21個項目玩轉深度學習 pdf epub mobi txt 電子書下載2026

簡體網頁||繁體網頁

☆☆☆☆☆

出版者:電子工業齣版社

作者:何之源

出品人:博文視點

頁數:372

译者:

出版時間:2018-3-1

價格:CNY 79.00

裝幀:平裝

isbn號碼:9787121335716

叢書系列:博文視點AI係列

圖書標籤:

TensorFlow
人工智能
深度學習
機器學習
Python
編程
人工神經網絡
中國
深度學習
項目實踐
人工智能
機器學習
神經網絡
編程實戰
Python
實戰案例
模型訓練
數據科學

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到圖書目錄大全

book.wenda123.org

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

具體描述

《21 個項目玩轉深度學習——基於TensorFlow 的實踐詳解》以實踐為導嚮，深入介紹瞭深度學習技術和TensorFlow 框架編程內容。

通過本書，讀者可以訓練自己的圖像識彆模型、進行目標檢測和人臉識彆、完成一個風格遷移應用，還可以使用神經網絡生成圖像和文本，進行時間序列預測、搭建機器翻譯引擎，訓練機器玩遊戲。全書共包含21 個項目，分為深度捲積網絡、RNN網絡、深度強化學習三部分。讀者可以在自己動手實踐的過程中找到學習的樂趣，瞭解算法和編程框架的細節，讓學習深度學習算法和TensorFlow 的過程變得輕鬆和高效。本書代碼基於TensorFlow 1.4 及以上版本，並介紹瞭TensorFlow 中的一些新特性。

本書適閤有一定機器學習基礎的學生、研究者或從業者閱讀，尤其是希望深入研究TensorFlow 和深度學習算法的數據工程師，也適閤對人工智能、深度學習感興趣的在校學生，以及希望進入大數據應用的研究者。

《數據驅動的商業決策與智能應用》書名：數據驅動的商業決策與智能應用內容簡介：在當今快速迭代的商業環境中，數據已成為企業最寶貴的戰略資産。本書《數據驅動的商業決策與智能應用》並非一本關於深度學習算法實現的教材，而是深入探討如何將海量、復雜的數據轉化為可執行的商業洞察和自動化決策流程的實戰指南。本書專注於數據戰略的構建、數據治理的實踐、商業智能（BI）工具的應用，以及如何利用成熟的數據分析方法論，驅動企業在市場競爭中獲得持續優勢。本書結構清晰，旨在為企業管理者、數據分析師以及希望提升數據素養的專業人士提供一個全麵的框架，幫助他們跨越“數據收集”到“價值實現”的鴻溝。全書分為四大核心闆塊：第一部分：數據驅動的戰略思維與組織基礎本部分著重於建立數據驅動的企業文化和堅實的基礎設施。我們討論的不是模型訓練的細節，而是如何定義清晰的數據戰略目標，確保數據采集與業務目標高度對齊。核心議題包括：數據戰略藍圖的構建：如何從頂層設計，明確企業在數據資産上的投入方嚮、風險偏好和預期迴報。我們詳細闡述瞭從描述性分析到預測性、規範性分析的漸進式路綫圖。數據治理與質量保障體係：強調數據治理在確保數據準確性、一緻性和閤規性方麵的重要性。內容涵蓋主數據管理（MDM）、數據血緣追蹤、元數據管理，以及如何建立跨部門的數據所有權和問責製。數據架構的選型與演進：探討現代數據倉庫、數據湖和數據中颱的設計原則。重點分析各種架構在應對實時性要求、非結構化數據處理和成本效益方麵的權衡，而非深入研究底層分布式計算的實現細節。分析人纔的培養與組織變革：如何在組織內部培養“數據素養”，建立高效的數據團隊結構（例如，集中式、分散式或混閤式模型），以及如何有效地管理數據項目，確保分析成果能夠被業務部門采納和應用。第二部分：商業智能（BI）與可視化賦能本部分聚焦於如何將處理和清洗後的數據，轉化為任何人都能理解的商業洞察。我們深入探討商業智能工具的應用，以及數據可視化如何成為溝通業務語言的關鍵。核心議題包括：關鍵績效指標（KPI）的科學設定：如何避免“指標泛濫”，設計齣真正反映業務健康狀況和戰略進度的核心指標。內容涵蓋平衡計分卡（BSC）在指標體係設計中的應用。現代BI平颱實戰：詳細介紹主流BI工具（如Tableau, Power BI, Looker等）的功能邊界、最佳實踐和部署考量。側重點在於儀錶闆的交互性設計、用戶體驗優化，以及如何確保儀錶闆的性能。數據敘事（Data Storytelling）：講解如何將復雜的分析結果，通過精煉的視覺元素和邏輯清晰的敘事結構，轉化為說服決策者的故事。這包括如何選擇閤適的圖錶類型，以及如何處理異常值和潛在的誤導性展示。自助式分析的推廣與管控：探討如何在賦能一綫員工進行即時分析的同時，通過適當的權限和標準化的數據集，防止“數據孤島”和重復勞動。第三部分：高級分析方法論與業務應用場景本部分涵蓋瞭企業在不同業務環節中應用的成熟統計學和機器學習方法論，但強調的是方法的業務價值和實施的流程，而非復雜的數學推導或代碼編寫。核心議題包括：市場細分與客戶生命周期價值（CLV）分析：應用聚類分析、RFM模型等經典統計方法，識彆高價值客戶群體，並製定差異化的營銷和保留策略。預測性分析在運營中的應用：討論時間序列分析在需求預測、庫存優化中的應用，以及迴歸模型在銷售額預測中的部署流程和效果評估。實驗設計與因果推斷：詳細介紹如何設計A/B測試（或多變量測試），科學地評估新産品、新定價或新營銷活動對業務指標的真實影響，避免“相關性誤判”。風險管理與欺詐檢測：介紹基於規則和成熟分類模型的早期預警係統在金融、信貸審批中的集成方法，重點關注誤報率（False Positive Rate）與召迴率（Recall）的業務平衡點。第四部分：數據驅動的決策落地與持續優化成功的分析項目不僅在於交付報告，更在於改變企業的實際行動。本部分關注分析成果如何融入日常決策流程，並實現價值的閉環管理。核心議題包括：分析結果的行動化路徑：探討如何將分析洞察轉化為具體的SOP（標準操作程序）或業務規則，例如，自動化定價調整或個性化推薦係統的反饋機製。模型治理與再訓練策略（側重流程）：討論模型上綫後的監控指標（如漂移檢測），以及在不涉及深度學習模型的背景下，何時、如何以何種頻率對傳統的統計模型或規則進行業務驅動的更新和重新驗證。投資迴報率（ROI）的量化評估：建立一套係統性的方法，用於衡量數據分析和BI項目對企業營收、成本節約和效率提升的具體貢獻，為未來的數據投入提供依據。數據倫理與監管閤規：在處理客戶數據和隱私時，企業必須遵守的法律框架（如GDPR、CCPA等相關原則）和內部倫理指南，確保數據使用的可持續性和社會責任。目標讀者：首席運營官（COO）、市場營銷總監、産品經理、商業分析師、企業架構師，以及任何負責將數據轉化為商業價值的決策者。本書假定讀者具備基礎的商業常識和對數據的基本理解，但無需具備高深的數學或編程背景。它提供的是“如何用數據管理業務”的藍圖，而非“如何構建復雜算法”的技術手冊。

作者簡介

何之源，現為復旦大學人工智能方嚮在讀碩士生。針對Tensorflow早期學習案例不足的情況，在知乎等網站上發錶瞭多篇實踐文章，獲得瞭廣大讀者的肯定。何之源於2012年通過信息學競賽保送進入復旦大學學習，2016獲得復旦大學理學學士學位，並榮獲復旦大學優秀學生的稱號。同年進入復旦大學計算機學院攻讀碩士學位。在編程和機器學習領域有多年一綫實踐經驗。

目錄資訊

第1章 MNIST機器學習入門 1
1.1 MNIST數據集 2
1.1.1 簡介 2
1.1.2 實驗：將MNIST數據集保存為圖片 5
1.1.3 圖像標簽的獨熱(one-hot)錶示 6
1.2 利用TensorFlow識彆MNIST 8
1.2.1 Softmax迴歸 8
1.2.2 兩層捲積網絡分類 14
1.3 總結 18
第2章 CIFAR-10與ImageNet圖像識彆 19
2.1 CIFAR-10數據集 20
2.1.1 CIFAR-10簡介 20
2.1.2 下載CIFAR-10數據 21
2.1.3 TensorFlow的數據讀取機製 23
2.1.4 實驗：將CIFAR-10數據集保存為圖片形式 30
2.2 利用TensorFlow訓練CIFAR-10識彆模型 34
2.2.1 數據增強（Data Augmentation） 34
2.2.2 CIFAR-10識彆模型 36
2.2.3 訓練模型 39
2.2.4 在TensorFlow中查看訓練進度 39
2.2.5 測試模型效果 42
2.3 ImageNet圖像識彆模型 44
2.3.1 ImageNet數據集簡介 44
2.3.2 曆代ImageNet圖像識彆模型 45
2.4 總結 49
第3章打造自己的圖像識彆模型 50
3.1 微調（Fine-tune）的原理 51
3.2 數據準備 52
3.3 使用TensorFlow Slim微調模型 56
3.3.1 下載TensorFlow Slim的源代碼 56
3.3.2 定義新的datasets文件 57
3.3.3 準備訓練文件夾 59
3.3.4 開始訓練 60
3.3.5 訓練程序行為 62
3.3.6 驗證模型正確率 63
3.3.7 TensorBoard可視化與超參數選擇 64
3.3.8 導齣模型並對單張圖片進行識彆 65
3.4 總結 69
第4章 Deep Dream模型 70
4.1 Deep Dream的技術原理 71
4.2 TensorFlow中的Deep Dream模型實踐 73
4.2.1 導入Inception模型 73
4.2.2 生成原始的Deep Dream圖像 76
4.2.3 生成更大尺寸的Deep Dream圖像 78
4.2.4 生成更高質量的Deep Dream圖像 82
4.2.5 最終的Deep Dream模型 87
4.3 總結 90
第5章深度學習中的目標檢測 91
5.1 深度學習中目標檢測的原理 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 安裝TensorFlow Object Detection API 101
5.2.2 執行已經訓練好的模型 103
5.2.3 訓練新的模型 109
5.2.4 導齣模型並預測單張圖片 113
5.3 總結 114
第6章人臉檢測和人臉識彆 115
6.1 MTCNN的原理 116
6.2 使用深度捲積網絡提取特徵 121
6.2.1 三元組損失（Triplet Loss）的定義 123
6.2.2 中心損失（Center Loss）的定義 123
6.3 使用特徵設計應用 125
6.4 在TensorFlow中實現人臉識彆 126
6.4.1 項目環境設置 126
6.4.2 LFW人臉數據庫 127
6.4.3 LFW數據庫上的人臉檢測和對齊 128
6.4.4 使用已有模型驗證LFW數據庫準確率 129
6.4.5 在自己的數據上使用已有模型 130
6.4.6 重新訓練新模型 133
6.4.7 三元組損失和中心損失的定義 138
6.5 總結 140
第7章圖像風格遷移 141
7.1 圖像風格遷移的原理 142
7.1.1 原始圖像風格遷移的原理 142
7.1.2 快速圖像風格遷移的原理 148
7.2 在TensorFlow中實現快速風格遷移 149
7.2.1 使用預訓練模型 150
7.2.2 訓練自己的模型 153
7.2.3 在TensorBoard中監控訓練情況 154
7.2.4 項目實現細節 157
7.3 總結 162
第8章 GAN和DCGAN入門 163
8.1 GAN的原理 164
8.2 DCGAN的原理 166
8.3 在TensorFlow中用DCGAN生成圖像 169
8.3.1 生成MNIST圖像 170
8.3.2 使用自己的數據集訓練 171
8.3.3 程序結構分析：如何將圖像讀入模型 173
8.3.4 程序結構分析：可視化方法 177
8.4 總結 180
第9章 pix2pix模型與自動上色技術 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 執行已有的數據集 187
9.3.2 創建自己的數據集 191
9.4 使用TensorFlow為灰度圖像自動上色 194
9.4.1 為食物圖片上色 194
9.4.2 為動漫圖片進行上色 196
9.5 總結 198
第10章超分辨率：如何讓圖像變得更清晰 199
10.1 數據預處理與訓練 200
10.1.1 去除錯誤圖片 200
10.1.2 將圖像裁剪到統一大小 202
10.1.3 為代碼添加新的操作 202
10.2 總結 209
第11章 CycleGAN與非配對圖像轉換 210
11.1 CycleGAN的原理 211
11.2 在TensorFlow中用訓練CycleGAN模型 213
11.2.1 下載數據集並訓練 213
11.2.2 使用自己的數據進行訓練 217
11.3 程序結構分析 220
11.4 總結 224
第12章 RNN基本結構與Char RNN文本生成 225
12.1 RNN的原理 226
12.1.1 經典RNN的結構 226
12.1.2 N VS 1 RNN的結構 229
12.1.3 1 VS N RNN的結構 230
12.2 LSTM的原理 231
12.3 Char RNN的原理 235
12.4 TensorFlow中的RNN實現方式 237
12.4.1 實現RNN的基本單元：RNNCell 238
12.4.2 對RNN進行堆疊：MultiRNNCell 239
12.4.3 注意點：BasicRNNCell和BasicLSTMCell的output 240
12.4.4 使用tf.nn.dynamic_rnn展開時間維度 241
12.5 使用TensorFlow實現Char RNN 242
12.5.1 定義輸入數據 243
12.5.2 定義多層LSTM模型 244
12.5.3 定義損失 245
12.5.4 訓練模型與生成文字 246
12.5.5 更多參數說明 250
12.5.6 運行自己的數據 250
12.6 總結 251
第13章序列分類問題詳解 252
13.1 N VS 1的RNN結構 253
13.2 數列分類問題與數據生成 254
13.3 在TensorFlow中定義RNN分類模型 258
13.3.1 定義模型前的準備工作 258
13.3.2 定義RNN分類模型 259
13.3.3 定義損失並進行訓練 261
13.4 模型的推廣 262
13.5 總結 263
第14章詞的嚮量錶示：word2vec與詞嵌入 264
14.1 為什麼需要做詞嵌入 265
14.2 詞嵌入的原理 266
14.2.1 CBOW實現詞嵌入的原理 266
14.2.2 Skip-Gram實現詞嵌入的原理 269
14.3 在TensorFlow中實現詞嵌入 270
14.3.1 下載數據集 270
14.3.2 製作詞錶 272
14.3.3 生成每步的訓練樣本 274
14.3.4 定義模型 276
14.3.5 執行訓練 279
14.3.6 可視化 281
14.4 與第12章的對比 284
14.5 總結 285
第15章在TensorFlow中進行時間序列預測 286
15.1 時間序列問題的一般形式 287
15.2 用TFTS讀入時間序列數據 287
15.2.1 從Numpy數組中讀入時間序列數據 288
15.2.2 從CSV文件中讀入時間序列數據 291
15.3 使用AR模型預測時間序列 293
15.3.1 AR模型的訓練 293
15.3.2 AR模型的驗證和預測 295
15.4 使用LSTM模型預測時間序列 297
15.4.1 LSTM模型中的單變量時間序列預測 297
15.4.2 LSTM模型中的多變量時間序列預測 299
15.5 總結 301
第16章神經網絡機器翻譯技術 302
16.1 Encoder-Decoder模型的原理 303
16.2 注意力機製（Attention） 305
16.3 使用TensorFlow NMT搭建神經網絡翻譯引擎 309
16.3.1 示例：將越南語翻譯為英語 309
16.3.2 構建中英翻譯引擎 313
16.4 TensorFlow NMT源碼簡介 317
16.5 總結 319
第17章看圖說話：將圖像轉換為文字 320
17.1 Image Caption技術綜述 321
17.1.1 從Encoder-Decoder結構談起 321
17.1.2 將Encoder-Decoder應用到Image Caption任務上 322
17.1.3 對Encoder-Decoder的改進1：加入Attention機製 323
17.1.4 對Encoder-Decoder的改進2：加入高層語義 325
17.2 在TensorFlow中實現Image Caption 327
17.2.1 下載代碼 327
17.2.2 環境準備 328
17.2.2 編譯和數據準備 328
17.2.3 訓練和驗證 330
17.2.4 測試單張圖片 331
17.3 總結 332
第18章強化學習入門之Q 333
18.1 強化學習中的幾個重要概念 334
18.2 Q Learning的原理與實驗 336
18.2.1 環境定義 336
18.2.2 Q函數 338
18.2.3 Q函數的學習策略 339
18.2.4 ?-greedy策略 341
18.2.5 簡單的Q Learning示例 341
18.2.6 更復雜的情況 342
18.3 總結 343
第19章強化學習入門之SARSA算法 344
19.1 SARSA 算法的原理 345
19.1.1 通過與Q Learning對比學習SARSA算法 345
19.1.2 off-policy與on-policy 346
19.2 SARSA 算法的實現 347
19.3 總結 348
第20章深度強化學習：Deep Q Learning 349
20.1 DQN算法的原理 350
20.1.1 問題簡介 350
20.1.2 Deep Q Network 351
20.1.3 訓練方法 352
20.2 在TensorFlow中運行DQN算法 353
20.2.1 安裝依賴庫 353
20.2.2 訓練 355
20.2.3 測試 356
20.3 在TensorFlow中DQN算法的實現分析 357
20.4 總結 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遊戲 362
21.1.2 策略網絡（Policy Network） 363
21.1.3 訓練策略網絡 364
21.2 在TensorFlow中實現策略梯度算法 365
21.2.1 初始化 365
21.2.2 定義策略網絡 366
21.2.3 訓練 367
21.3 總結 371
· · · · · · (收起)

讀後感

評分☆☆☆☆☆

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...

評分☆☆☆☆☆

用戶評價

评分☆☆☆☆☆

閱讀這本書的過程，體驗感可以用“行雲流水”來形容。作者在代碼示例的選擇和講解上，花費瞭大量的心思，這一點從代碼的清晰度和注釋的詳盡程度就能看齣來。很多時候，遇到一些技術細節的難點，我習慣性地在腦海中預演可能會齣現的錯誤，但神奇的是，書中已經預見到瞭這些潛在的“陷阱”，並提前給齣瞭解決方案或者解釋其背後的原理。這種前瞻性的指導，極大地減少瞭調試代碼所耗費的時間和挫敗感。更難能可貴的是，它不僅僅展示瞭“如何做”，更深入地探討瞭“為什麼這麼做”。比如，在討論特定網絡結構的選擇時，作者會引用相關的研究成果，並用通俗的語言解讀這些研究的精髓，使得讀者能夠站在巨人的肩膀上思考問題，而不是盲目地復製粘貼代碼。這種深度和廣度的平衡把握得非常到位，讓人在實操中不斷積纍經驗，在理論中不斷升華認知。

评分☆☆☆☆☆

這本書給我的最大啓發，在於它樹立瞭一種健康、持續的學習心態。作者在收尾部分並沒有營造齣“學完此書，你就是專傢”的虛假繁榮，而是誠懇地指齣瞭深度學習領域知識更新的迭代速度之快，並鼓勵讀者將這本書當作一個堅實的基礎平颱，在此之上繼續構建自己的知識城堡。這種務實的態度非常打動人。它不是提供一個終點，而是一張高質量的藏寶圖，指引你去往下一個更精彩的探索地。閱讀這本書的過程，更像是一次思想的碰撞和一次技能的密集訓練營，它教會我的不僅僅是操作步驟，更是一種麵對復雜問題的分析框架和解決問題的內在邏輯。對於任何想係統、紮實地邁入深度學習實踐領域的讀者來說，這本書無疑是值得信賴的嚮導和不可多得的夥伴。

评分☆☆☆☆☆

這本書的結構安排，真的體現瞭作者對學習者心理的深刻洞察。它不像一些教材那樣，把所有知識點硬生生地堆砌在一起，讓人無從下手。相反，它是通過一係列遞進式的“項目”來構建知識體係的，每一個項目都像是一塊精心打磨的拼圖，恰到好處地填補瞭前一個知識留下的空白，同時也為下一個更復雜的挑戰做好瞭鋪墊。我發現自己不再是被動地接受知識，而是主動地去解決問題，去思考：“為什麼這個參數的調整會帶來性能的顯著提升？”這種主動探索的過程，極大地加深瞭我的理解和記憶。書中對每個項目的背景介紹都非常到位，清晰地闡述瞭該技術在現實世界中的應用場景，這讓我對所學知識的價值感有瞭更直觀的認識，而不是僅僅停留在代碼層麵。這種將理論與實踐緊密結閤的編排方式，讓學習過程充滿瞭成就感，每一次成功運行一個Demo，都像是在黑暗中點亮瞭一盞小小的燈火。

评分☆☆☆☆☆

我必須承認，在接觸這本書之前，我對“工程化”這個概念一直很模糊。總覺得深度學習是實驗室裏的高精尖技術，離實際生産環境相去甚遠。但是，這本書中對於項目部署、模型優化和性能評估的章節，徹底刷新瞭我的認知。它不僅僅停留在 Jupyter Notebook 的演示階段，而是將目光投嚮瞭如何讓這些模型真正地“跑”起來，跑得“好”。作者用一種近乎嚴謹的工程師口吻，講解瞭在不同硬件環境下如何進行資源分配，如何權衡模型的準確性和推理速度之間的矛盾。這些內容在很多入門級的教材中是被嚴重忽略的，但恰恰是這些“軟技能”，決定瞭一個學習者能否真正從“愛好者”蛻變為“專業人士”。書中提供的那些關於模型輕量化和加速的技巧，實用性極強，讓我立刻就能應用到我手頭的一些小項目中去。

评分☆☆☆☆☆

這本書的封麵設計得相當抓人眼球，那種深邃的藍色調，配上一些抽象的幾何圖形，一下子就讓人聯想到復雜而又充滿魅力的技術世界。我原本對深度學習這個領域抱持著既好奇又畏懼的態度，覺得它高深莫測，充滿瞭晦澀的公式和難以理解的理論。然而，當我翻開這本書時，那種感覺立刻煙消雲散瞭。作者的敘事方式非常親切，仿佛一位經驗豐富的領航員，帶著我們這些初涉水域的人，一步步穩健地探索這片知識的海洋。書中沒有那種居高臨下的說教感，更多的是一種平等的交流，通過一個個精心挑選的“項目”，將抽象的概念具象化。這對於我這種動手能力強於純理論啃讀的人來說，簡直是福音。我尤其欣賞的是，它並沒有一開始就拋齣那些讓人望而生畏的數學推導，而是先構建一個清晰的實踐框架，讓我們在“玩”的過程中，自然而然地理解背後的邏輯。這種“先入局，後解密”的策略，極大地降低瞭學習麯綫的陡峭程度，讓人充滿瞭繼續探索下去的動力。

评分☆☆☆☆☆

本以為有點什麼有意思的project....

评分☆☆☆☆☆

如果不是齣差無聊不會看這本書，書名看著蛋疼，好壞無論，內容至少是自己寫的，從項目齣發講解代碼和知識點，很好

评分☆☆☆☆☆

裏麵提供瞭很多現成能用的東西，但是代碼量太大，學習起來睏難，可以作為工具書

评分☆☆☆☆☆

一般

评分☆☆☆☆☆

看到很多人給差評，的確這本書絕對不是給想學深度學習的初學者看的，沒有詳細的講解，隻有項目操作的指示。但對於我這個沒有任何深度學習基礎，又要在10天之內做齣一個視覺分類demo的人來說是一本好書，slim這章幫助我快速上手，還不錯。