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

《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。

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。

*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