TensorFlow深度學(xué)習(xí)實(shí)戰(zhàn)

譯者序
前言
作者簡介
審校者簡介
第1章　TensorFlow簡介 1
1.1　引言 1
1.2　TensorFlow安裝 2
1.3　Hello world 6
1.4　理解TensorFlow程序結(jié)構(gòu) 8
1.5　常量、變量和占位符 10
1.6　使用TensorFlow 執(zhí)行矩陣操作 15
1.7　使用數(shù)據(jù)流圖 17
1.8　從0.x遷移到1.x 18
1.9　使用XLA提升運(yùn)算性能 19
1.10　調(diào)用CPU/GPU設(shè)備 21
1.11　TensorFlow與深度學(xué)習(xí) 24
1.12　DNN問題需要的Python包 28
第2章　回歸 30
2.1　引言 30
2.2　選擇損失函數(shù) 31
2.3　TensorFlow中的優(yōu)化器 33
2.4　讀取CSV文件和數(shù)據(jù)預(yù)處理 36
2.5　房價估計(jì)——簡單線性回歸 39
2.6　房價估計(jì)——多元線性回歸 42
2.7　MNIST數(shù)據(jù)集的邏輯回歸 45
第3章　神經(jīng)網(wǎng)絡(luò)——感知機(jī) 50
3.1　引言 50
3.2　激活函數(shù) 52
3.3　單層感知機(jī) 58
3.4　計(jì)算反向傳播算法的梯度 60
3.5　使用MLP實(shí)現(xiàn)MNIST分類器 63
3.6　使用MLP逼近函數(shù)來預(yù)測波士頓房價 66
3.7　調(diào)整超參數(shù) 71
3.8　高級API——Keras 72
第4章　卷積神經(jīng)網(wǎng)絡(luò) 75
4.1　引言 75
4.2　創(chuàng)建一個ConvNet來分類手寫MNIST數(shù)字 79
4.3　創(chuàng)建一個ConvNet來分類CIFAR-10數(shù)據(jù)集 84
4.4　用VGG19做風(fēng)格遷移的圖像重繪 87
4.5　使用預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí) 96
4.6　創(chuàng)建DeepDream網(wǎng)絡(luò) 100
第5章　高級卷積神經(jīng)網(wǎng)絡(luò) 105
5.1　引言 105
5.2　為情感分析創(chuàng)建一個ConvNet 106
5.3　檢驗(yàn)VGG預(yù)建網(wǎng)絡(luò)學(xué)到的濾波器 109
5.4　使用 VGGNet、ResNet、Inception和Xception分類圖像 113
5.5　重新利用預(yù)建深度學(xué)習(xí)模型進(jìn)行特征提取 125
5.6　用于遷移學(xué)習(xí)的深層InceptionV3網(wǎng)絡(luò) 126
5.7　使用擴(kuò)張ConvNet、WaveNet和 NSynth生成音樂 129
5.8　關(guān)于圖像的問答 134
5.9　利用預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行視頻分類的6種方法 140
第6章　循環(huán)神經(jīng)網(wǎng)絡(luò) 144
6.1　引言 144
6.2　神經(jīng)機(jī)器翻譯——seq2seq RNN訓(xùn)練 150
6.3　神經(jīng)機(jī)器翻譯——seq2seq RNN推理 156
6.4　你所需要的是注意力—另一個seq2seq RNN例子 157
6.5　使用RNN像莎士比亞一樣寫作 161
6.6　基于RNN學(xué)習(xí)預(yù)測比特幣價格 165
6.7　多對一和多對多的RNN例子 174
第7章　無監(jiān)督學(xué)習(xí) 176
7.1　引言 176
7.2　主成分分析 176
7.3　k均值聚類 181
7.4　自組織映射 186
7.5　受限玻爾茲曼機(jī) 191
7.6　基于RBM的推薦系統(tǒng) 196
7.7　用DBN進(jìn)行情緒檢測 198
第8章　自動編碼機(jī) 205
8.1　引言 205
8.2　標(biāo)準(zhǔn)自動編碼機(jī) 207
8.3　稀疏自動編碼機(jī) 212
8.4　去噪自動編碼機(jī) 217
8.5　卷積自動編碼機(jī) 221
8.6　堆疊自動編碼機(jī) 225
第9章　強(qiáng)化學(xué)習(xí) 231
9.1　引言 231
9.2　學(xué)習(xí)OpenAI Gym 232
9.3　用神經(jīng)網(wǎng)絡(luò)智能體玩Pac-Man游戲 235
9.4　用Q learning玩Cart-Pole平衡游戲 238
9.5　用DQN玩Atari游戲 244
9.6　用策略梯度網(wǎng)絡(luò)玩Pong游戲 252
第10章　移動端計(jì)算 259
10.1　引言 259
10.2　安裝適用于macOS和Android的TensorFlow mobile 260
10.3　玩轉(zhuǎn)TensorFlow和Android的示例 265
10.4　安裝適用于macOS和iPhone的TensorFlow mobile 268
10.5　為移動設(shè)備優(yōu)化TensorFlow計(jì)算圖 271
10.6　為移動設(shè)備分析TensorFlow計(jì)算圖 273
10.7　為移動設(shè)備轉(zhuǎn)換TensorFlow計(jì)算圖 275
第11章　生成式模型和CapsNet 278
11.1　引言 278
11.2　學(xué)習(xí)使用簡單GAN虛構(gòu)MNIST圖像 284
11.3　學(xué)習(xí)使用DCGAN虛構(gòu)MNIST圖像 289
11.4　學(xué)習(xí)使用DCGAN虛構(gòu)名人面孔和其他數(shù)據(jù)集 294
11.5　實(shí)現(xiàn)變分自動編碼機(jī) 297
11.6　學(xué)習(xí)使用膠囊網(wǎng)絡(luò)擊敗MNIST前期的最新成果 305
第12章　分布式TensorFlow和云深度學(xué)習(xí) 319
12.1　引言 319
12.2　在GPU上使用TensorFlow 322
12.3　玩轉(zhuǎn)分布式TensorFlow：多個GPU和一個CPU 323
12.4　玩轉(zhuǎn)分布式TensorFlow：多服務(wù)器 324
12.5　訓(xùn)練分布式TensorFlow MNIST分類器 326
12.6　基于Docker使用TensorFlow Serving 328
12.7　使用計(jì)算引擎在谷歌云平臺上運(yùn)行分布式TensorFlow 330
12.8　在谷歌CloudML上運(yùn)行分布式TensorFlow 333
12.9　在Microsoft Azure上運(yùn)行分布式TensorFlow 334
12.10　在Amazon AWS上運(yùn)行分布式TensorFlow 337
附錄A　利用AutoML學(xué)會學(xué)習(xí)（元學(xué)習(xí)） 342
附錄B　TensorFlow處理器 350