《白話深度學習與TensorFlow》是2017年機械工業出版社出版的圖書，作者是高揚、衛崢。
基本介紹
- 中文名：白話深度學習與TensorFlow
- 作者：高揚、衛崢
- 出版社：機械工業出版社
- 出版時間：2017年8月1日
- ISBN：9787111574576
編輯推薦,內容簡介,作者簡介,圖書目錄,
編輯推薦
技術暢銷書《白話大數據與機器學習》姊妹篇，YY大數據專家撰寫，李學凌、朱頻頻、王慶法、王海龍聯袂推薦。以插圖、類比和大量示例趣說深度學習網路的關鍵理念、算法與TensoeFlow實踐，涵蓋BP網路、CNN、RNN、受限玻爾茲曼機、深度殘差網路、強化學習、對抗學習，以及多個有趣套用。
內容簡介
本書基本獨立成冊，適用於零基礎的初學者。
基礎篇（第1～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。
原理與實踐篇（第4～8章），介紹“老牌”的深度學習網路的數學原理和工程實現原理，尤其是第4章，如果能基本讀懂，後面的網路實現層面的問題基本都可以迎刃而解。涵蓋BP網路、CNN、RNN的結構、思路、訓練與使用，以及一些常見的綜合性問題。該篇是學習深度學習的重點和難點，作者通過大量示例、推理與實現，幫讀者*大化降低學習曲線。
擴展篇（第9～13章），介紹一些網路的變種和一些較新的網路特性，涵蓋深度殘差網路、受限玻爾茲曼機、強化學習、對抗學習，這是讀者進一步學習與實踐思路的鑰匙。最後給出了一些有趣的深度學習套用：人臉識別、作詩姬、大師風圖像處理，有趣又有用。
作者簡介
高揚，歡聚時代資深大數據專家，曾任金山軟體西山居大數據架構師。有多年伺服器端開發經驗（多年日本和澳洲工作經驗），多年大數據架構設計與數據分析、處理經驗，目前負責歡聚時代直播部深度學習落地相關的研究。擅長傳統機器學習、深度學習、數據建模、關係型資料庫套用以及大數據框架等的套用。
衛崢，歡聚時代YY娛樂事業部軟體架構師，曾任西山居軟體架構師。多年的軟體開發和架構經驗，精通C/C++、Python、Golang、JavaScript等多門程式語言，近幾年專注於數據處理、機器學和深度學習算法的研究、音視頻圖形圖像處理，套用與服務研發。曾在新浪網平台架構部負責音視頻轉碼平台的架構和研發工作，為新浪微博、新浪微盤、秒拍等提供視頻線上看服務。在慕課網、InfoQ、麥思博、51CTO等平台擔任講師。
萬娟，深圳華為UI設計師，曾任星盤科技有限公司UI設計師平面，對VI設計、包裝、海報設計等、商業插畫、App互動、網頁設計等有獨到認識。多次參與智慧型家居和智慧型音箱等項目的UI設計。多次參加國際和國內藝術和工業設計比賽，並獲獎。從小酷愛繪畫，理想是開一個屬於自己的畫室。
圖書目錄
本書讚譽
序
前 言
基 礎 篇
第1章 機器學習是什麼 2
1.1 聚類 4
1.2 回歸 5
1.3 分類 8
1.4 綜合套用 10
1.5 小結 14
第2章 深度學習是什麼 15
2.1 神經網路是什麼 15
2.1.1 神經元 16
2.1.2 激勵函式 19
2.1.3 神經網路 24
2.2 深度神經網路 25
2.3 深度學習為什麼這么強 28
2.3.1 不用再提取特徵 28
2.3.2 處理線性不可分 29
2.4 深度學習套用 30
2.4.1 圍棋機器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡介 38
3.2 與其他框架的對比 39
3.3 其他特點 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結 46
原理與實踐篇
第4章 前饋神經網路 50
4.1 網路結構 50
4.2 線性回歸的訓練 51
4.3 神經網路的訓練 75
4.4 小結 79
第5章 手寫板功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實驗 86
5.3 神經網路為什麼那么強 92
5.3.1 處理線性不可分 93
5.3.2 挑戰“與或非” 95
5.3.3 豐富的VC——強大的空間
劃分能力 98
5.4 驗證集、測試集與防止過擬合 99
5.5 小結 102
第6章 卷積神經網路 103
6.1 與全連線網路的對比 103
6.2 卷積是什麼 104
6.3 卷積核 106
6.4 卷積層其他參數 108
6.5 池化層 109
6.6 典型CNN網路 110
6.7 圖片識別 114
6.8 輸出層激勵函式——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——卷積網路做圖片分類 124
6.10 小結 138
第7章 綜合問題 139
7.1 並行計算 139
7.2 隨機梯度下降 142
7.3 梯度消失問題 144
7.4 歸一化 147
7.5 參數初始化問題 149
7.6 正則化 151
7.7 其他超參數 155
7.8 不唯一的模型 156
7.9 DropOut 157
7.10 小結 158
第8章 循環神經網路 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結構 163
8.2.2 訓練過程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 套用場景 171
8.5 實踐案例——自動文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學習莎士比亞劇本 183
8.5.3 利用RNN學習維基百科 184
8.6 實踐案例——聊天機器人 185
8.7 小結 196
擴 展 篇
第9章 深度殘差網路 198
9.1 套用場景 198
9.2 結構解釋與數學推導 200
9.3 拓撲解釋 205
9.4 Github示例 207
9.5 小結 207
第10章 受限玻爾茲曼機 209
10.1 結構 209
10.2 邏輯回歸 210
10.3 最大似然度 212
10.4 最大似然度示例 214
10.5 損失函式 215
10.6 套用場景 216
10.7 小結 216
第11章 強化學習 217
11.1 模型核心 218
11.2 馬爾可夫決策過程 219
11.2.1 用遊戲開刀 221
11.2.2 準備工作 223
11.2.3 訓練過程 224
11.2.4 問題 226
11.2.5 Q-Learning算法 228
11.3 深度學習中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari遊戲 237
11.4 小結 238
第12章 對抗學習 239
12.1 目的 239
12.2 訓練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結 252
第13章 有趣的深度學習套用 254
13.1 人臉識別 254
13.2 作詩姬 259
13.3 梵谷附體 264
13.3.1 網路結構 265
13.3.2 內容損失 268
13.3.3 風格損失 270
13.3.4 係數比例 271
13.3.5 代碼分析 272
13.4 小結 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機的安裝 284
附錄C Python語言簡介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻 303
