《21个项⽬玩转深度学习：基于TensorFlow的实践详解》⾼清中
⽂PDF、代码⽰例资源推荐
版权归《21个项⽬玩转深度学习：基于TensorFlow的实践详解》作者所有，请在下载后24⼩时内删除！⽀持作者，购买正版书籍！
《21个项⽬玩转深度学习：基于TensorFlow的实践详解》⾼清PDF + 源代码免费下载
《21个项⽬玩转深度学习：基于TensorFlow的实践详解》⾼清PDF + 源代码免费下载
下载地址：
提取码：rib3
解压密码：圆周率精确到百万分位（或者私信）
⼆维码下载：
⾼清中⽂版PDF，共378页，带书签⽬录，⽂字可以复制粘贴，附带配套源代码。
《21个项⽬玩转深度学习——基于TensorFlow的实践详解》以实践为导向，深⼊介绍了深度学习技术和TensorFlow框架编程内容。 通过本书，读者可以训练⾃⼰的图像识别模型、进⾏⽬标检测和⼈脸识别、完成⼀个风格迁移应⽤，还可以使⽤神经⽹络⽣成图像和⽂本，进⾏时间序列预测、搭建机器翻译引擎，训练机器玩游戏。全书共包含21个项⽬，分为深度卷积⽹络、RNN⽹络、深度强化学习三部分。读者可以在⾃⼰动⼿实践的过程中到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow的过程变得轻松和⾼效。本书代码基于TensorFlow 1.4及以上版本，并介绍了TensorFlow中的⼀些新特性。
  本书适合有⼀定机器学习基础的学⽣、研究者或从业者阅读，尤其是希望深⼊研究TensorFlow和深度学习算法的数据⼯程师，也适合对⼈⼯智能、深度学习感兴趣的在校学⽣，以及希望进⼊⼤数据应⽤的研究者。
何之源，知乎专栏AI Insight作者。针对Tensorflow早期学习案例不⾜的情况，在⽹上撰写了⼤量实践⽂章与TensorFlow教程，教程风格清晰易懂⼜不失深度，获得了⼴⼤读者的肯定。热爱编程，在⼈⼯智能和深度学习领域有丰富的实践经验。
第1章 MNIST机器学习⼊门 1
1.1 MNIST数据集 2
1.1.1 简介 2
1.1.2 实验：将MNIST数据集保存为图⽚ 5
1.1.3 图像标签的独热(one-hot)表⽰ 6
1.2 利⽤TensorFlow识别MNIST 8
1.2.1 Softmax回归 8
1.2.2 两层卷积⽹络分类 14
第2章 CIFAR-10与ImageNet图像识别 19
2.1 CIFAR-10数据集 20
2.1.1 CIFAR-10简介 20
2.1.2 下载CIFAR-10数据 21
2.1.3 TensorFlow的数据读取机制 23
2.1.4 实验：将CIFAR-10数据集保存为图⽚形式 30 2.2 利⽤TensorFlow训练CIFAR-10识别模型 34 2.2.1 数据增强（Data Augmentation） 34
2.2.2 CIFAR-10识别模型 36
2.2.3 训练模型 39
2.2.4 在TensorFlow中查看训练进度 39
2.2.5 测试模型效果 42
2.3 ImageNet图像识别模型 44
2.3.1 ImageNet数据集简介 44
2.3.2 历代ImageNet图像识别模型 45
2.4 总结 49
第3章 打造⾃⼰的图像识别模型 50
3.1 微调（Fine-tune）的原理 51
3.2 数据准备 52
3.3 使⽤TensorFlow Slim微调模型 56
3.3.1 下载TensorFlow Slim的源代码 56
3.3.2 定义新的datasets⽂件 57
3.3.3 准备训练⽂件夹 59
3.3.4 开始训练 60
3.3.5 训练程序⾏为 62
3.3.6 验证模型正确率 63
3.3.7 TensorBoard可视化与超参数选择 64
3.3.8 导出模型并对单张图⽚进⾏识别 65
数据库学习入门书籍
第4章 Deep Dream模型 70
4.1 Deep Dream的技术原理 71
4.2 TensorFlow中的Deep Dream模型实践 73
4.2.1 导⼊Inception模型 73
4.2.2 ⽣成原始的Deep Dream图像 76
4.2.3 ⽣成更⼤尺⼨的Deep Dream图像 78
4.2.4 ⽣成更⾼质量的Deep Dream图像 82
4.2.5 *终的Deep Dream模型 87
4.3 总结 90
第5章 深度学习中的⽬标检测 91
5.1 深度学习中⽬标检测的原理 92
5.1.1 R-CNN的原理 92
5.1.2 SPPNet的原理 94
5.1.3 Fast R-CNN的原理 97
5.1.4 Faster R-CNN的原理 98
5.2 TensorFlow Object Detection API 101
5.2.1 安装TensorFlow Object Detection API 101 5.2.2 执⾏已经训练好的模型 103
5.2.3 训练新的模型 109
5.2.4 导出模型并预测单张图⽚ 113
5.3 总结 114
第6章 ⼈脸检测和⼈脸识别 115
6.1 MTCNN的原理 116
6.2 使⽤深度卷积⽹络提取特征 121
6.2.1 三元组损失（Triplet Loss）的定义 123
6.2.2 中⼼损失（Center Loss）的定义 123
6.3 使⽤特征设计应⽤ 125
6.4 在TensorFlow中实现⼈脸识别 126
6.4.2 LFW⼈脸数据库 127
6.4.3 LFW数据库上的⼈脸检测和对齐 128
6.4.4 使⽤已有模型验证LFW数据库准确率 129 6.4.5 在⾃⼰的数据上使⽤已有模型 130
6.4.6 重新训练新模型 133
6.4.7 三元组损失和中⼼损失的定义 138
6.5 总结 140
第7章 图像风格迁移 141
7.1 图像风格迁移的原理 142
7.1.1 原始图像风格迁移的原理 142
7.1.2 快速图像风格迁移的原理 148
7.2 在TensorFlow中实现快速风格迁移 149 7.2.1 使⽤预训练模型 150
7.2.2 训练⾃⼰的模型 153
7.2.3 在TensorBoard中监控训练情况 154 7.2.4 项⽬实现细节 157
7.3 总结 162
第8章 GAN和DCGAN⼊门 163
8.1 GAN的原理 164
8.2 DCGAN的原理 166
8.3 在TensorFlow中⽤DCGAN⽣成图像 169 8.3.1 ⽣成MNIST图像 170
8.3.2 使⽤⾃⼰的数据集训练 171
8.3.3 程序结构分析：如何将图像读⼊模型 173 8.3.4 程序结构分析：可视化⽅法 177
8.4 总结 180
第9章 pix2pix模型与⾃动上⾊技术 181
9.1 cGAN的原理 182

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。