深度學習私房菜：跟著案例學TensorFlow

目錄
1 卷積神經網(wǎng)絡與環(huán)境搭建1
1．1 概述 1
1．2 卷積神經網(wǎng)絡 2
1．2．1 卷積層 3
1．2．2 修正線性單元． 6
1．2．3 池化層 8
1．2．4 全連接層 8
1．2．5 softmax 層 9
1．2．6 LeNet-5 網(wǎng)絡 9
1．3 準備開發(fā)環(huán)境 10
1．3．1 Anaconda 環(huán)境搭建 10
1．3．2 安裝TensorFlow 1．x 11
1．3．3 FloydHub 使用介紹 13
1．3．4 AWS 使用介紹 18
1．4 本章小結 26
2 卷積神經網(wǎng)絡實踐：圖像分類27
2．1 概述 27
2．2 卷積神經網(wǎng)絡項目實踐：基于TensorFlow 1．x 27
2．2．1 數(shù)據(jù)預處理． 28
2．2．2 網(wǎng)絡模型 33
2．2．3 訓練網(wǎng)絡 39
2．3 卷積神經網(wǎng)絡項目實踐：基于TensorFlow 2．0 41
2．3．1 TensorFlow 2．0 介紹 41
2．3．2 CIFAR-100 分類網(wǎng)絡的TensorFlow 2．0 實現(xiàn) 44
2．4 本章小結． 60
3 彩票預測和生成古詩61
3．1 概述 61
3．2 RNN 61
3．3 LSTM 63
3．4 嵌入矩陣． ． 66
3．5 實現(xiàn)彩票預測 69
3．5．1 數(shù)據(jù)預處理． 70
3．5．2 構建神經網(wǎng)絡． 71
3．5．3 訓練神經網(wǎng)絡 75
3．5．4 分析網(wǎng)絡訓練情況 83
3．5．5 生成預測號碼． 88
3．6 文本生成． 93
3．7 生成古詩：基于TensorFlow 2．0 96
3．7．1 數(shù)據(jù)預處理 96
3．7．2 構建網(wǎng)絡 99
3．7．3 開始訓練． 102
3．7．4 生成古詩 102
3．8 自然語言處理 106
3．8．1 序列到序列 106
3．8．2 Transformer ． 108
3．8．3 BERT 112
3．9 本章小結 118
4 個性化推薦系統(tǒng)119
4．1 概述 ． 119
4．2 MovieLens 1M 數(shù)據(jù)集分析． 120
4．2．1 下載數(shù)據(jù)集 ． 120
4．2．2 用戶數(shù)據(jù)． 120
4．2．3 電影數(shù)據(jù)． 122
4．2．4 評分數(shù)據(jù)． 123
4．3 數(shù)據(jù)預處理． 123
4．3．1 代碼實現(xiàn)． ． 124
4．3．2 加載數(shù)據(jù)并保存到本地 ． 127
4．3．3 從本地讀取數(shù)據(jù) 128
4．4 神經網(wǎng)絡模型設計 128
4．5 文本卷積神經網(wǎng)絡 130
4．6 實現(xiàn)電影推薦：基于TensorFlow 1．x 131
4．6．1 構建計算圖 131
4．6．2 訓練網(wǎng)絡 139
4．6．3 實現(xiàn)個性化推薦 144
4．7 實現(xiàn)電影推薦：基于TensorFlow 2．0 154
4．7．1 構建模型 154
4．7．2 訓練網(wǎng)絡 166
4．7．3 實現(xiàn)個性化推薦 166
4．8 本章小結 169
5 廣告點擊率預估：Kaggle 實戰(zhàn)170
5．1 概述 ． 170
5．2 下載數(shù)據(jù)集． ． 170
5．3 數(shù)據(jù)字段的含義 ． 171
5．4 點擊率預估的實現(xiàn)思路 172
5．4．1 梯度提升決策樹． 172
5．4．2 因子分解機． ． 172
5．4．3 場感知分解機 ． 174
5．4．4 網(wǎng)絡模型 175
5．5 數(shù)據(jù)預處理． 176
5．5．1 GBDT 的輸入數(shù)據(jù)處理． 177
5．5．2 FFM 的輸入數(shù)據(jù)處理． 177
5．5．3 DNN 的輸入數(shù)據(jù)處理 179
5．5．4 數(shù)據(jù)預處理的實現(xiàn)． 180
5．6 訓練FFM 188
5．7 訓練GBDT ． 197
5．8 用LightGBM 的輸出生成FM 數(shù)據(jù)． 203
5．9 訓練FM ． 207
5．10 實現(xiàn)點擊率預估：基于TensorFlow 1．x ． 218
5．10．1 構建神經網(wǎng)絡 219
5．10．2 訓練網(wǎng)絡 ． 225
5．10．3 點擊率預估 ． 231
5．11 實現(xiàn)點擊率預估：基于TensorFlow 2．0 ． 237
5．12 本章小結 ． 245
6 人臉識別246
6．1 概述． ． ． ． 246
6．2 人臉檢測． 247
6．2．1 OpenCV 人臉檢測 ． 247
6．2．2 dlib 人臉檢測 251
6．2．3 MTCNN 人臉檢測 254
6．3 提取人臉特征． 264
6．3．1 使用FaceNet 提取人臉特征 ． 264
6．3．2 使用VGG 網(wǎng)絡提取人臉特征 265
6．3．3 使用dlib 提取人臉特征． 272
6．4 人臉特征的比較． ． 276
6．5 從視頻中找人的實現(xiàn)． 282
6．6 視頻找人的案例實踐． ． 284
6．7 人臉識別：基于TensorFlow 2．0 ． ． 302
6．8 本章小結． ． 303
7 AlphaZero / AlphaGo 實踐：中國象棋304
7．1 概述． ． ． 304
7．2 論文解析 ． ． 305
7．2．1 蒙特卡羅樹搜索算法． 307
7．2．2 神經網(wǎng)絡． 312
7．2．3 AlphaZero 論文解析． 314
7．3 實現(xiàn)中國象棋：基于TensorFlow 1．x ． 317
7．3．1 中國象棋著法表示和FEN 格式． 317
7．3．2 輸入特征的設計 321
7．3．3 實現(xiàn)神經網(wǎng)絡． 323
7．3．4 神經網(wǎng)絡訓練和預測． 327
7．3．5 通過自我對弈訓練神經網(wǎng)絡 330
7．3．6 自我對弈 334
7．3．7 實現(xiàn)蒙特卡羅樹搜索：異步方式． 340
7．3．8 訓練和運行 353
7．4 實現(xiàn)中國象棋：基于TensorFlow 2．0，多GPU 版． 354
7．5 本章小結 364
8 漢字OCR 365
8．1 概述． 365
8．2 分類網(wǎng)絡實現(xiàn)漢字OCR 365
8．2．1 圖片矯正 366
8．2．2 文本切割． 368
8．2．3 漢字分類網(wǎng)絡． 369
8．3 端到端的漢字OCR：基于TensorFlow 1．x ． 371
8．3．1 CNN 設計 372
8．3．2 雙向LSTM 設計． ． 374
8．3．3 CTC 損失 385
8．3．4 端到端漢字OCR 的網(wǎng)絡訓練． 388
8．4 漢字OCR：基于TensorFlow 2．0 395
8．4．1 CNN 的實現(xiàn)． 395
8．4．2 雙向LSTM 的實現(xiàn)． 396
8．4．3 OCR 網(wǎng)絡的訓練． 403
8．5 本章小結． 406
9 強化學習：玩轉Flappy Bird 和超級馬里奧407
9．1 概述． 407
9．2 DQN 算法． 407
9．3 實現(xiàn)DQN 玩Flappy Bird：基于TensorFlow 1．x ． 412
9．4 實現(xiàn)DQN 玩Flappy Bird：基于TensorFlow 2．0 ． 417
9．5 使用OpenAI Baselines 玩超級馬里奧． ． 424
9．5．1 Gym ． 424
9．5．2 自定義Gym 環(huán)境． ． 426
9．5．3 使用Baselines 訓練． ． 431
9．5．4 使用訓練好的智能體玩游戲． ． 437
9．5．5 開始訓練馬里奧游戲智能體． ． 438
9．6 具有好奇心的強化學習算法． 443
9．7 本章小結． ． 444
10 生成對抗網(wǎng)絡實踐：人臉生成445
10．1 概述 ． 445
10．2 GAN ． 446
10．3 DCGAN?。?447
10．3．1 生成器． ?。?448
10．3．2 判別器．　 449
10．4 WGAN 　 449
10．5 WGAN-GP ． 　451
10．5．1 WGAN-GP 算法． 　 451
10．5．2 訓練WGAN-GP 生成人臉：基于TensorFlow 1．x ．　 452
10．5．3 訓練WGAN-GP 生成人臉：基于TensorFlow 2．0 ．　 ． 462
10．6 PG-GAN 和TL-GAN ．　． 469
10．7 本章小結． ?。?473