《TensorFlow 2.x深度學習從入門到實戰》是一本由頡騰文化策劃，2023年北京理工大學出版社出版的圖書，作者是陳屹，主要講述了從TensorFlow 2.x的基礎知識講起，逐步深入其高級技術與使用技巧
基本介紹
- 中文名：TensorFlow 2.x深度學習從入門到實戰
- 作者：陳屹
- 出版時間：2023年11月1日
- 出版社：北京理工大學出版社
- ISBN：9787576330007
- 定價：129 元
- 開本：16 開
- 裝幀：精裝
內容簡介,圖書目錄,作者簡介,
內容簡介
《TensorFlow 2.x深度學習從入門到實戰》是作者研究和實踐人工智慧算法的經驗總結。本書通過圖表、案例和示例代碼相結合的方式，介紹TensorFlow 2.x框架的相關知識，幫助讀者打好紮實的人工智慧理論基礎，並將理論付諸實踐，通過“乾中學”的方式全面掌握複雜的算法理論。
《TensorFlow 2.x深度學習從入門到實戰》共3篇。第1篇“TensorFlow基礎”，主要介紹TensorFlow 2.x的基本開發方法及其重要接口的使用方法，讓讀者對其有較為全面的了解。第2篇“TensorFlow進階”，詳細介紹TensorFlow 2.x的高級開發功能，以及如何使用它開發基於深度學習的神經網路。第3篇“TensorFlow實戰”，詳細介紹TensorFlow 2.x在增強學習和GAN兩個專業領域的強大套用，以及其最新調用接口和開發模式，幫助讀者有效地將其套用到具體的項目實踐中。
《TensorFlow 2.x深度學習從入門到實戰》內容豐富，講解透徹，適合對人工智慧感興趣的人員閱讀，尤其是需要學習TensorFlow 2.x深度學習框架的入門與進階人員，另外還適合相關培訓機構作為培訓教材使用。
圖書目錄
第1篇 TensorFlow基礎
第1章 安裝TensorFlow 2
1.1 TensorFlow的安裝流程 2
1.2 運行TensorFlow的第一個程式 3
第2章 張量及其運算 4
2.1 常量張量的創建 4
2.2 張量維度的轉換 9
2.3 張量的運算 12
第3章 運算圖和會話管理 15
3.1 運算圖的形成 15
3.2 運算圖的數據結構 17
3.3 使用會話對象執行運算圖 19
3.3.1 互動式會話執行流程 19
3.3.2 使用會話日誌 20
3.4 使用TensorBoard實現數據可視化 20
3.4.1 啟動TensorBoard組件 21
3.4.2 顯示TensorBoard中的數據 22
第4章 模型訓練 24
4.1 變數張量 24
4.2 損失函式 25
4.3 漸進下降法 26
4.3.1 如何將數據讀入模型 27
4.3.2 模型訓練的基本流程 28
4.3.3 漸進下降法運行實例 29
4.3.4 漸進下降法的缺陷和應對 30
4.4 運算圖的存儲和載入 32
第2篇 TensorFlow進階
第5章 機器學習的基本概念 34
5.1 使用TensorFlow實現線性回歸 34
5.2 使用TensorFlow實現多項式回歸 36
5.3 使用邏輯回歸實現數據二元分類 38
5.3.1 邏輯函式 38
5.3.2 最大機率估計 39
5.3.3 用代碼實現邏輯回歸 40
5.4 使用多元邏輯回歸實現數據的多種分類 41
5.4.1 多元分類示例——識別手寫數字圖像 41
5.4.2 多元交叉熵 41
5.4.3 多元回歸模型代碼示例 43
第6章 使用TensorFlow開發神經網路 44
6.1 神經元和感知器 44
6.1.1 神經元的基本原理 44
6.1.2 感知器的基本原理 45
6.1.3 鏈路權重 46
6.1.4 激活函式 46
6.2 神經網路的運行原理 47
6.2.1 神經網路層 47
6.2.2 誤差反向傳播 48
6.3 構造神經網路識別手寫數字圖像 50
第7章 使用TensorFlow實現卷積網路 53
7.1 卷積運算 53
7.2 卷積運算的本質 54
7.3 卷積運算的相關參數和操作說明 55
7.4 使用TensorFlow開發卷積網路實例 56
7.5 卷積網路的訓練與套用 59
第8章 構造重定向網路 61
8.1 什麼是重定向網路 61
8.1.1 重定向網路的基本結構 61
8.1.2 cell部件的運算原理 62
8.2 使用TensorFlow構建RNN層 63
8.2.1 cell組件類簡介 63
8.2.2 創建RNN層接口調用簡介 64
8.3 使用RNN實現文本識別 65
8.3.1 文本數據預處理 65
8.3.2 網路模型的構建和訓練 66
8.4 長短程記憶組件 68
8.4.1 長短程記憶組件的內部原理 68
8.4.2 使用接口創建LSTM節點 70
8.4.3 使用LSTM網路實現文本識別 72
第9章 數據集的讀取與操作 74
9.1 TensorFlow的數據集對象 74
9.1.1 創建數值型數據集 74
9.1.2 數據生成器 75
9.1.3 從文本中讀入數據集 76
9.2 數據集的處理和加工 77
9.2.1 數據集的分批處理 77
9.2.2 基於數據集的若干操作 78
9.2.3 數據集條目的遍歷訪問 80
第10章 使用多執行緒、多設備和機器集群 84
10.1 多執行緒的配置 84
10.2 多處理器分發執行 85
10.3 集群分發控制 86
第11章 TensorFlow的高級接口Estimator 88
11.1 運行Estimator的基本流程 88
11.2 Estimator的初始化配置 90
11.3 Estimator導出模型套用實例 91
11.3.1 使用線性模型實例 91
11.3.2 使用神經網路分類器 93
11.3.3 使用線性回歸——深度網路混合模型 94
11.3.4 給Estimator添加自己的網路模型 99
第3篇 TensorFlow實戰
第12章 實現編解碼器網路 104
12.1 自動編解碼器的原理 104
12.2 一個簡單的編解碼器網路 105
12.3 使用多層編解碼器實現圖像重構 107
12.4 使用編解碼網路實現圖像去噪 112
12.5 可變編解碼器 115
12.5.1 可變編解碼器的基本原理 115
12.5.2 編解碼器的數學原理 117
12.5.3 用代碼實現編解碼網路 123
第13章 使用TensorFlow實現增強學習 127
13.1 搭建開發環境 127
13.2 增強學習的基本概念 129
13.3 馬爾可夫過程 132
13.4 馬爾可夫決策模型 133
13.5 開發一個增強學習示例 135
13.5.1 示例簡介 135
13.5.2 使用神經網路實現最優策略 136
13.6 冰凍湖問題 139
13.6.1 狀態值最佳化 141
13.6.2 貝爾曼函式 142
13.6.3 編碼解決冰凍湖問題 145
第14章 使用TensorFlow實現深Q網路 148
14.1 深Q算法的基本原理 149
14.2 深Q算法項目實踐 150
14.2.1 算法的基本原則 151
14.2.2 深Q網路模型 155
第15章 TensorFlow與策略下降法 163
15.1 策略導數 164
15.1.1 策略導數的底層原理 164
15.1.2 策略導數算法套用實例 166
15.1.3 策略導數的缺點 169
15.2 Actor-Critic算法 169
15.2.1 Actor-Critic算法的底層原理 169
15.2.2 Actor-Critic算法的實現 171
15.3 A3C算法原理 173
15.3.1 改變數回傳模式的代碼實現 175
15.3.2 訓練數據回傳模式的代碼實現 187
15.4 使用PPO算法玩轉《超級瑪麗》 192
15.4.1 PPO算法簡介 192
15.4.2 PPO算法的數學原理 193
15.4.3 PPO算法的代碼實現 194
第16章 使用TensorFlow 2.x的Eager模式開發高級增強學習算法 201
16.1 TensorFlow 2.x Eager模式簡介 201
16.2 使用Eager模式快速構建神經網路 202
16.3 在Eager模式下使用DDPG算法實現機械模擬控制 204
16.3.1 DDPG算法的基本原理 204
16.3.2 DDPG算法的代碼實現 206
16.4 DDPG算法改進——TD3算法的原理與實現 211
16.4.1 TD3算法的基本原理 212
16.4.2 TD3算法的代碼實現 213
16.5 TD3算法的升級版——SAC算法 218
16.5.1 SAC算法的基本原理 218
16.5.2 SAC算法的代碼實現 221
16.6 機率化深Q網路算法 226
16.6.1 連續機率函式的離散化表示 226
16.6.2 算法的基本原理 228
16.6.3 讓算法玩轉《雷神之錘》 229
16.7 D4PG——機率化升級的DDPG算法 236
16.7.1 D4PG算法的基本原理 236
16.7.2 通過代碼實現D4GP算法 237
第17章 使用TensorFlow 2.x實現生成型對抗性網路 245
17.1 生成型對抗性網路的基本原理與代碼實戰 245
17.2 WGAN——讓對抗性網路生成更複雜的圖像 253
17.2.1 推土距離 253
17.2.2 WGAN算法的基本原理 255
17.2.3 WGAN算法的代碼實現 256
17.3 WGAN_PG——讓網路生成細膩的人臉圖像 262
17.3.1 WGAN_PG算法的基本原理 262
17.3.2 WGAN_GP算法的代碼實現 263
17.4 使用CycleGAN實現“指鹿為馬” 269
17.4.1 CycleGAN技術的基本原理 269
17.4.2 用代碼實現CycleGAN 272
17.5 使用CycleGAN實現“無痛變性” 284
17.5.1 TensorFlow 2.x的數據集接口 284
17.5.2 網路代碼的實現 290
17.6 利用Attention機制實現自動譜曲 297
17.6.1 樂理的基本知識 298
17.6.2 網路訓練的數據準備 299
17.6.3 Attention網路結構說明 302
17.6.4 用代碼實現預測網路 304
17.7 使用MuseGAN生成多聲道音樂 310
17.7.1 樂理的基本知識補充 310
17.7.2 曲譜與圖像的共性 311
17.7.3 MuseGAN的基本原理 313
17.7.4 MuseGAN的代碼實現 314
17.8 使用自關注機制提升網路人臉的生成能力 322
17.8.1 Self-Attention機制的算法原理 322
17.8.2 引入spectral norm以保證訓練的穩定性 324
17.8.3 用代碼實現自關注網路 330
17.9 實現黑白圖像自動上色 338
17.9.1 算法的基本原理 338
17.9.2 網路內部結構設計 339
17.9.3 代碼實現 340
作者簡介
陳屹 海南康康餅網路科技有限公司CEO。畢業於數學專業，擁有十幾年的軟體開發經驗。曾經任職於聯想、微軟和RealNetworks等國內外知名公司，從事客戶端及服務端開發工作。熟練掌握C++、Java和Python等開發語言，擅長算法邏輯和架構設計。目前致力於人工智慧技術的研究，並運營B站視頻號coding迪斯尼。
