21个项目玩转深度学习 pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:电子工业出版社

作者:何之源

出品人:博文视点

页数:372

译者:

出版时间:2018-3-1

价格:CNY 79.00

装帧:平装

isbn号码:9787121335716

丛书系列:博文视点AI系列

图书标签:

TensorFlow
人工智能
深度学习
机器学习
Python
编程
人工神經網絡
中國
深度学习
项目实践
人工智能
机器学习
神经网络
编程实战
Python
实战案例
模型训练
数据科学

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到图书目录大全

book.wenda123.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

《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。

《数据驱动的商业决策与智能应用》书名：数据驱动的商业决策与智能应用内容简介：在当今快速迭代的商业环境中，数据已成为企业最宝贵的战略资产。本书《数据驱动的商业决策与智能应用》并非一本关于深度学习算法实现的教材，而是深入探讨如何将海量、复杂的数据转化为可执行的商业洞察和自动化决策流程的实战指南。本书专注于数据战略的构建、数据治理的实践、商业智能（BI）工具的应用，以及如何利用成熟的数据分析方法论，驱动企业在市场竞争中获得持续优势。本书结构清晰，旨在为企业管理者、数据分析师以及希望提升数据素养的专业人士提供一个全面的框架，帮助他们跨越“数据收集”到“价值实现”的鸿沟。全书分为四大核心板块：第一部分：数据驱动的战略思维与组织基础本部分着重于建立数据驱动的企业文化和坚实的基础设施。我们讨论的不是模型训练的细节，而是如何定义清晰的数据战略目标，确保数据采集与业务目标高度对齐。核心议题包括：数据战略蓝图的构建：如何从顶层设计，明确企业在数据资产上的投入方向、风险偏好和预期回报。我们详细阐述了从描述性分析到预测性、规范性分析的渐进式路线图。数据治理与质量保障体系：强调数据治理在确保数据准确性、一致性和合规性方面的重要性。内容涵盖主数据管理（MDM）、数据血缘追踪、元数据管理，以及如何建立跨部门的数据所有权和问责制。数据架构的选型与演进：探讨现代数据仓库、数据湖和数据中台的设计原则。重点分析各种架构在应对实时性要求、非结构化数据处理和成本效益方面的权衡，而非深入研究底层分布式计算的实现细节。分析人才的培养与组织变革：如何在组织内部培养“数据素养”，建立高效的数据团队结构（例如，集中式、分散式或混合式模型），以及如何有效地管理数据项目，确保分析成果能够被业务部门采纳和应用。第二部分：商业智能（BI）与可视化赋能本部分聚焦于如何将处理和清洗后的数据，转化为任何人都能理解的商业洞察。我们深入探讨商业智能工具的应用，以及数据可视化如何成为沟通业务语言的关键。核心议题包括：关键绩效指标（KPI）的科学设定：如何避免“指标泛滥”，设计出真正反映业务健康状况和战略进度的核心指标。内容涵盖平衡计分卡（BSC）在指标体系设计中的应用。现代BI平台实战：详细介绍主流BI工具（如Tableau, Power BI, Looker等）的功能边界、最佳实践和部署考量。侧重点在于仪表板的交互性设计、用户体验优化，以及如何确保仪表板的性能。数据叙事（Data Storytelling）：讲解如何将复杂的分析结果，通过精炼的视觉元素和逻辑清晰的叙事结构，转化为说服决策者的故事。这包括如何选择合适的图表类型，以及如何处理异常值和潜在的误导性展示。自助式分析的推广与管控：探讨如何在赋能一线员工进行即时分析的同时，通过适当的权限和标准化的数据集，防止“数据孤岛”和重复劳动。第三部分：高级分析方法论与业务应用场景本部分涵盖了企业在不同业务环节中应用的成熟统计学和机器学习方法论，但强调的是方法的业务价值和实施的流程，而非复杂的数学推导或代码编写。核心议题包括：市场细分与客户生命周期价值（CLV）分析：应用聚类分析、RFM模型等经典统计方法，识别高价值客户群体，并制定差异化的营销和保留策略。预测性分析在运营中的应用：讨论时间序列分析在需求预测、库存优化中的应用，以及回归模型在销售额预测中的部署流程和效果评估。实验设计与因果推断：详细介绍如何设计A/B测试（或多变量测试），科学地评估新产品、新定价或新营销活动对业务指标的真实影响，避免“相关性误判”。风险管理与欺诈检测：介绍基于规则和成熟分类模型的早期预警系统在金融、信贷审批中的集成方法，重点关注误报率（False Positive Rate）与召回率（Recall）的业务平衡点。第四部分：数据驱动的决策落地与持续优化成功的分析项目不仅在于交付报告，更在于改变企业的实际行动。本部分关注分析成果如何融入日常决策流程，并实现价值的闭环管理。核心议题包括：分析结果的行动化路径：探讨如何将分析洞察转化为具体的SOP（标准操作程序）或业务规则，例如，自动化定价调整或个性化推荐系统的反馈机制。模型治理与再训练策略（侧重流程）：讨论模型上线后的监控指标（如漂移检测），以及在不涉及深度学习模型的背景下，何时、如何以何种频率对传统的统计模型或规则进行业务驱动的更新和重新验证。投资回报率（ROI）的量化评估：建立一套系统性的方法，用于衡量数据分析和BI项目对企业营收、成本节约和效率提升的具体贡献，为未来的数据投入提供依据。数据伦理与监管合规：在处理客户数据和隐私时，企业必须遵守的法律框架（如GDPR、CCPA等相关原则）和内部伦理指南，确保数据使用的可持续性和社会责任。目标读者：首席运营官（COO）、市场营销总监、产品经理、商业分析师、企业架构师，以及任何负责将数据转化为商业价值的决策者。本书假定读者具备基础的商业常识和对数据的基本理解，但无需具备高深的数学或编程背景。它提供的是“如何用数据管理业务”的蓝图，而非“如何构建复杂算法”的技术手册。

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。

目录信息

第1章 MNIST机器学习入门 1
1.1 MNIST数据集 2
1.1.1 简介 2
1.1.2 实验：将MNIST数据集保存为图片 5
1.1.3 图像标签的独热(one-hot)表示 6
1.2 利用TensorFlow识别MNIST 8
1.2.1 Softmax回归 8
1.2.2 两层卷积网络分类 14
1.3 总结 18
第2章 CIFAR-10与ImageNet图像识别 19
2.1 CIFAR-10数据集 20
2.1.1 CIFAR-10简介 20
2.1.2 下载CIFAR-10数据 21
2.1.3 TensorFlow的数据读取机制 23
2.1.4 实验：将CIFAR-10数据集保存为图片形式 30
2.2 利用TensorFlow训练CIFAR-10识别模型 34
2.2.1 数据增强（Data Augmentation） 34
2.2.2 CIFAR-10识别模型 36
2.2.3 训练模型 39
2.2.4 在TensorFlow中查看训练进度 39
2.2.5 测试模型效果 42
2.3 ImageNet图像识别模型 44
2.3.1 ImageNet数据集简介 44
2.3.2 历代ImageNet图像识别模型 45
2.4 总结 49
第3章打造自己的图像识别模型 50
3.1 微调（Fine-tune）的原理 51
3.2 数据准备 52
3.3 使用TensorFlow Slim微调模型 56
3.3.1 下载TensorFlow Slim的源代码 56
3.3.2 定义新的datasets文件 57
3.3.3 准备训练文件夹 59
3.3.4 开始训练 60
3.3.5 训练程序行为 62
3.3.6 验证模型正确率 63
3.3.7 TensorBoard可视化与超参数选择 64
3.3.8 导出模型并对单张图片进行识别 65
3.4 总结 69
第4章 Deep Dream模型 70
4.1 Deep Dream的技术原理 71
4.2 TensorFlow中的Deep Dream模型实践 73
4.2.1 导入Inception模型 73
4.2.2 生成原始的Deep Dream图像 76
4.2.3 生成更大尺寸的Deep Dream图像 78
4.2.4 生成更高质量的Deep Dream图像 82
4.2.5 最终的Deep Dream模型 87
4.3 总结 90
第5章深度学习中的目标检测 91
5.1 深度学习中目标检测的原理 92
5.1.1 R-CNN的原理 92
5.1.2 SPPNet的原理 94
5.1.3 Fast R-CNN的原理 97
5.1.4 Faster R-CNN的原理 98
5.2 TensorFlow Object Detection API 101
5.2.1 安装TensorFlow Object Detection API 101
5.2.2 执行已经训练好的模型 103
5.2.3 训练新的模型 109
5.2.4 导出模型并预测单张图片 113
5.3 总结 114
第6章人脸检测和人脸识别 115
6.1 MTCNN的原理 116
6.2 使用深度卷积网络提取特征 121
6.2.1 三元组损失（Triplet Loss）的定义 123
6.2.2 中心损失（Center Loss）的定义 123
6.3 使用特征设计应用 125
6.4 在TensorFlow中实现人脸识别 126
6.4.1 项目环境设置 126
6.4.2 LFW人脸数据库 127
6.4.3 LFW数据库上的人脸检测和对齐 128
6.4.4 使用已有模型验证LFW数据库准确率 129
6.4.5 在自己的数据上使用已有模型 130
6.4.6 重新训练新模型 133
6.4.7 三元组损失和中心损失的定义 138
6.5 总结 140
第7章图像风格迁移 141
7.1 图像风格迁移的原理 142
7.1.1 原始图像风格迁移的原理 142
7.1.2 快速图像风格迁移的原理 148
7.2 在TensorFlow中实现快速风格迁移 149
7.2.1 使用预训练模型 150
7.2.2 训练自己的模型 153
7.2.3 在TensorBoard中监控训练情况 154
7.2.4 项目实现细节 157
7.3 总结 162
第8章 GAN和DCGAN入门 163
8.1 GAN的原理 164
8.2 DCGAN的原理 166
8.3 在TensorFlow中用DCGAN生成图像 169
8.3.1 生成MNIST图像 170
8.3.2 使用自己的数据集训练 171
8.3.3 程序结构分析：如何将图像读入模型 173
8.3.4 程序结构分析：可视化方法 177
8.4 总结 180
第9章 pix2pix模型与自动上色技术 181
9.1 cGAN的原理 182
9.2 pix2pix模型的原理 184
9.3 TensorFlow中的pix2pix模型 187
9.3.1 执行已有的数据集 187
9.3.2 创建自己的数据集 191
9.4 使用TensorFlow为灰度图像自动上色 194
9.4.1 为食物图片上色 194
9.4.2 为动漫图片进行上色 196
9.5 总结 198
第10章超分辨率：如何让图像变得更清晰 199
10.1 数据预处理与训练 200
10.1.1 去除错误图片 200
10.1.2 将图像裁剪到统一大小 202
10.1.3 为代码添加新的操作 202
10.2 总结 209
第11章 CycleGAN与非配对图像转换 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用训练CycleGAN模型 213
11.2.1 下载数据集并训练 213
11.2.2 使用自己的数据进行训练 217
11.3 程序结构分析 220
11.4 总结 224
第12章 RNN基本结构与Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 经典RNN的结构 226
12.1.2 N VS 1 RNN的结构 229
12.1.3 1 VS N RNN的结构 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN实现方式 237
12.4.1 实现RNN的基本单元：RNNCell 238
12.4.2 对RNN进行堆叠：MultiRNNCell 239
12.4.3 注意点：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展开时间维度 241
12.5 使用TensorFlow实现Char RNN 242
12.5.1 定义输入数据 243
12.5.2 定义多层LSTM模型 244
12.5.3 定义损失 245
12.5.4 训练模型与生成文字 246
12.5.5 更多参数说明 250
12.5.6 运行自己的数据 250
12.6 总结 251
第13章序列分类问题详解 252
13.1 N VS 1的RNN结构 253
13.2 数列分类问题与数据生成 254
13.3 在TensorFlow中定义RNN分类模型 258
13.3.1 定义模型前的准备工作 258
13.3.2 定义RNN分类模型 259
13.3.3 定义损失并进行训练 261
13.4 模型的推广 262
13.5 总结 263
第14章词的向量表示：word2vec与词嵌入 264
14.1 为什么需要做词嵌入 265
14.2 词嵌入的原理 266
14.2.1 CBOW实现词嵌入的原理 266
14.2.2 Skip-Gram实现词嵌入的原理 269
14.3 在TensorFlow中实现词嵌入 270
14.3.1 下载数据集 270
14.3.2 制作词表 272
14.3.3 生成每步的训练样本 274
14.3.4 定义模型 276
14.3.5 执行训练 279
14.3.6 可视化 281
14.4 与第12章的对比 284
14.5 总结 285
第15章在TensorFlow中进行时间序列预测 286
15.1 时间序列问题的一般形式 287
15.2 用TFTS读入时间序列数据 287
15.2.1 从Numpy数组中读入时间序列数据 288
15.2.2 从CSV文件中读入时间序列数据 291
15.3 使用AR模型预测时间序列 293
15.3.1 AR模型的训练 293
15.3.2 AR模型的验证和预测 295
15.4 使用LSTM模型预测时间序列 297
15.4.1 LSTM模型中的单变量时间序列预测 297
15.4.2 LSTM模型中的多变量时间序列预测 299
15.5 总结 301
第16章神经网络机器翻译技术 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力机制（Attention） 305
16.3 使用TensorFlow NMT搭建神经网络翻译引擎 309
16.3.1 示例：将越南语翻译为英语 309
16.3.2 构建中英翻译引擎 313
16.4 TensorFlow NMT源码简介 317
16.5 总结 319
第17章看图说话：将图像转换为文字 320
17.1 Image Caption技术综述 321
17.1.1 从Encoder-Decoder结构谈起 321
17.1.2 将Encoder-Decoder应用到Image Caption任务上 322
17.1.3 对Encoder-Decoder的改进1：加入Attention机制 323
17.1.4 对Encoder-Decoder的改进2：加入高层语义 325
17.2 在TensorFlow中实现Image Caption 327
17.2.1 下载代码 327
17.2.2 环境准备 328
17.2.2 编译和数据准备 328
17.2.3 训练和验证 330
17.2.4 测试单张图片 331
17.3 总结 332
第18章强化学习入门之Q 333
18.1 强化学习中的几个重要概念 334
18.2 Q Learning的原理与实验 336
18.2.1 环境定义 336
18.2.2 Q函数 338
18.2.3 Q函数的学习策略 339
18.2.4 ?-greedy策略 341
18.2.5 简单的Q Learning示例 341
18.2.6 更复杂的情况 342
18.3 总结 343
第19章强化学习入门之SARSA算法 344
19.1 SARSA 算法的原理 345
19.1.1 通过与Q Learning对比学习SARSA算法 345
19.1.2 off-policy与on-policy 346
19.2 SARSA 算法的实现 347
19.3 总结 348
第20章深度强化学习：Deep Q Learning 349
20.1 DQN算法的原理 350
20.1.1 问题简介 350
20.1.2 Deep Q Network 351
20.1.3 训练方法 352
20.2 在TensorFlow中运行DQN算法 353
20.2.1 安装依赖库 353
20.2.2 训练 355
20.2.3 测试 356
20.3 在TensorFlow中DQN算法的实现分析 357
20.4 总结 360
第21章策略梯度（Policy Gradient）算法 361
21.1 策略梯度（Policy Gradient）算法的原理 362
21.1.1 Cartpole游戏 362
21.1.2 策略网络（Policy Network） 363
21.1.3 训练策略网络 364
21.2 在TensorFlow中实现策略梯度算法 365
21.2.1 初始化 365
21.2.2 定义策略网络 366
21.2.3 训练 367
21.3 总结 371
· · · · · · (收起)

读后感

评分☆☆☆☆☆

本书第六章内容，网上有很多blog资料雷同，（一切源头都是翻译的github上的facenet等项目~）选一个不错的： [https://www.cnblogs.com/zyly/p/9703614.html] 和书上内容基本没差别，讲解更加详细，看书不如看这个了区别：书上用的Inception模型还是20170512-110547的，blog上...

评分☆☆☆☆☆

用户评价

评分☆☆☆☆☆

我必须承认，在接触这本书之前，我对“工程化”这个概念一直很模糊。总觉得深度学习是实验室里的高精尖技术，离实际生产环境相去甚远。但是，这本书中对于项目部署、模型优化和性能评估的章节，彻底刷新了我的认知。它不仅仅停留在 Jupyter Notebook 的演示阶段，而是将目光投向了如何让这些模型真正地“跑”起来，跑得“好”。作者用一种近乎严谨的工程师口吻，讲解了在不同硬件环境下如何进行资源分配，如何权衡模型的准确性和推理速度之间的矛盾。这些内容在很多入门级的教材中是被严重忽略的，但恰恰是这些“软技能”，决定了一个学习者能否真正从“爱好者”蜕变为“专业人士”。书中提供的那些关于模型轻量化和加速的技巧，实用性极强，让我立刻就能应用到我手头的一些小项目中去。

评分☆☆☆☆☆

这本书的结构安排，真的体现了作者对学习者心理的深刻洞察。它不像一些教材那样，把所有知识点硬生生地堆砌在一起，让人无从下手。相反，它是通过一系列递进式的“项目”来构建知识体系的，每一个项目都像是一块精心打磨的拼图，恰到好处地填补了前一个知识留下的空白，同时也为下一个更复杂的挑战做好了铺垫。我发现自己不再是被动地接受知识，而是主动地去解决问题，去思考：“为什么这个参数的调整会带来性能的显著提升？”这种主动探索的过程，极大地加深了我的理解和记忆。书中对每个项目的背景介绍都非常到位，清晰地阐述了该技术在现实世界中的应用场景，这让我对所学知识的价值感有了更直观的认识，而不是仅仅停留在代码层面。这种将理论与实践紧密结合的编排方式，让学习过程充满了成就感，每一次成功运行一个Demo，都像是在黑暗中点亮了一盏小小的灯火。

评分☆☆☆☆☆

阅读这本书的过程，体验感可以用“行云流水”来形容。作者在代码示例的选择和讲解上，花费了大量的心思，这一点从代码的清晰度和注释的详尽程度就能看出来。很多时候，遇到一些技术细节的难点，我习惯性地在脑海中预演可能会出现的错误，但神奇的是，书中已经预见到了这些潜在的“陷阱”，并提前给出了解决方案或者解释其背后的原理。这种前瞻性的指导，极大地减少了调试代码所耗费的时间和挫败感。更难能可贵的是，它不仅仅展示了“如何做”，更深入地探讨了“为什么这么做”。比如，在讨论特定网络结构的选择时，作者会引用相关的研究成果，并用通俗的语言解读这些研究的精髓，使得读者能够站在巨人的肩膀上思考问题，而不是盲目地复制粘贴代码。这种深度和广度的平衡把握得非常到位，让人在实操中不断积累经验，在理论中不断升华认知。

评分☆☆☆☆☆

这本书的封面设计得相当抓人眼球，那种深邃的蓝色调，配上一些抽象的几何图形，一下子就让人联想到复杂而又充满魅力的技术世界。我原本对深度学习这个领域抱持着既好奇又畏惧的态度，觉得它高深莫测，充满了晦涩的公式和难以理解的理论。然而，当我翻开这本书时，那种感觉立刻烟消云散了。作者的叙事方式非常亲切，仿佛一位经验丰富的领航员，带着我们这些初涉水域的人，一步步稳健地探索这片知识的海洋。书中没有那种居高临下的说教感，更多的是一种平等的交流，通过一个个精心挑选的“项目”，将抽象的概念具象化。这对于我这种动手能力强于纯理论啃读的人来说，简直是福音。我尤其欣赏的是，它并没有一开始就抛出那些让人望而生畏的数学推导，而是先构建一个清晰的实践框架，让我们在“玩”的过程中，自然而然地理解背后的逻辑。这种“先入局，后解密”的策略，极大地降低了学习曲线的陡峭程度，让人充满了继续探索下去的动力。

评分☆☆☆☆☆

这本书给我的最大启发，在于它树立了一种健康、持续的学习心态。作者在收尾部分并没有营造出“学完此书，你就是专家”的虚假繁荣，而是诚恳地指出了深度学习领域知识更新的迭代速度之快，并鼓励读者将这本书当作一个坚实的基础平台，在此之上继续构建自己的知识城堡。这种务实的态度非常打动人。它不是提供一个终点，而是一张高质量的藏宝图，指引你去往下一个更精彩的探索地。阅读这本书的过程，更像是一次思想的碰撞和一次技能的密集训练营，它教会我的不仅仅是操作步骤，更是一种面对复杂问题的分析框架和解决问题的内在逻辑。对于任何想系统、扎实地迈入深度学习实践领域的读者来说，这本书无疑是值得信赖的向导和不可多得的伙伴。

评分☆☆☆☆☆

如果不是出差无聊不会看这本书，书名看着蛋疼，好坏无论，内容至少是自己写的，从项目出发讲解代码和知识点，很好

评分☆☆☆☆☆

看到很多人给差评，的确这本书绝对不是给想学深度学习的初学者看的，没有详细的讲解，只有项目操作的指示。但对于我这个没有任何深度学习基础，又要在10天之内做出一个视觉分类demo的人来说是一本好书，slim这章帮助我快速上手，还不错。

评分☆☆☆☆☆

只有代码没有解释

评分☆☆☆☆☆

理论基本没有，21个项目浅尝辄止

评分☆☆☆☆☆

不适合机器学习初学者看，里面没有细说算法原理，甚至代码都没有细说。