书籍详情
《TensorFlow2实战机器学习深度学习自学教程书籍Python3人工智能机器学*神经网》[30M]百度网盘|亲测有效|pdf下载
  • TensorFlow2实战机器学习深度学习自学教程书籍Python3人工智能机器学*神经网

  • 出版社:人民邮电出版社官方旗舰店
  • 热度:11581
  • 上架时间:2024-06-30 09:38:03
  • 价格:0.0
书籍下载
书籍预览
免责声明

本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源,一旦发现资源涉及侵权,将立即删除。希望所有用户一同监督并反馈问题,如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正

内容介绍


内容介绍

《TensorFlow2实战》首先讲解深度学习和TensorFlow2的基础知识,然后通过图像处理和自然语言处理两方面的实例,帮助读者进一步掌握深度学习的应用,*后通过对生成对抗网络和强化学习知识的讲解,带领读者精通深度学习。

《TensorFlow2实战》适合想要学习和了解人工智能、深度学习技术的程序员阅读,也可作为大专院校计算机专业师生的学习用书和培训学校的教材。

作者介绍

艾力,曾就职于暴风大脑研究院,担任 NLP 架构师一职。负责暴风大脑 NLP 引擎的设计和开发。Github 上开源了其极简 NLP 框架 Kashgari,帮助大家把*新的 NLP 论文落地到生产环境。



目录

*1章 环境配置 1


1.1 云Notebook环境简介 1


1.2 本地Notebook环境准备 1


1.2.1 搭建Python环境 2


1.2.2 创建虚拟环境 2


1.2.3 安装JupyterLab 3


1.3 安装TensorFlow 6


1.4 本书的代码规范 7


本章小结 8


*2章 常见工具介绍 9


2.1 NumPy 9


2.1.1 创建数组 10


2.1.2 数组索引 11


2.1.3 数组切片 11


2.1.4 数学计算 12


2.1.5 神经网络的数据表示 13


2.2 Pandas 14


2.2.1 读取数据 14


2.2.2 探索数据 15


2.2.3 过滤数据 16


2.2.4 应用方法 17


2.2.5 重构数据 17


2.2.6 保存数据 18


2.3 Matplotlib 18


2.3.1 简单的图形 19


2.3.2 子图 20


2.3.3 直方图 21


2.3.4 标题、标签和图例 21


2.3.5 三维图形 22


2.3.6 结合Pandas使用 23


本章小结 24


第3章 从零开始搭建神经网络 25


3.1 构建神经元 26


3.2 搭建神经网络 28


3.3 前向传播例子 28


3.4 训练神经网络 30


3.4.1 损失 31


3.4.2 损失计算实例 31


3.5 优化神经网络 32


3.6 随机梯度下降 35


3.7 完整的代码实现 36


本章小结 41


第4章 深度学习基础 42


4.1 基础概念 42


4.1.1 神经元 42


4.1.2 神经网络 44


4.1.3 损失函数 45


4.1.4 神经网络训练 45


4.1.5 深度学习的主要术语 46


4.1.6 深度学习的4个分支 48


4.2 评估深度学习模型 49


4.2.1 简单的留出验证 49


4.2.2 K折交叉验证 50


4.2.3 随机重复K折交叉验证 50


4.2.4 模型评估的注意事项 50


4.3 过拟合和欠拟合 51


4.3.1 减小神经网络模型的大小 51


4.3.2 添加权重正则化 52


4.3.3 添加Dropout正则化 52


本章小结 52


第5章 泰坦尼克号幸存者预测 53


5.1 处理数据集 53


5.2 定义模型 57


5.3 编译模型 57


5.4 训练模型 59


5.5 评估模型 60


5.6 预测 63


5.7 代码汇总 64


本章小结 66


第6章 TensorFlow 2介绍 67


6.1 TensorFlow 2基础知识和学习路线图 67


6.1.1 基础知识 67


6.1.2 学习路线图 69


6.2 模型的保存和恢复 70


6.2.1 全模型保存 70


6.2.2 保存为SavedModel格式 71


6.2.3 仅保存模型结构 71


6.2.4 仅保存模型权重 72


6.3 模型增量更新 72


6.4 训练回调 72


6.4.1 模型检查点和提前终止 73


6.4.2 动态调整学习率 73


6.4.3 自定义回调函数 74


6.5 TensorBoard可视化 76


本章小结 78


第7章 图像识别入门 79


7.1 Fashion-MNIST数据集 79


7.1.1 数据集简介 79


7.1.2 数据集预处理 80


7.2 全连接神经网络 82


7.2.1 构建模型 83


7.2.2 编译模型 83


7.2.3 训练模型 84


7.2.4 评估模型 84


7.2.5 预测 84


7.2.6 代码小结 87


7.3 卷积神经网络 88


7.3.1 卷积神经网络的原理 88


7.3.2 卷积层和池化层 89


7.3.3 实现卷积神经网络 91


本章小结 92


第8章 图像识别进阶 93


8.1 数据集处理 93


8.1.1 准备数据集 93


8.1.2 数据集预处理 96


8.1.3 简单的卷积神经网络 97


8.1.4 数据增强 99


8.2 迁移学习 102


8.2.1 VGG16预训练模型 103


8.2.2 特征提取 105


8.2.3 微调模型 108


8.2.4 保存模型 110


8.3 TensorFlow Hub 111


本章小结 113


第9章 图像风格迁移 114


9.1 神经风格迁移的原理 114


9.1.1 内容损失 116


9.1.2 风格损失 117


9.2 实现神经风格迁移算法 117


本章小结 127


*10章 自然语言处理入门 128


10.1 分词 128


10.1.1 英文分词 128


10.1.2 中文分词 129


10.2 语言模型 131


10.2.1 独热编码 131


10.2.2 词嵌入 133


10.2.3 从文本到词嵌入 134


10.2.4 自然语言处理领域的迁移学习 137


10.3 循环神经网络 139


10.3.1 循环神经网络的 原理 139


10.3.2 使用NumPy实现RNN层前向传播 140


10.3.3 循环神经网络存在的问题 142


10.3.4 长短期记忆网络 143


本章小结 143


*11章 语音助手意图分类 144


11.1 数据集 144


11.1.1 加载数据集 145


11.1.2 数据预处理 146


11.2 双向长短期记忆网络 151


11.3 预训练词嵌入网络 152


11.4 保存和加载模型 155


本章小结 157


*12章 自然语言生成实战 158


12.1 利用语言模型写诗 158


12.1.1 语言模型的应用 158


12.1.2 采样策略 159


12.1.3 利用LSTM语言模型 写诗 159


12.2 Seq2Seq语言模型 167


12.2.1 编码器 167


12.2.2 解码器 168


12.3 利用Seq2Seq语言模型实现中英文翻译 168


12.3.1 tf.keras中的函数式模型 168


12.3.2 数据预处理 169


12.3.3 Seq2Seq翻译模型的训练 171


12.3.4 Seq2Seq翻译模型的预测 173


本章小结 176


*13章 中文实体识别实战 177


13.1 报纸实体识别 177


13.1.1 数据集 177


13.1.2 训练模型 181


13.1.3 评估序列标注 182


13.2 使用BERT进行迁移学习实体识别 183


13.2.1 在tf.keras中加载BERT模型 184


13.2.2 构建迁移模型 186


本章小结 188


*14章 生成对抗网络 189


14.1 生成对抗网络的原理 189


14.2 搭建生成对抗网络 190


14.2.1 生成器 190


14.2.2 判别器 191


14.2.3 完成生成对抗网络的 搭建 191


14.3 训练生成对抗网络 192


14.4 辅助类别生成对抗网络 196


14.5 GAN的评估 201


14.5.1 Inception Score 202


14.5.2 Fréchet Inception 距离 203


本章小结 205


*15章 强化学习 206


15.1 强化学习概述 206


15.1.1 基础内容 206


15.1.2 Gym框架简介 208


15.1.3 随机动作策略 210


15.2 Q-Learning 212


15.2.1 Q-Learning简介 212


15.2.2 Q-Learning的实现 213


15.3 Deep Q-Learning 216


15.3.1 Lunar Lander v2 216


15.3.2 随机动作Agent 217


15.3.3 DQN的训练 219


本章小结 225


*16章 部署模型 226


16.1 使用Flask部署 226


16.1.1 Flask入门 226


16.1.2 利用Flask部署图像分类模型 227


16.2 TensorFlow Serving 229


16.2.1 使用命令行工具部署 230


16.2.2 使用Docker部署 231


16.2.3 调用REST接口 232


16.2.4 版本控制 233


本章小结 234