深度学习实战：基于TensorFlow 2和Keras（原书第2版）

本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1.x和TensorFlow 2.0编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的绝佳指南。

审校者简介

章 基于tensorflow 2.0的神经网络基础1

1.1 tensorflow是什么1

1.2 keras是什么3

1.3 tensorflow 2.0有哪些重要的改动3

1.4 神经网络概述4

1.5 感知器5

1.6 多层感知器——个神经网络示例6

1.6.1 感知器训练的问题及对策6

1.6.2 激活函数——sigmoid函数7

1.6.3 激活函数——tanh函数7

1.6.4 激活函数——relu函数8

1.6.5 两个拓展激活函数——elu函数和leakyrelu函数8

1.6.6 激活函数结9

1.6.7 神经网络到底是什么9

1.7 示例——识别手写数字10

1.7.1 独热编码10

1.7.2 在tensorflow 2.0中定义一个简单的神经网络10

1.7.3 运行一个简单的tensorflow 2.0神经网络并建立测试基线14

1.7.4 使用隐藏层改进tensorflow 2.0的简单神经网络15

1.7.5 利用失活进一步改进ten-sor flow 2.0的简单神经网络18

1.7.6 测试tensorflow 2.0的不同优化器19

1.7.7 增加epoch数24

1.7.8 控制优化器学率25

1.7.9 增加隐藏神经元的数量25

1.7.10 增加批量计算的大小26

1.7.11 手写图识别实验结26

1.8 正则化27

1.8.1 采用正则化以避过拟合27

1.8.2 理解批量归一化28

1.9 google colab——cpu、gpu和tpu29

1.10 情感分析31

1.11 超参数调谐和automl33

1.12 预测输出34

1.13 反向传播的实用概述34

1.14 我们学到了什么35

1.15 迈向深度学方式35

1.16 参文献36

第2章 tensorflow 1.x与2.x37

2.1 理解tensorflow 1.x37

2.1.1 tensorflow 1.x计算图程序结构37

2.1.2 常量、变量和占位符的使用39

2.1.3 作对象示例40

2.1.4 tensorflow 2.x中的tensorflow 1.x示例43

2.2 理解tensorflow 2.x44

2.2.1 即刻执行44

2.2.2 autograph45

2.2.3 keras api的三种编程模型47

2.2.4 回调49

2.2.5 保存模型和权重50

2.2.6 使用tf.data.datasets训练50

2.2.7 tf.keras还是估算器53

2.2.8 不规则张量55

2.2.9 自定义训练55

2.2.10 tensorflow 2.x中的分布式训练56

2.2.11 命名空间的改动59

2.2.12 1.x至2.x的转换59

2.2.13 高效使用tensorflow 2.x59

2.3 tensorflow 2.x生态系统60

2.4 keras还是tf.keras61

2.5 小结62

第3章 回归64

3.1 什么是回归64

3.2 使用线回归进行预测65

3.2.1 简单线回归65

3.2.2 多线回归68

3.2.3 多元线回归68

3.3 tensorflow estimator69

3.3.1 特征列69

3.3.2 输入函数70

3.3.3 使用tensorflow estimatorapi的mnist70

3.4 使用线回归预测房价71

3.5 分类任务和决策边界75

3.5.1 logistic回归75

3.5.2 mnist数据集上的logistic回归76

3.6 小结80

3.7 参文献80

第4章 卷积神经网络81

4.1 深度卷积神经网络81

4.1.1 局部感受野82

4.1.2 共享权重和偏差82

4.1.3 数学示例83

4.1.4 tensorflow 2.x中的convs83

4.1.5 池化层84

4.2 dn的示例——le85

4.2.1 tensorflow 2.0中的le代码85

4.2.2 理解深度学的力量90

4.3 通过深度学识别cifar-10图像91

4.3.1 用更深的网络提高cifar-10的能93

4.3.2 用数据增强提高cifar-10的能95

4.3.3 基于cifar-10预测97

4.4 用于大规模图像识别的超深度卷积网络98

4.4.1 基于vgg16神经网络识别猫100

4.4.2 使用tf.keras内置的vgg16 模块101

4.4.3 复用预建深度学模型以提取特征102

4.5 小结103

4.6 参文献103

第5章 卷积神经网络104

5.1 计算机视觉104

5.1.1 复杂任务的n组合104

5.1.2 用tf.keras-estimator模型对fashion-mnist分类111

5.1.3 在gpu上运行fashion-mnisttf.keras-estimator模型113

5.1.4 用于迁移学的deep inception-v3 114

5.1.5 迁移学：分类人和马117

5.1.6 基于tf.keras和tensorflow hub的application zoo120

5.1.7 其他n架构121

5.1.8 回答有关图像的问题124

5.1.9 风格迁移127

5.1.10 创建deepdream网络129

5.1.11 查看深度网络学到的内容132

5.2 133

5.3 文本文件134

5.4 音频和音乐137

5.5 卷积运算小结141

5.5.1 基本卷积神经网络141

5.5.2 空洞卷积141

5.5.3 可分离卷积141

5.5.4 深度卷积142

5.5.5 深度可分离卷积142

5.6 胶囊网络142

5.6.1 n有什么问题142

5.6.2 caule网络有什么新功能143

5.7 小结144

5.8 参文献144

第6章 生成对抗网络146

6.1 什么是gan146

6.2 深度卷积gan152

6.3 一些有趣的gan架构161

6.3.1 srgan161

6.3.2 cyclegan162

6.3.3 infogan164

……

前言

作者简介

审校者简介

第1章　基于TensorFlow 2.0的神经网络基础1

1.1　TensorFlow是什么1

1.2　Keras是什么3

1.3　TensorFlow 2.0有哪些重要的改动3

1.4　神经网络概述4

1.5　感知器5

1.6　多层感知器—个神经网络示例6

1.6.1　感知器训练的问题及对策6

1.6.2　激活函数—sigmoid函数7

1.6.3　激活函数—tanh函数7

1.6.4　激活函数—ReLU函数8

1.6.5　两个拓展激活函数—ELU函数和LeakyReLU函数8

1.6.6　激活函数总结9

1.6.7　神经网络到底是什么9

1.7　示例—识别手写数字10

1.7.1　独热编码10

1.7.2　在TensorFlow 2.0中定义一个简单的神经网络10

1.7.3　运行一个简单的TensorFlow 2.0神经网络并建立测试基线14

1.7.4　使用隐藏层改进TensorFlow 2.0的简单神经网络15

1.7.5　利用随机失活进一步改进Ten-sor Flow 2.0的简单神经网络18

1.7.6　测试TensorFlow 2.0的不同优化器19

1.7.7　增加epoch数24

1.7.8　控制优化器学习率25

1.7.9　增加内部隐藏神经元的数量25

1.7.10　增加批量计算的大小26

1.7.11　手写图识别实验总结26

1.8　正则化27

1.8.1　采用正则化以避免过拟合27

1.8.2　理解批量归一化28

1.9　Google Colab—CPU、GPU和TPU29

1.10　情感分析31

1.11　超参数调谐和AutoML33

1.12　预测输出34

1.13　反向传播的实用概述34

1.14　我们学到了什么35

1.15　迈向深度学习方式35

1.16　参考文献36

第2章　TensorFlow 1.x与2.x37

2.1　理解TensorFlow 1.x37

2.1.1　TensorFlow 1.x计算图程序结构37

2.1.2　常量、变量和占位符的使用39

2.1.3　操作对象示例40

2.1.4　TensorFlow 2.x中的TensorFlow 1.x示例43

2.2　理解TensorFlow 2.x44

2.2.1　即刻执行44

2.2.2　AutoGraph45

2.2.3　Keras API的三种编程模型47

2.2.4　回调49

2.2.5　保存模型和权重50

2.2.6　使用tf.data.datasets训练50

2.2.7　tf.keras还是估算器53

2.2.8　不规则张量55

2.2.9　自定义训练55

2.2.10　TensorFlow 2.x中的分布式训练56

2.2.11　命名空间的改动59

2.2.12　1.x至2.x的转换59

2.2.13　高效使用TensorFlow 2.x59

2.3　TensorFlow 2.x生态系统60

2.4　Keras还是tf.keras61

2.5　小结62

第3章　回归64

3.1　什么是回归64

3.2　使用线性回归进行预测65

3.2.1　简单线性回归65

3.2.2　多线性回归68

3.2.3　多元线性回归68

3.3　TensorFlow Estimator69

3.3.1　特征列69

3.3.2　输入函数70

3.3.3　使用TensorFlow EstimatorAPI的MNIST70

3.4　使用线性回归预测房价71

3.5　分类任务和决策边界75

3.5.1　logistic回归75

3.5.2　MNIST数据集上的logistic回归76

3.6　小结80

3.7　参考文献80

第4章　卷积神经网络81

4.1　深度卷积神经网络81

4.1.1　局部感受野82

4.1.2　共享权重和偏差82

4.1.3　数学示例83

4.1.4　TensorFlow 2.x中的ConvNets83

4.1.5　池化层84

4.2　DCNN的示例—LeNet85

4.2.1　TensorFlow 2.0中的LeNet代码85

4.2.2　理解深度学习的力量90

4.3　通过深度学习识别CIFAR-10图像91

4.3.1　用更深的网络提高CIFAR-10的性能93

4.3.2　用数据增强提高CIFAR-10的性能95

4.3.3　基于CIFAR-10预测97

4.4　用于大规模图像识别的超深度卷积网络98

4.4.1　基于VGG16神经网络识别猫100

4.4.2　使用tf.keras内置的VGG16 Net模块101

4.4.3　复用预建深度学习模型以提取特征102

4.5　小结103

4.6　参考文献103

第5章　高级卷积神经网络104

5.1　计算机视觉104

5.1.1　复杂任务的CNN组合104

5.1.2　用tf.keras-estimator模型对Fashion-MNIST分类111

5.1.3　在GPU上运行Fashion-MNISTtf.keras-estimator模型113

5.1.4　用于迁移学习的Deep Inception-v3 Net114

5.1.5　迁移学习：分类人和马117

5.1.6　基于tf.keras和TensorFlow Hub的Application Zoo120

5.1.7　其他CNN架构121

5.1.8　回答有关图像的问题124

5.1.9　风格迁移127

5.1.10　创建DeepDream网络129

5.1.11　查看深度网络学到的内容132

5.2　视频133

5.3　文本文件134

5.4　音频和音乐137

5.5　卷积运算小结141

5.5.1　基本卷积神经网络141

5.5.2　空洞卷积141

5.5.3　可分离卷积141

5.5.4　深度卷积142

5.5.5　深度可分离卷积142

5.6　胶囊网络142

5.6.1　CNN有什么问题142

5.6.2　Capsule网络有什么新功能143

5.7　小结144

5.8　参考文献144

第6章　生成对抗网络146

6.1　什么是GAN146

6.2　深度卷积GAN152

6.3　一些有趣的GAN架构161

6.3.1　SRGAN161

6.3.2　CycleGAN162

6.3.3　I