日韩h片在线观看,特级婬片国产在线观看 ,97久久久久国产精品嫩草影院

隨著深度學習理論的不斷發(fā)展以及 TensorFlow 的廣泛應用，基于深度學習的信號分析模型在不同領域產(chǎn)生了深遠的影響。本書為TensorFlow 2的使用指南，從軟件安裝、數(shù)據(jù)下載、文件管理等方面入手為初級開發(fā)者提供細致而全面的介紹。在此基礎上，本書系統(tǒng)地介紹了TensorFlow 2在人工神經(jīng)網(wǎng)絡實戰(zhàn)項目中的應用，全面覆蓋了各種深度學習架構(gòu)，內(nèi)容涉及：入門級的二分類模型、回歸模型等；進階級的文本生成模型、圖像生成模型、機器翻譯模型、時序預測模型等；以及的Transformer模型等。在每個項目中，本書完整地展示了模型設計、網(wǎng)絡搭建、模型訓練、模型保存、結(jié)果預測與顯示的全過程，并提供了詳細的實現(xiàn)代碼。本書將深度學習理論與實際項目結(jié)合，為初學者搭建了進入人工智能領域的學習平臺，為深度學習算法開發(fā)者提供了較為全面的應用范例，充分滿足了不同群體的學習需求。

隨著深度學習技術的不斷發(fā)展，使用TensorFlow搭建的機器學習模型在多個領域產(chǎn)生了巨大影響。對于開發(fā)人員來說，這是一個很好的學習機會，可以將軟件開發(fā)技能應用于更多實際項目中。了解時下熱點的深度學習模型十分有必要，因此，本書以項目為導向，提供了基于深度神經(jīng)網(wǎng)絡和版本 TensorFlow 的實戰(zhàn)項目，全面覆蓋了各種深度學習模型。

第 1 章首先介紹了 TensorFlow 2，深度剖析了TensorFlow被廣泛使用的原因，描述了 TensorFlow 的各種功能，包括使用tf.keras搭建模型、分布式訓練、模型部署及數(shù)據(jù)通道的使用，并指導了本書開發(fā)環(huán)境的搭建。

第 2 章更加深入地介紹了 TensorFlow 2。按照慣例，第2章從一個簡單的Hello World類應用程序開始，介紹了完整的機器學習開發(fā)過程。接下來使用TensorFlow完成機器學習的入門項目，即二分類問題。通過此項目的學習，有助于讀者了解數(shù)據(jù)預處理、使用 tf.keras 的預留接口定義神經(jīng)網(wǎng)絡、模型訓練、使用 TensorBoard評估分類模型性能及學習使用混淆矩陣。

第 3 章詳細介紹了 tf.keras 模塊及帶有模型構(gòu)建功能的API。本章向讀者介紹如何使用TensorFlow面向?qū)ο蟮木幊棠Ｊ酱罱ňW(wǎng)絡模型及如何通過子類創(chuàng)建自定義的層。此外，讀者將學習如何使用 TensorFlow 的 SavedModel 接口及幾種部分或完整保存模型的方法。學習了上述基本方法后，讀者將使用 tf.keras 中預定義的卷積神經(jīng)網(wǎng)絡層進行多分類項目實戰(zhàn)，本書將向讀者展示如何測試不同的網(wǎng)絡架構(gòu)并優(yōu)化模型性能。

由于訓練深度神經(jīng)網(wǎng)絡需要充足的計算資源，因此在第 4 章將向讀者展示如何使用遷移學習技術加載預訓練的網(wǎng)絡模型。本章涉及兩個項目：第1個項目展示如何使用在ImageNet數(shù)據(jù)集中預訓練的分類器對其他圖像集進行分類；第2個項目介紹如何基于預訓練模型構(gòu)建自己的分類器。

學習使用深度學習技術都是從分類和回歸問題入手。在前面的章節(jié)中，我們深入探討了分類問題，接下來，是否可以使用深度神經(jīng)網(wǎng)絡進行回歸分析？針對這一問題，已有幾種基于統(tǒng)計的深度學習模型可供我們分析。因此，第 5 章將基于3種不同的神經(jīng)網(wǎng)絡架構(gòu)展示如何使用深度神經(jīng)網(wǎng)絡完成回歸問題。

盡管使用預訓練模型可以提高自定義模型的開發(fā)效率，但在許多情況下，很難找到合適的預訓練模型。從頭開始進行模型開發(fā)需要大量組件，TensorFlow 中的Estimators可以幫助開發(fā)過程中處理復雜的組件。第 6 章介紹Estimators的使用，共包含4個項目。前兩個項目描述如何使用預定義的Estimators進行分類與回歸，第3個項目討論如何從頭開始創(chuàng)建自定義的Estimators，后一個項目討論為預訓練模型創(chuàng)建Estimators。

第7章討論文本生成技術，介紹了用于文本生成的循環(huán)神經(jīng)網(wǎng)絡(RNN)和長短期記憶力模塊(LSTM)。第1個項目展示了如何將 LSTM 用于為新生兒起名的簡單應用。第2個項目使用更加高級的文本生成技術，創(chuàng)建與列夫·托爾斯泰著名小說《戰(zhàn)爭與和平》的語言風格相匹配的文本。由于訓練文本生成模型耗時較長，本章后介紹如何在中斷訓練后繼續(xù)進行模型訓練。

第8章將進一步介紹文本生成技術，講解了 seq2seq 模型、編碼器和解碼器架構(gòu)及用于文本翻譯的注意力模型。本章深入介紹了使用GloVe詞嵌入模塊的英語到西班牙語翻譯器，向讀者展示了如何使用編碼器、解碼器和注意力層自定義機器學習模型。

第9章介紹了自然語言處理中的文本生成技術，即Transformer。通過一個完整的實戰(zhàn)項目教讀者如何用Python 語言構(gòu)建Transformer，并在沒有預訓練模型的前提下，在Transformer中使用雙向編碼器。

了解了文本生成技術后，本書第10章將講解使用深度學習技術進行圖像處理。第 10 章使用之前學到的長短期記憶力模塊為圖像生成標題。該項目使用預訓練的 InceptionV3 模型進行圖像處理，這是第 4 章介紹的遷移學習的實際應用。通過此項目開發(fā)，讀者將學會如何使用 Bahdanau Attention 創(chuàng)建解碼器，以及使用此模型為任何圖像添加描述。

第11章進入機器學習的另一個領域，即時間序列分析和預測。本章提供了兩個完整的項目，包括單變量時間序列預測及多變量時間序列預測。

第12章講解圖像處理領域中基于深度學習的風格遷移技術，可以將著名畫家的風格應用于用相機拍攝的照片中，使照片看起來像著名畫家的作品。本章包含兩個項目：第1個項目使用來自 TensorFlow 中自帶的預訓練模型快速完成風格遷移；第2個項目深入講解如何使用經(jīng)典的 VGG16 架構(gòu)提取圖像和名畫的特征，以及如何定義評價標準用于比較風格轉(zhuǎn)換前后的內(nèi)容和樣式損失，并創(chuàng)建終的風格化圖片。

第13章介紹一個重要的深度神經(jīng)網(wǎng)絡架構(gòu)，即生成對抗網(wǎng)絡。本章共包含3個項目，第1個項目和第2個項目分別展示如何使用GAN生成手寫數(shù)字圖像和手寫字母圖像，第3個項目使用 GAN 生成復雜的動漫彩色角色圖像。

第14章涉及一個重要的圖像處理技術，即如何對黑白圖像進行著色。本章使用 AutoEncoder 為圖像著色，共包含兩個項目。第1個項目構(gòu)建了自定義的 AutoEncoder。第2個項目使用預訓練的 VGG16 模型進行特征編碼，用于提高模型性能。

本書詳盡地收集了若干種深度神經(jīng)網(wǎng)絡架構(gòu)，重點介紹了不同的深度學習模型在現(xiàn)實生活場景中的應用。

第1章　TensorFlow快速入門 001

1.1　什么是TensorFlow 2.0 002

1.1.1　TensorFlow 2.x平臺 002

1.1.2　訓練 003

1.1.3　模型保存 005

1.1.4　部署 005

1.2　TensorFlow 2.x提供什么 006

1.2.1　TensorFlow中的tf.keras 006

1.2.2　Eager執(zhí)行 006

1.2.3　分布式計算 007

1.2.4　TensorBoard 007

1.2.5　視覺套件（Vision Kit） 008

1.2.6　語音套件（Voice Kit） 008

1.2.7　邊緣套件（Edge TPU） 008

1.2.8　AIY套件的預訓練模型 009

1.2.9　數(shù)據(jù)管道 009

1.3　安裝 009

1.3.1　安裝步驟 009

1.3.2　Docker安裝 010

1.3.3　無安裝 010

1.4　測試 010

總結(jié) 012

第2章　深入研究TensorFlow 013

2.1　一個簡單的機器學習應用程序 013

2.1.1　創(chuàng)建Colab筆記本 014

2.1.2　導入 015

2.1.3　創(chuàng)建數(shù)據(jù) 016

2.1.4　定義神經(jīng)網(wǎng)絡 018

2.1.5　編譯模型 018

2.1.6　訓練網(wǎng)絡 018

2.1.7　檢查訓練結(jié)果 019

2.1.8　預測 021

2.1.9　完整源碼 022

2.2　使用TensorFlow解決二分類問題 024

2.2.1　創(chuàng)建項目 024

2.2.2　導入 024

2.2.3　掛載Google云盤 025

2.2.4　加載數(shù)據(jù) 026

2.2.5　數(shù)據(jù)處理 027

2.2.6　定義ANN 030

2.2.7　模型訓練 032

2.2.8　完整源碼 036

總結(jié) 039

第3章　深入了解tf.keras 040

3.1　開始 040

3.2　用于模型構(gòu)建的函數(shù)式API 041

3.2.1　序列化模型 041

3.2.2　模型子類 043

3.2.3　預定義層 044

3.2.4　自定義層 044

3.3　保存模型 046

3.4　卷積神經(jīng)網(wǎng)絡 049

3.5　使用CNN做圖像分類 050

3.5.1　創(chuàng)建項目 051

3.5.2　圖像數(shù)據(jù) 051

3.5.3　加載數(shù)據(jù) 052

3.5.4　創(chuàng)建訓練、測試數(shù)據(jù)集 052

3.5.5　準備模型訓練數(shù)據(jù) 053

3.5.6　模型開發(fā) 055

3.5.7　定義模型 060

3.5.8　保存模型 073

3.5.9　預測未知圖像 073

總結(jié) 075

第4章　遷移學習 076

4.1　知識遷移 076

4.2　TensorFlow Hub 077

4.2.1　預訓練模型 078

4.2.2　模型的使用 079

4.3　ImageNet分類器 080

4.3.1　創(chuàng)建項目 080

4.3.2　分類器URL 080

4.3.3　創(chuàng)建模型 081

4.3.4　準備圖像 082

4.3.5　加載標簽映射 083

4.3.6　顯示預測結(jié)果 084

4.3.7　列出所有類別 085

4.3.8　結(jié)果討論 085

4.4　犬種分類器 085

4.4.1　項目簡介 086

4.4.2　創(chuàng)建項目 086

4.4.3　加載數(shù)據(jù) 086

4.4.4　設置圖像和標簽 088

4.4.5　圖像預處理 091

4.4.6　處理圖像 091

4.4.7　關聯(lián)圖像與標簽 092

4.4.8　創(chuàng)建數(shù)據(jù)批次 093

4.4.9　顯示圖像函數(shù) 094

4.4.10　選擇預訓練模型 095

4.4.11　定義模型 095

4.4.12　創(chuàng)建數(shù)據(jù)集 097

4.4.13　設置TensorBoard 099

4.4.14　訓練模型 100

4.4.15　訓練日志 100

4.4.16　驗證模型性能 101

4.4.17　預測測試圖像 101

4.4.18　可視化測試結(jié)果 103

4.4.19　預測未知圖像 105

4.4.20　使用小數(shù)據(jù)集訓練 106

4.4.21　保存、加載模型 107

4.5　提交你的工作 108

4.6　進一步工作 108

總結(jié) 109

第5章　使用神經(jīng)網(wǎng)絡處理回歸問題 110

5.1　回歸 110

5.1.1　定義 110

5.1.2　應用 111

5.1.3　回歸問題 111

5.1.4　回歸問題的類型 111

5.2　神經(jīng)網(wǎng)絡中的回歸問題 112

5.2.1　創(chuàng)建項目 112

5.2.2　提取特征和標簽 113

5.2.3　定義、訓練模型 113

5.2.4　預測 114

5.3　分析葡萄酒質(zhì)量 114

5.3.1　創(chuàng)建項目 114

5.3.2　數(shù)據(jù)準備 114

5.3.3　下載數(shù)據(jù) 115

5.3.4　準備數(shù)據(jù)集 115

5.3.5　創(chuàng)建數(shù)據(jù)集 115

5.3.6　數(shù)據(jù)歸一化 116

5.3.7　創(chuàng)建模型 119

5.3.8　可視化評價函數(shù) 119

5.3.9　小模型 120

5.3.10　中模型 122

5.3.11　大模型 124

5.3.12　解決過擬合 126

5.3.13　結(jié)果討論 129

5.4　損失函數(shù) 130

5.4.1　均方誤差 130

5.4.2　平均誤差 131

5.4.3　Huber損失 131

5.4.4　Log Cosh損失 131

5.4.5　分位數(shù)損失 131

5.5　優(yōu)化器 132

總結(jié) 132

第6章　Estimators（估算器） 134

6.1　Estimators概述 134

6.1.1　API接口 135

6.1.2　Estimators的優(yōu)點 135

6.1.3　Estimators的類型 136

6.1.4　基于Estimators的項目開發(fā)流程 137

6.2　設置Estimators 139

6.3　用于分類的DNN分類器 139

6.3.1　加載數(shù)據(jù) 140

6.3.2　準備數(shù)據(jù) 140

6.3.3　Estimators輸入函數(shù) 141

6.3.4　創(chuàng)建Estimators實例 142

6.3.5　模型訓練 142

6.3.6　模型評價 143

6.3.7　預測未知數(shù)據(jù) 144

6.3.8　實驗不同的ANN結(jié)構(gòu) 144

6.3.9　項目源碼 145

6.4　用于回歸的LinearRegressor 147

6.4.1　項目描述 147

6.4.2　創(chuàng)建項目 147

6.4.3　加載數(shù)據(jù) 148

6.4.4　特征選擇 148

6.4.5　數(shù)據(jù)清洗 149

6.4.6　創(chuàng)建數(shù)據(jù)集 151

6.4.7　建立特征列 152

6.4.8　定義輸入函數(shù) 154

6.4.9　創(chuàng)建Estimators實例對象 154

6.4.10　模型訓練 155

6.4.11　模型評估 155

6.4.12　項目源碼 156

6.5　自定義Estimators 158

6.5.1　創(chuàng)建項目 159

6.5.2　加載數(shù)據(jù) 159

6.5.3　創(chuàng)建數(shù)據(jù)集 159

6.5.4　定義模型 159

6.5.5　定義輸入函數(shù) 160

6.5.6　將模型轉(zhuǎn)換為Estimator 160

6.5.7　模型訓練 161

6.5.8　模型評價 161

6.5.9　項目源碼 161

6.6　為預訓練模型定義Estimators 163

6.6.1　創(chuàng)建項目 163

6.6.2　導入VGG16 163

6.6.3　創(chuàng)建自定義模型 163

6.6.4　編譯模型 165

6.6.5　創(chuàng)建Estimator 165

6.6.6　處理數(shù)據(jù) 165

6.6.7　訓練、評價 166

6.6.8　項目源碼 166

總結(jié) 167

第7章　文本生成 169

7.1　循環(huán)神經(jīng)網(wǎng)絡 170

7.1.1　樸素RNN 170

7.1.2　梯度消失和梯度爆炸 171

7.1.3　LSTM（一個特例） 171

7.2　文本生成 174

7.2.1　模型訓練 174

7.2.2　預測 175

7.2.3　模型定義 176

7.3　生成新生兒名字 176

7.3.1　創(chuàng)建項目 176

7.3.2　下載文本 177

7.3.3　處理文本 177

7.3.4　定義模型 180

7.3.5　編譯 181

7.3.6　創(chuàng)建checkpoints 182

7.3.7　訓練 182

7.3.8　預測 182

7.3.9　項目源碼-TextGeneration BabyNames 184

7.3.10　保存、重用模型 188

7.4　高級文本生成 188

7.4.1　創(chuàng)建項目 189

7.4.2　加載文本 189

7.4.3　處理數(shù)據(jù) 190

7.4.4　定義模型 191

7.4.5　創(chuàng)建checkpoints 191

7.4.6　自定義回調(diào)類 192

7.4.7　模型訓練 193

7.4.8　結(jié)果 193

7.4.9　斷點續(xù)訓練 194

7.4.10　過程觀察 195

7.4.11　項目源碼 196

7.5　進一步工作 199

總結(jié) 199

第8章　語言翻譯 200

8.1　sequence-to-sequence 模型 200

8.1.1　編碼器、解碼器 201

8.1.2　Seq2seq模型的缺點 203

8.2　注意力模型 203

8.3　英語翻譯為西班牙語 204

8.3.1　創(chuàng)建項目 204

8.3.2　下載數(shù)據(jù)集 205

8.3.3　創(chuàng)建數(shù)據(jù)集 205

8.3.4　數(shù)據(jù)預處理 207

8.3.5　GloVe詞嵌入 212

8.3.6　定義編碼器 214

8.3.7　定義解碼器 215

8.3.8　注意力網(wǎng)絡 216

8.3.9　定義模型 221

8.3.10　模型訓練 222

8.3.11　預測 222

8.3.12　項目源碼 229

總結(jié) 237

第9章　自然語言理解 238

9.1　Transformer簡介 238

9.2　Transformer詳解 239

9.2.1　下載原始數(shù)據(jù) 240

9.2.2　創(chuàng)建數(shù)據(jù)集 240

9.2.3　數(shù)據(jù)預處理 240

9.2.4　構(gòu)建語料庫 240

9.2.5　準備訓練集數(shù)據(jù) 243

9.2.6　Transformer模型 244

9.2.7　多頭注意力（機制） 245

9.2.8　Scaled Dot-Product 注意力模塊 248

9.2.9　編碼器結(jié)構(gòu) 249

9.2.10　編碼器 252

9.2.11　解碼器結(jié)構(gòu) 254

9.2.12　定義解碼器 257

9.2.13　Transformer模型 259

9.2.14　創(chuàng)建訓練模型 261

9.2.15　損失函數(shù) 261

9.2.16　優(yōu)化器 262

9.2.17　編譯 262

9.2.18　訓練 262

9.2.19　預測 263

9.2.20　測試 263

9.2.21　項目源碼 264

9.3　下一步是什么 276

總結(jié) 276

第10章　圖像描述 278

10.1　項目簡介 280

10.2　創(chuàng)建項目 280

10.3　下載數(shù)據(jù) 280

10.4　解析Token文件 282

10.4.1　加載數(shù)據(jù) 282

10.4.2　創(chuàng)建列表 283

10.5　加載InceptionV3模型 284

10.6　準備數(shù)據(jù)集 285

10.7　提取特征 285

10.8　創(chuàng)建詞匯表 286

10.9　創(chuàng)建輸入序列 286

10.10　創(chuàng)建訓練數(shù)據(jù)集 287

10.11　創(chuàng)建模型 288

10.12　創(chuàng)建編碼器 288

10.13　創(chuàng)建解碼器 288

10.13.1　Bahdanau注意力機制 289

10.13.2　解碼器功能 289

10.13.3　解碼器初始化 289

10.13.4　解碼器調(diào)用方法 290

10.13.5　注意力得分 290

10.13.6　注意力權重 290

10.13.7　上下文向量 291

10.13.8　解碼器實現(xiàn) 291

10.14　編碼器、解碼器實例化 294

10.15　定義優(yōu)化器和損失函數(shù) 294

10.16　創(chuàng)建checkpoints 296

10.17　訓練函數(shù) 297

10.18　模型訓練 298

10.19　模型預測 298

10.20　項目源碼 301

總結(jié) 310

第11章　時間序列預測 311

11.1　時間序列預測簡介 311

11.1.1　什么是時間序列預測 311

11.1.2　預測中的問題 312

11.1.3　時間序列組成 312

11.1.4　單變量與多變量 312

11.2　單變量時間序列分析 313

11.2.1　創(chuàng)建項目 313

11.2.2　準備數(shù)據(jù) 313

11.2.3　創(chuàng)建訓練集和測試集 316

11.2.4　創(chuàng)建輸入張量 319

11.2.5　構(gòu)建模型 320

11.2.6　編譯和訓練 320

11.2.7　評估 320

11.2.8　預測下一個數(shù)據(jù)點 322

11.2.9　預測數(shù)據(jù)點區(qū)間 323

11.2.10　項目源碼 325

11.3　多變量時間序列分析 330

11.3.1　創(chuàng)建項目 330

11.3.2　準備數(shù)據(jù) 331

11.3.3　檢查平穩(wěn)性 331

11.3.4　探索數(shù)據(jù) 332

11.3.5　準備數(shù)據(jù) 333

11.3.6　創(chuàng)建模型 335

11.3.7　訓練 335

11.3.8　評估 335

11.3.9　預測未來點 336

11.3.10　預測數(shù)據(jù)點區(qū)間 337

11.3.11　項目源碼 339

總結(jié) 343

第12章　風格遷移 344

12.1　快速風格遷移 345

12.1.1　創(chuàng)建項目 345

12.1.2　下載圖像 345

12.1.3　準備模型輸入圖像 347

12.1.4　執(zhí)行風格遷移 348

12.1.5　顯示輸出 348

12.1.6　更多結(jié)果 348

12.1.7　項目源碼 350

12.2　自定義風格遷移 351

12.2.1　VGG16結(jié)構(gòu) 352

12.2.2　創(chuàng)建項目 352

12.2.3　下載圖像 353

12.2.4　顯示圖像 354

12.2.5　圖像預處理 354

12.2.6　構(gòu)建模型 355

12.2.7　內(nèi)容損失 357

12.2.8　風格損失 357

12.2.9　全變分損失 357

12.2.10　計算內(nèi)容和風格損失 358

12.2.11　Evaluator類 359

12.2.12　生成輸出圖像 359

12.2.13　顯示圖像 360

12.2.14　項目源碼 361

總結(jié) 365

第13章　圖像生成 366

13.1　GAN（生成對抗網(wǎng)絡） 366

13.2　GAN如何工作 366

13.3　生成器 367

13.4　判別器 367

13.5　數(shù)學公式 368

13.6　數(shù)字生成 369

13.6.1　創(chuàng)建項目 369

13.6.2　加載數(shù)據(jù)集 369

13.6.3　準備數(shù)據(jù)集 370

13.6.4　定義生成器模型 370

13.6.5　測試生成器 372

13.6.6　定義判別器模型 373

13.6.7　測試判別器 374

13.6.8　定義損失函數(shù) 375

13.6.9　定義新訓練函數(shù) 376

13.6.10　項目源碼 380

13.7　字母生成 385

13.7.1　下載數(shù)據(jù) 385

13.7.2　創(chuàng)建單字母數(shù)據(jù)集 385

13.7.3　輸出結(jié)果 386

13.7.4　項目源碼 387

13.8　印刷體到手寫體 392

13.9　生成彩色卡通圖像 392

13.9.1　下載數(shù)據(jù)集 392

13.9.2　創(chuàng)建數(shù)據(jù)集 392

13.9.3　顯示圖像 393

13.9.4　輸出結(jié)果 394

13.9.5　項目源碼 394

總結(jié) 400

第14章　圖像轉(zhuǎn)換 401

14.1　自動編碼器 401

14.2　色彩空間 402

14.3　網(wǎng)絡配置 402

14.3.1　Vanilla模型 403

14.3.2　Merged模型 403

14.3.3　使用預訓練的Merged模型 403

14.4　自動編碼器 404

14.4.1　加載數(shù)據(jù) 405

14.4.2　創(chuàng)建訓練、測試數(shù)據(jù)集 406

14.4.3　準備訓練數(shù)據(jù) 406

14.4.4　定義模型 407

14.4.5　模型訓練 410

14.4.6　測試 410

14.4.7　未知圖像預測 412

14.4.8　項目源碼 413

14.5　編碼器的預訓練模型 418

14.5.1　項目簡介 418

14.5.2　定義模型 418

14.5.3　提取特征 418

14.5.4　定義網(wǎng)絡 419

14.5.5　模型訓練 420

14.5.6　預測 421

14.5.7　未知圖像預測 421

14.5.8　項目源碼 422

總結(jié) 426

你還可能感興趣

TensorFlow 2 人工神經(jīng)網(wǎng)絡學習手冊

我要評論