本書以Tensor Flow為基礎,介紹機器學習的基礎知識與常用方法,全面細緻地提供了基本機器學習操作的原理和在Tensor Flow框架下的實現步驟。全書分為基礎篇和實戰篇,包括17章內容和兩個附錄,分別為深度學習簡介、深度學習框架、機器學習基礎知識、TensorFlow深度學習基礎、回歸模型、神經網路基礎、卷積神經網路與電腦視覺、神經網路與自然語言處理、基於YOLOV3的安全帽佩戴檢測、基於ResNet的人臉關鍵點檢測、基於ResNet的花卉圖片分類、基於U-Net的細胞分割、基於DCGAN的MNIST資料生成、基於遷移學習的電影評論分類、基於LSLM的原創音樂生成、基於RNN的文本分類以及基於Tensor FlowTTS的中文語音合成。本書將理論與實踐緊密結合,相信能為讀者提供有益的學習指導。本書適合Python深度學習初學者、機器學習演算法分析從業人員以及全國高等學校電腦科學與技術、軟體工程等相關專業的師生閱讀。
第一部分 基礎篇
第1章 深度學習簡介
1.1 電腦視覺
1.1.1 定義
1.1.2 基本任務
1.1.3 傳統方法
1.1.4 仿生學與深度學習
1.1.5 現代深度學習
1.1.6 影響卷積神經網路發展的因素
1.2 自然語言處理
1.2.1 自然語言處理的基本問題
1.2.2 傳統方法與神經網路方法的比較
1.2.3 發展趨勢
1.3 強化學習
1.3.1 什麼是強化學習
1.3.2 強化學習演算法簡介
1.3.3 強化學習的應用
第2章 深度學習框架
2.1 Caffe
2.1.1 Caffe簡介
2.1.2 Caffe的特點
2.1.3 Caffe概述
2.2 TensorFlow
2.2.1 TensorFlow簡介
2.2.2 資料流程圖
2.2.3 TensorFlow的特點
2.2.4 TensorFlow概述
2.3 PyTorch
2.3.1 PyTorch簡介
2.3.2 PyTorch的特點
2.3.3 PyTorch概述
2.4 三者的比較
2.4.1 Caffe
2.4.2 TensorFlow
2.4.3 PyTorch
第3章 機器學習基礎知識
3.1 模型評估與模型參數選擇
3.1.1 驗證
3.1.2 正則化
3.2 監督學習與非監督學習
3.2.1 監督學習
3.2.2 非監督學習
第4章 TensorFlow深度學習基礎
4.1 Tensor對象及其運算
4.2 Tensor的索引和切片
4.3 Tensor的變換、拼接和拆分
4.4 TensorFlow的Reduction操作
4.5 三種計算圖
4.6 TensorFlow的自動微分
第5章 回歸模型