机制概述

10.2 带注意力机制的编码器-解码器架构

10.3 可视化Transformer架构

10.4 使用TensorFlow实现Transformer

10.5 小结

第11章 目标检测

11.1 目标检测及主要挑战

11.2 优化候选框的算法

11.3 典型的目标检测算法

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

12.2 GAN简介

12.3 用GAN生成图像

12.4 VAE与GAN的异同

12.5 CGAN

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

13.2 风格迁移

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

15.4 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

16.3 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

19.2 时序差分算法

19.3 Q-Learning算法

19.4 SARSA算法

19.5 DQN算法

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

20.3 用TensorFlow实现DQN算法

20.4 小结

附录 A TensorFlow-GPU 2+升级安装配置

A.1 环境分析

A.2 参考资料

A.3 安装的准备工作

A.4 升级GPU驱动

A.5 安装Python 3.8

A.6 安装TensorFlow-GPU 2+

A.6.1 用conda安装

A.6.2 用pip安装

A.7 Jupyter Notebook的配置

A.8 安装验证

附录 B 从TensorFlow1.x升级到TensorFlow 2.x

B.1 TensorFlow1.x和TensorFlow 2.x的区别

B.2 最快速的转换方法

B.3 自动转换脚本

B.4 用动态图替换静态图

B.5 升级示例

作者简介