深度學(xué)習(xí)：一起玩轉(zhuǎn)TensorLayer

定　價(jià)：￥99.00

作　者：	董豪著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787121326226	出版時(shí)間：	2018-01-01	包裝：	平裝
開本：	16	頁(yè)數(shù)：	340	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《深度學(xué)習(xí)：一起玩轉(zhuǎn)TensorLayer》由TensorLayer創(chuàng)始人領(lǐng)銜寫作，TensorLayer社區(qū)眾包完成，作者全部來(lái)自一線人工智能研究員和工程師，內(nèi)容不僅覆蓋了傳統(tǒng)書籍都有的多層感知器、卷積網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)及增強(qiáng)學(xué)習(xí)等，還著重講解了生成對(duì)抗網(wǎng)絡(luò)、學(xué)習(xí)方法和實(shí)踐經(jīng)驗(yàn)，配有若干產(chǎn)品級(jí)別的實(shí)例。讀者將會(huì)從零開始學(xué)會(huì)目前新的深度學(xué)習(xí)技術(shù)，以及使用TL實(shí)現(xiàn)各種應(yīng)用。《深度學(xué)習(xí)：一起玩轉(zhuǎn)TensorLayer》以通俗易懂的方式講解深度學(xué)習(xí)技術(shù)，同時(shí)配有實(shí)現(xiàn)方法教學(xué)，面向深度學(xué)習(xí)初學(xué)者、進(jìn)階者，以及希望長(zhǎng)期從事深度學(xué)習(xí)研究和產(chǎn)品開發(fā)的深度學(xué)習(xí)工程師和TensorFlow用戶。

作者簡(jiǎn)介

　　董豪：目前就讀于帝國(guó)理工學(xué)院，從事計(jì)算機(jī)視覺(jué)、醫(yī)療數(shù)據(jù)分析和深度學(xué)習(xí)理論研究，在ICCV、TNSRE、TIFS、ACM MM等會(huì)議和期刊發(fā)表過(guò)論文，Neurocomputing、TIP等會(huì)議和期刊的審稿人。有創(chuàng)業(yè)經(jīng)驗(yàn)，擅長(zhǎng)把深度學(xué)習(xí)算法與實(shí)際問(wèn)題結(jié)合，獲得多項(xiàng)國(guó)家發(fā)明專利和實(shí)用新型專利，TensorLayer創(chuàng)始人。郭毅可：帝國(guó)理工學(xué)院計(jì)算機(jī)系終身教授，Data Science Institute主任，Discovery Science Group主任，主持多項(xiàng)歐盟和英國(guó)大型項(xiàng)目，研究重點(diǎn)為機(jī)器學(xué)習(xí)、云計(jì)算、大數(shù)據(jù)和生物信息學(xué)。倫敦E-Science研究中心首席科學(xué)家，英國(guó)InforSense有限公司董事會(huì)主席兼首席執(zhí)行官，上海生物信息技術(shù)研究中心客座教授、首席科學(xué)家，TensorLayer項(xiàng)目領(lǐng)導(dǎo)。楊光：帝國(guó)理工醫(yī)學(xué)院高級(jí)研究員，皇家布朗普頓醫(yī)院醫(yī)學(xué)圖像分析師，倫敦大學(xué)圣喬治醫(yī)學(xué)院榮譽(yù)講師，倫敦大學(xué)學(xué)院（UCL）碩士、博士、IEEE會(huì)員、SPIE會(huì)員、ISMRM會(huì)員、BMVA會(huì)員，專注于醫(yī)療大數(shù)據(jù)以及醫(yī)學(xué)圖像的成像和分析，在各類期刊會(huì)議上發(fā)表論文近40篇，國(guó)際專利兩項(xiàng)，Medical Physics雜志臨時(shí)副主編，MIUA會(huì)議委員會(huì)委員，長(zhǎng)期為專業(yè)雜志會(huì)議義務(wù)審稿50余篇。其研究方向獲得英國(guó)EPSRC、CRUK、NIHR和British Heart Foundation （BHF）資助。近期致力于Medical AI方向的創(chuàng)新創(chuàng)業(yè)。吳超：帝國(guó)理工數(shù)字科學(xué)研究所研究員，主要從事醫(yī)療和城市領(lǐng)域數(shù)據(jù)分析和建模的研究工作，研究工作獲得EPSRC、Royal Society等多項(xiàng)研究基金資助。王劍虹：帝國(guó)理工碩士及利物浦大學(xué)本科畢業(yè)，主要研究語(yǔ)音識(shí)別分類問(wèn)題；目前在UCL攻讀研究型碩士，主要研究增強(qiáng)學(xué)習(xí)在游戲中的運(yùn)用。幺忠瑋：帝國(guó)理工碩士，本科畢業(yè)于北京郵電大學(xué)，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)，對(duì)生成模型和目標(biāo)識(shí)別領(lǐng)域感興趣。目前致力于將目標(biāo)檢測(cè)算法植入嵌入式系統(tǒng)實(shí)現(xiàn)即時(shí)檢測(cè)。張敬卿：帝國(guó)理工博士在讀，研究型碩士，主要研究興趣包括深度學(xué)習(xí)、數(shù)據(jù)挖掘、時(shí)間序列與文本挖掘、多模態(tài)問(wèn)題與生成模型。本科畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，曾獲得中國(guó)國(guó)家獎(jiǎng)學(xué)金。陳竑：北京大學(xué)光華管理學(xué)院在讀，哈爾濱工業(yè)大學(xué)電子與信息工程學(xué)院畢業(yè)，深度學(xué)習(xí)愛(ài)好者。林一鳴：帝國(guó)理工博士在讀，主要研究深度學(xué)習(xí)在人臉?lè)治龇较虻膽?yīng)用。于思淼：帝國(guó)理工博士在讀，浙江大學(xué)本科畢業(yè)，主要研究方向?yàn)樯疃葘W(xué)習(xí)、生成模型及其在計(jì)算機(jī)視覺(jué)方面的應(yīng)用。莫元漢：帝國(guó)理工博士在讀，北京航空航天大學(xué)本科畢業(yè)，主要研究方向?yàn)樯疃葘W(xué)習(xí)、動(dòng)力學(xué)及其在醫(yī)療圖像分析方面的應(yīng)用。袁航：瑞士洛桑聯(lián)邦理工（EPFL）碩士在讀，本科就讀于德國(guó)雅各布大學(xué)（Jacobs）計(jì)算機(jī)系，及在美國(guó)卡內(nèi)基梅隆大學(xué)（CMU）計(jì)算機(jī)科學(xué)學(xué)院交換學(xué)習(xí)，主要從事計(jì)算神經(jīng)科學(xué)與電腦人機(jī)接口研究。之前分別在帝國(guó)理工及馬克斯普朗克智能系統(tǒng)研究院（Max Planck Institute for Intelligent Systems）進(jìn)行研習(xí)，現(xiàn)在主要在EPFL G-lab研究脊髓修復(fù)對(duì)運(yùn)動(dòng)功能康復(fù)及血壓控制等課題。

圖書目錄

1 深度學(xué)習(xí)簡(jiǎn)介1
1.1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 1
1.1.1 引言 1
1.1.2 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者的關(guān)系 2
1.2 神經(jīng)網(wǎng)絡(luò) 3
1.2.1 感知器 3
1.2.2 激活函數(shù) 5
1.2.3 損失函數(shù) 8
1.2.4 梯度下降和隨機(jī)梯度下降 8
1.2.5 反向傳播算法簡(jiǎn)述 11
1.2.6 其他神經(jīng)網(wǎng)絡(luò) 12
1.3 學(xué)習(xí)方法建議 13
1.3.1 網(wǎng)絡(luò)資源 13
1.3.2 TensorFlow 官方深度學(xué)習(xí)教程 14
1.3.3 開源社區(qū) 15
1.4 TensorLayer 15
1.4.1 深度學(xué)習(xí)框架概況 15
1.4.2 TensorLayer 概括 16
1.4.3 實(shí)驗(yàn)環(huán)境配置 17
2 多層感知器19
2.1 McCulloch-Pitts 神經(jīng)元模型 19
2.1.1 人工神經(jīng)網(wǎng)絡(luò)到底能干什么？到底在干什么 21
2.1.2 什么是激活函數(shù)？什么是偏值 22
2.2 感知器 23
2.2.1 什么是線性分類器 24
2.2.2 線性分類器有什么優(yōu)缺點(diǎn) 26
2.2.3 感知器實(shí)例和異或問(wèn)題（XOR 問(wèn)題） 26
2.3 多層感知器 30
2.4 實(shí)現(xiàn)手寫數(shù)字分類 32
2.5 過(guò)擬合 40
2.5.1 什么是過(guò)擬合 40
2.5.2 Dropout 41
2.5.3 批規(guī)范化 42
2.5.4 L1、L2 和其他正則化方法 42
2.5.5 Lp 正則化的圖形化解釋 44
2.6 再實(shí)現(xiàn)手寫數(shù)字分類 46
2.6.1 數(shù)據(jù)迭代器 46
2.6.2 通過(guò)all_drop 啟動(dòng)與關(guān)閉Dropout 47
2.6.3 通過(guò)參數(shù)共享實(shí)現(xiàn)訓(xùn)練測(cè)試切換 50
3 自編碼器54
3.1 稀疏性 54
3.2 稀疏自編碼器 56
3.3 實(shí)現(xiàn)手寫數(shù)字特征提取 59
3.4 降噪自編碼器 65
3.5 再實(shí)現(xiàn)手寫數(shù)字特征提取 68
3.6 堆棧式自編碼器及其實(shí)現(xiàn) 72
4 卷積神經(jīng)網(wǎng)絡(luò)80
4.1 卷積原理 80
4.1.1 卷積操作 81
4.1.2 張量 84
4.1.3 卷積層 85
4.1.4 池化層 87
4.1.5 全連接層 89
4.2 經(jīng)典任務(wù) 90
4.2.1 圖像分類 90
4.2.2 目標(biāo)檢測(cè) 91
4.2.3 語(yǔ)義分割 94
4.2.4 實(shí)例分割 94
4.3 經(jīng)典卷積網(wǎng)絡(luò) 95
4.3.1 LeNet 95
4.3.2 AlexNet 96
4.3.3 VGGNet 96
4.3.4 GoogLeNet 98
4.3.5 ResNet 99
4.4 實(shí)現(xiàn)手寫數(shù)字分類 100
4.5 數(shù)據(jù)增強(qiáng)與規(guī)范化 104
4.5.1 數(shù)據(jù)增強(qiáng) 104
4.5.2 批規(guī)范化 106
4.5.3 局部響應(yīng)歸一化 107
4.6 實(shí)現(xiàn)CIFAR10 分類 108
4.6.1 方法1：tl.prepro 做數(shù)據(jù)增強(qiáng) 108
4.6.2 方法2：TFRecord 做數(shù)據(jù)增強(qiáng) 114
4.7 反卷積神經(jīng)網(wǎng)絡(luò) 120
5 詞的向量表達(dá)121
5.1 目的與原理 121
5.2 Word2Vec 124
5.2.1 簡(jiǎn)介 124
5.2.2 Continuous Bag-Of-Words（CBOW）模型 124
5.2.3 Skip Gram（SG）模型 129
5.2.4 Hierarchical Softmax 132
5.2.5 Negative Sampling 135
5.3 實(shí)現(xiàn)Word2Vec 136
5.3.1 簡(jiǎn)介 136
5.3.2 實(shí)現(xiàn) 136
5.4 重載預(yù)訓(xùn)練矩陣 144
6 遞歸神經(jīng)網(wǎng)絡(luò)148
6.1 為什么需要它 148
6.2 不同的RNNs 151
6.2.1 簡(jiǎn)單遞歸網(wǎng)絡(luò) 151
6.2.2 回音網(wǎng)絡(luò) 152
6.3 長(zhǎng)短期記憶 153
6.3.1 LSTM 概括 153
6.3.2 LSTM 詳解 157
6.3.3 LSTM 變種 159
6.4 實(shí)現(xiàn)生成句子 160
6.4.1 模型簡(jiǎn)介 160
6.4.2 數(shù)據(jù)迭代 163
6.4.3 損失函數(shù)和更新公式 164
6.4.4 生成句子及Top K 采樣 167
6.4.5 接下來(lái)還可以做什么 169
7 深度增強(qiáng)學(xué)習(xí)171
7.1 增強(qiáng)學(xué)習(xí) 172
7.1.1 概述 172
7.1.2 基于價(jià)值的增強(qiáng)學(xué)習(xí) 173
7.1.3 基于策略的增強(qiáng)學(xué)習(xí) 176
7.1.4 基于模型的增強(qiáng)學(xué)習(xí) 177
7.2 深度增強(qiáng)學(xué)習(xí) 179
7.2.1 深度Q 學(xué)習(xí) 179
7.2.2 深度策略網(wǎng)絡(luò) 181
7.3 更多參考資料 187
7.3.1 書籍 187
7.3.2 在線課程 187
8 生成對(duì)抗網(wǎng)絡(luò)188
8.1 何為生成對(duì)抗網(wǎng)絡(luò) 189
8.2 深度卷積對(duì)抗生成網(wǎng)絡(luò) 190
8.3 實(shí)現(xiàn)人臉生成 191
8.4 還能做什么 198
9 高級(jí)實(shí)現(xiàn)技巧202
9.1 與其他框架對(duì)接 202
9.1.1 無(wú)參數(shù)層 203
9.1.2 有參數(shù)層 203
9.2 自定義層 204
9.2.1 無(wú)參數(shù)層 204
9.2.2 有參數(shù)層 205
9.3 建立詞匯表 207
9.4 補(bǔ)零與序列長(zhǎng)度 209
9.5 動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò) 210
9.6 實(shí)用小技巧 211
9.6.1 屏蔽顯示 211
9.6.2 參數(shù)名字前綴 212
9.6.3 獲取特定參數(shù) 213
9.6.4 獲取特定層輸出 213
10 實(shí)例一：使用預(yù)訓(xùn)練卷積網(wǎng)絡(luò)214
10.1 高維特征表達(dá) 214
10.2 VGG 網(wǎng)絡(luò) 215
10.3 連接TF-Slim 221
11 實(shí)例二：圖像語(yǔ)義分割及其醫(yī)學(xué)圖像應(yīng)用225
11.1 圖像語(yǔ)義分割概述 225
11.1.1 傳統(tǒng)圖像分割算法簡(jiǎn)介 227
11.1.2 損失函數(shù)與評(píng)估指標(biāo) 229
11.2 醫(yī)學(xué)圖像分割概述 230
11.3 全卷積神經(jīng)網(wǎng)絡(luò)和U-Net 網(wǎng)絡(luò)結(jié)構(gòu) 232
11.4 醫(yī)學(xué)圖像應(yīng)用：實(shí)現(xiàn)腦部腫瘤分割 234
11.4.1 數(shù)據(jù)與數(shù)據(jù)增強(qiáng) 235
11.4.2 U-Net 網(wǎng)絡(luò) 238
11.4.3 損失函數(shù) 239
11.4.4 開始訓(xùn)練 241
12 實(shí)例三：由文本生成圖像244
12.1 條件生成對(duì)抗網(wǎng)絡(luò)之GAN-CLS 245
12.2 實(shí)現(xiàn)句子生成花朵圖片 246
13 實(shí)例四：超高分辨率復(fù)原260
13.1 什么是超高分辨率復(fù)原 260
13.2 網(wǎng)絡(luò)結(jié)構(gòu) 261
13.3 聯(lián)合損失函數(shù) 264
13.4 訓(xùn)練網(wǎng)絡(luò) 269
13.5 使用測(cè)試 277
14 實(shí)例五：文本反垃圾280
14.1 任務(wù)場(chǎng)景 280
14.2 網(wǎng)絡(luò)結(jié)構(gòu) 281
14.3 詞的向量表示 282
14.4 Dynamic RNN 分類器 283
14.5 訓(xùn)練網(wǎng)絡(luò) 284
14.5.1 訓(xùn)練詞向量 284
14.5.2 文本的表示 290
14.5.3 訓(xùn)練分類器 291
14.5.4 模型導(dǎo)出 296
14.6 TensorFlow Serving 部署 299
14.7 客戶端調(diào)用 301
14.8 其他常用方法 306
中英對(duì)照表及其縮寫309
參考文獻(xiàn)316