《21个项目玩转深度学习》| 每日读本书

简介: 零基础入门,有趣新颖,实用有效。学习TensorFlow不再枯燥,21个项目让你快速上手!每日搜罗最具权威专业书籍,更多图书请关注“每日读本书”。

编辑推荐

1.本书以TensorFlow为工具,从基础的MNIST手写体识别开始,介绍了基础的卷积神经网络、循环神经网络,还包括正处于前沿的对抗生成网络、深度强化学习等课题。

2.书中所有内容由21个可以动手实验的项目组织起来,并在其中穿插TensorFlow的教学,让你可以在实践中比较轻松地学习到深度学习领域的基础知识,掌握TensorFlow的使用方法,并积累丰富的深度学习实战经验。

3.通过本书,可以学到:

  • 在动手实践中快速入门深度学习领域。
  • 通过实验快速掌握TensorFlow的操作方法。
  • 掌握卷积神经网络、循环神经网络、对抗生成网络和深度强化学习等深度学习积累丰富的深度学习实战项目,如图像分类、目标检测、人脸识别、图像生成、文本生成、序列分类、时间序列预测等。
  • 学习TensorFlow的一些新特性,如Time Series模块、RNNCell等。

test
何之源 编著 / 2018年3月出版

内容提要

《21 个项目玩转深度学习——基于TensorFlow 的实践详解》以实践为导向,深入介绍了深度学习技术和TensorFlow 框架编程内容。

通过本书,读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用,还可以使用神经网络生成图像和文本,进行时间序列预测、搭建机器翻译引擎,训练机器玩游戏。全书共包含21 个项目,分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣,了解算法和编程框架的细节,让学习深度学习算法和TensorFlow 的过程变得轻松和高效。本书代码基于TensorFlow 1.4 及以上版本,并介绍了TensorFlow 中的一些新特性。

本书适合有一定机器学习基础的学生、研究者或从业者阅读,尤其是希望深入研究TensorFlow 和深度学习算法的数据工程师,也适合对人工智能、深度学习感兴趣的在校学生,以及希望进入大数据应用的研究者。

作者简介

何之源

现为复旦大学人工智能方向在读硕士生。针对Tensorflow早期学习案例不足的情况,在知乎等网站上发表了多篇实践文章,获得了广大读者的肯定。何之源于2012年通过信息学竞赛保送进入复旦大学学习,2016获得复旦大学理学学士学位,并荣获复旦大学优秀学生的称号。同年进入复旦大学计算机学院攻读硕士学位。在编程和机器学习领域有多年一线实践经验。

精彩导读

前言

我们正处在一个日新月异、飞速变革的时代,层出不穷的新技术每天都在冲击和改变我们的生活。人工智能无疑是其中最受关注、也是影响最深远的技术领域。它为计算机插上了翅膀,演变出许多从前根本无法想象的新技术、新应用。AlphaGo Zero,一台没有任何先验知识的人工智能机器,可以在几天内通过自我博弈成长为世界第一的围棋大师,超越人类几千年积累的经验;风格迁移应用能够自动将用户的照片转变为著名的绘画艺术风格;机器可以在零点几秒内完成翻译,把一种语言译成另一种语言。此外,有关人脸识别、自动驾驶等新技术的应用也都纷纷开始落地。在过去的几年内,人工智能技术不仅在学术上取得了巨大的突破,也开始走向寻常百姓家,真正为人们的生活提供便利。

本书主要为读者介绍这次人工智能浪潮最重要的组成部分——深度学习技术,使用的编程框架是谷歌的TensorFlow。借助于谷歌巨大的影响力,TensorFlow一经发布就引起了广泛的关注,目前(截止至2017年底)TensorFlow在Github上已经有了8万4千多个Star,是所有深度学习框架中最多的。

鉴于目前市场上已有很多深度学习和TensorFlow的入门书籍,下面我们着重谈一谈本书与它们的不同之处,主要有以下几点:

  • 实践、应用导向。深度学习需要深厚的数理基础,对于初学者来说不是很友好。本书希望从实践出发,用具体的例子来引导读者学习深度学习技术和TensorFlow编程技巧。我们主要从实用性和趣味性两个方面考量,选择了21个实践项目,其中既有MNIST图像识别这样的入门项目,也有目标检测、人脸识别、时间序列预测这样的实用性项目,还有一些诸如Deep Dream这样的趣味性项目。读者可以在实践中找到乐趣,逐渐进步,让学习深度学习和TensorFlow的过程不再那么痛苦。
  • 清晰、有深度的介绍。在写书过程中,我们尽量用简单的语言来描述算法的原理,做到清晰有条理。此外,深度学习是一门还在快速发展的新技术,限于篇幅所限,很多内容不能完全写到书中,我们在大部分章节的末尾列出了拓展阅读材料,有兴趣的读者可以参考拓展材料进一步学习细节知识。
  • 基于TensorFlow 1.4版本。TensorFlow的发展非常迅速,本书代码全部基于TensorFlow 最新的1.4版本(包括1.4.0和1.4.1),并介绍了TensorFlow的一些新特性,如Time Series模块(1.3版本添加)、新的MultiRNNCell函数(1.2版本更改)等。本书的代码会在如下Github地址上提供,并会随新的TensorFlow版本的发布而同步更新:https://github.com/hzy46/Deep-Learning-21-Examples

本书代码推荐的运行环境为:Ubuntu 14.04,Python 2.7、TensorFlow 1.4.0。请尽量使用类Unix系统和Python 2来运行本书的代码。


积跬步以至千里。每天读本书,为您搜罗最具权威专业书籍,更多图书推荐请关注每日读书

好知识需要分享,如您有喜欢的书籍想与广大开发者分享,请在文章下方评论留言,我们将为大家推荐您的爱书!

相关文章
|
机器学习/深度学习 算法 TensorFlow
|
4月前
|
机器学习/深度学习 算法 网络架构
深度学习中的自动超参数优化技术探究
在深度学习模型的训练中,选择合适的超参数对模型性能至关重要。本文探讨了自动超参数优化技术在深度学习中的应用,分析了不同方法的优缺点,并着重讨论了基于贝叶斯优化和进化算法的最新进展。 【7月更文挑战第8天】
92 5
|
2月前
|
机器学习/深度学习 存储 自然语言处理
深度学习中的模型压缩技术:从理论到实践
本文深入探讨了深度学习领域中的模型压缩技术,包括权重剪枝、量化、知识蒸馏和轻量级模型设计。通过对比实验结果,展示了这些技术在保持模型精度的同时,显著降低计算资源和存储需求。
|
4月前
|
机器学习/深度学习 算法
现代深度学习框架构建问题之tinyDL中机器学习的通用组件与深度学习如何解决
现代深度学习框架构建问题之tinyDL中机器学习的通用组件与深度学习如何解决
87 2
|
4月前
|
自然语言处理 程序员
大模型问题之大模型与之前的NLP技术有什么显著差别
大模型问题之大模型与之前的NLP技术有什么显著差别
|
6月前
|
机器学习/深度学习 数据采集 人工智能
提升深度学习模型性能的实用技巧
【5月更文挑战第30天】在深度学习领域,构建一个高性能的模型需要超越直觉和经验。本文将深入探讨一系列实用的技术技巧,用于优化神经网络的训练过程和结构设计,进而提高模型的准确性和效率。我们将从数据预处理、网络结构调整、正则化手段以及超参数调优等方面入手,提供一套系统化的方法论,帮助研究人员和工程师们在面对各种复杂任务时,能够有效地提升其深度学习模型的性能。
|
6月前
|
机器学习/深度学习 数据采集 人工智能
深度学习中的大模型「幻觉」问题:解析、原因及未来展望
深度学习中的大模型「幻觉」问题:解析、原因及未来展望
|
机器学习/深度学习 存储 PyTorch
深度学习实践篇 第一章:数据集读取和构建
简要介绍cifar数据集的使用和pytorch数据集的构建。
553 0
|
机器学习/深度学习 并行计算 编译器
|
机器学习/深度学习 监控 开发者
如何实现深度学习模型开发|学习笔记
快速学习如何实现深度学习模型开发