[套装书]Python深度学习实战+TensorFlow机器学习实战指南（原书第2版）（2册）

作者
[印] 纳温·库马尔·马纳西（Navin Kumar Manaswi）[美] 尼克·麦克卢尔（Nick McClure）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9787190731102
简要
简介
内容简介书籍计算机书籍 ---------------------------TensorFlow机器学习实战指南（原书第2版）--------------------------- 本书由资深数据科学家撰写，从实战角度系统讲解TensorFlow基本概念及各种应用实践。真实的应用场景和数据，丰富的代码实例，详尽的操作步骤，带领读者由浅入深系统掌握TensorFlow机器学习算法及其实现。 本书第1章和第2章介绍了关于TensorFlow使用的基础知识，后续章节则针对一些典型算法和典型应用场景进行了实现，并配有较详细的程序说明，可读性非常强。读者如果能对其中代码进行复现，则必定会对TensorFlow的使用了如指掌。 ---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别--------------------------- 本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。
目录



---------------------------TensorFlow机器学习实战指南（原书第2版）---------------------------


译者序
审校者简介
前言
第1章　TensorFlow基础 1
1.1　简介 1
1.2　TensorFlow如何工作 1
1.2.1　开始 1
1.2.2　动手做 2
1.2.3　工作原理 3
1.2.4　参考 3
1.3　声明变量和张量 4
1.3.1　开始 4
1.3.2　动手做 4
1.3.3　工作原理 6
1.3.4　延伸学习 6
1.4　使用占位符和变量 6
1.4.1　开始 6
1.4.2　动手做 6
1.4.3　工作原理 7
1.4.4　延伸学习 7
1.5　操作（计算）矩阵 8
1.5.1　开始 8
1.5.2　动手做 8
1.5.3　工作原理 10
1.6　声明操作 10
1.6.1　开始 10
1.6.2　动手做 10
1.6.3　工作原理 12
1.6.4　延伸学习 12
1.7　实现激励函数 12
1.7.1　开始 12
1.7.2　动手做 12
1.7.3　工作原理 14
1.7.4　延伸学习 14
1.8　读取数据源 14
1.8.1　开始 15
1.8.2　动手做 15
1.8.3　工作原理 18
1.8.4　参考 18
1.9　其他资源 19
1.9.1　开始 19
1.9.2　动手做 19
第2章　TensorFlow进阶 20
2.1　简介 20
2.2　计算图中的操作 20
2.2.1　开始 20
2.2.2　动手做 21
2.2.3　工作原理 21
2.3　TensorFlow的嵌入Layer 21
2.3.1　开始 21
2.3.2　动手做 22
2.3.3　工作原理 22
2.3.4　延伸学习 22
2.4　TensorFlow的多层Layer 23
2.4.1　开始 23
2.4.2　动手做 23
2.4.3　工作原理 24
2.5　TensorFlow实现损失函数 24
2.5.1　开始 25
2.5.2　动手做 26
2.5.3　工作原理 28
2.5.4　延伸学习 28
2.6　TensorFlow实现反向传播 29
2.6.1　开始 29
2.6.2　动手做 30
2.6.3　工作原理 33
2.6.4　延伸学习 33
2.6.5　参考 33
2.7　TensorFlow实现批量训练和随机训练 34
2.7.1　开始 34
2.7.2　动手做 34
2.7.3　工作原理 35
2.7.4　延伸学习 36
2.8　TensorFlow实现创建分类器 36
2.8.1　开始 36
2.8.2　动手做 37
2.8.3　工作原理 38
2.8.4　延伸学习 39
2.8.5　参考 39
2.9　TensorFlow实现模型评估 39
2.9.1　开始 39
2.9.2　动手做 40
2.9.3　工作原理 43
第3章　基于TensorFlow的线性回归 44
3.1　简介 44
3.2　用TensorFlow求逆矩阵 44
3.2.1　开始 45
3.2.2　动手做 45
3.2.3　工作原理 46
3.3　用TensorFlow实现矩阵分解 46
3.3.1　开始 46
3.3.2　动手做 46
3.3.3　工作原理 47
3.4　用TensorFlow实现线性回归算法 47
3.4.1　开始 48
3.4.2　动手做 48
3.4.3　工作原理 50
3.5　理解线性回归中的损失函数 51
3.5.1　开始 51
3.5.2　动手做 51
3.5.3　工作原理 52
3.5.4　延伸学习 53
3.6　用TensorFlow实现戴明回归算法 53
3.6.1　开始 54
3.6.2　动手做 54
3.6.3　工作原理 55
3.7　用TensorFlow实现lasso回归和岭回归算法 56
3.7.1　开始 56
3.7.2　动手做 56
3.7.3　工作原理 58
3.7.4　延伸学习 58
3.8　用TensorFlow实现弹性网络回归算法 58
3.8.1　开始 58
3.8.2　动手做 58
3.8.3　工作原理 60
3.9　用TensorFlow实现逻辑回归算法 60
3.9.1　开始 60
3.9.2　动手做 61
3.9.3　工作原理 63
第4章　基于TensorFlow的支持向量机 65
4.1　简介 65
4.2　线性支持向量机的使用 67
4.2.1　开始 67
4.2.2　动手做 67
4.2.3　工作原理 70
4.3　弱化为线性回归 71
4.3.1　开始 71
4.3.2　动手做 72
4.3.3　工作原理 74
4.4　TensorFlow上核函数的使用 75
4.4.1　开始 75
4.4.2　动手做 76
4.4.3　工作原理 80
4.4.4　延伸学习 80
4.5　用TensorFlow实现非线性支持向量机 80
4.5.1　开始 80
4.5.2　动手做 80
4.5.3　工作原理 83
4.6　用TensorFlow实现多类支持向量机 83
4.6.1　开始 83
4.6.2　动手做 84
4.6.3　工作原理 87
第5章　最近邻域法 88
5.1　简介 88
5.2　最近邻域法的使用 89
5.2.1　开始 89
5.2.2　动手做 89
5.2.3　工作原理 92
5.2.4　延伸学习 92
5.3　如何度量文本距离 92
5.3.1　开始 93
5.3.2　动手做 93
5.3.3　工作原理 95
5.3.4　延伸学习 95
5.4　用TensorFlow实现混合距离计算 95
5.4.1　开始 96
5.4.2　动手做 96
5.4.3　工作原理 98
5.4.4　延伸学习 98
5.5　用TensorFlow实现地址匹配 99
5.5.1　开始 99
5.5.2　动手做 99
5.5.3　工作原理 101
5.6　用TensorFlow实现图像识别 102
5.6.1　开始 102
5.6.2　动手做 102
5.6.3　工作原理 104
5.6.4　延伸学习 105
第6章　神经网络算法 106
6.1　简介 106
6.2　用TensorFlow实现门函数 107
6.2.1　开始 107
6.2.2　动手做 108
6.2.3　工作原理 110
6.3　使用门函数和激励函数 110
6.3.1　开始 111
6.3.2　动手做 111
6.3.3　工作原理 113
6.3.4　延伸学习 113
6.4　用TensorFlow实现单层神经网络 114
6.4.1　开始 114
6.4.2　动手做 114
6.4.3　工作原理 116
6.4.4　延伸学习 117
6.5　用TensorFlow实现神经网络常见层 117
6.5.1　开始 117
6.5.2　动手做 117
6.5.3　工作原理 122
6.6　用TensorFlow实现多层神经网络 123
6.6.1　开始 123
6.6.2　动手做 123
6.6.3　工作原理 127
6.7　线性预测模型的优化 128
6.7.1　开始 128
6.7.2　动手做 128
6.7.3　工作原理 131
6.8　用TensorFlow基于神经网络实现井字棋 132
6.8.1　开始 133
6.8.2　动手做 134
6.8.3　工作原理 139
第7章　自然语言处理 140
7.1　简介 140
7.2　词袋的使用 141
7.2.1　开始 141
7.2.2　动手做 142
7.2.3　工作原理 146
7.2.4　延伸学习 146
7.3　用TensorFlow实现TF-IDF算法 146
7.3.1　开始 146
7.3.2　动手做 147
7.3.3　工作原理 150
7.3.4　延伸学习 151
7.4　用TensorFlow实现skip-gram模型 151
7.4.1　开始 151
7.4.2　动手做 152
7.4.3　工作原理 158
7.4.4　延伸学习 158
7.5　用TensorFlow实现CBOW词嵌入模型 158
7.5.1　开始 158
7.5.2　动手做 159
7.5.3　工作原理 163
7.5.4　延伸学习 163
7.6　使用TensorFlow的Word2Vec预测 163
7.6.1　开始 163
7.6.2　动手做 163
7.6.3　工作原理 168
7.6.4　延伸学习 168
7.7　用TensorFlow实现基于Doc2Vec的情感分析 168
7.7.1　开始 168
7.7.2　动手做 169
7.7.3　工作原理 175
第8章　卷积神经网络 176
8.1　简介 176
8.2　用TensorFlow实现简单的CNN 177
8.2.1　开始 177
8.2.2　动手做 177
8.2.3　工作原理 182
8.2.4　延伸学习 182
8.2.5　参考 183
8.3　用TensorFlow实现进阶的CNN 183
8.3.1　开始 183
8.3.2　动手做 183
8.3.3　工作原理 189
8.3.4　参考 190
8.4　再训练已有的CNN模型 190
8.4.1　开始 190
8.4.2　动手做 191
8.4.3　工作原理 193
8.4.4　参考 193
8.5　用TensorFlow实现图像风格迁移 193
8.5.1　开始 194
8.5.2　动手做 194
8.5.3　工作原理 199
8.5.4　参考 199
8.6　用TensorFlow实现DeepDream 199
8.6.1　开始 199
8.6.2　动手做 199
8.6.3　延伸学习 204
8.6.4　参考 204
第9章　循环神经网络 205
9.1　简介 205
9.2　用TensorFlow实现RNN模型进行垃圾邮件预测 206
9.2.1　开始 206
9.2.2　动手做 206
9.2.3　工作原理 211
9.2.4　延伸学习 211
9.3　用TensorFlow实现LSTM模型 211
9.3.1　开始 211
9.3.2　动手做 212
9.3.3　工作原理 218
9.3.4　延伸学习 218
9.4　TensorFlow堆叠多层LSTM 219
9.4.1　开始 219
9.4.2　动手做 219
9.4.3　工作原理 221
9.5　用TensorFlow实现Seq2Seq翻译模型 221
9.5.1　开始 221
9.5.2　动手做 222
9.5.3　工作原理 232
9.5.4　延伸学习 232
9.6　TensorFlow训练孪生RNN度量相似度 232
9.6.1　开始 232
9.6.2　动手做 233
9.6.3　延伸学习 238
第10章　TensorFlow产品化 239
10.1　简介 239
10.2　TensorFlow的单元测试 239
10.2.1　开始 239
10.2.2　工作原理 244
10.3　TensorFlow的多设备使用 244
10.3.1　开始 244
10.3.2　动手做 245
10.3.3　工作原理 246
10.3.4　延伸学习 246
10.4　分布式TensorFlow实践 246
10.4.1　开始 247
10.4.2　动手做 247
10.4.3　工作原理 248
10.5　TensorFlow产品化开发提示 248
10.5.1　开始 248
10.5.2　动手做 248
10.5.3　工作原理 250
10.6　TensorFlow产品化的实例 250
10.6.1　开始 250
10.6.2　动手做 250
10.6.3　工作原理 253
10.7　TensorFlow服务部署 253
10.7.1　开始 253
10.7.2　动手做 253
10.7.3　工作原理 256
10.7.4　延伸学习 257
第11章　TensorFlow的进阶应用 258
11.1　简介 258
11.2　TensorFlow可视化：Tensorboard 258
11.2.1　开始 258
11.2.2　动手做 259
11.2.3　延伸学习 261
11.3　用TensorFlow实现遗传算法 263
11.3.1　开始 263
11.3.2　动手做 264
11.3.3　工作原理 266
11.3.4　延伸学习 266
11.4　用TensorFlow实现k-means聚类算法 267
11.4.1　开始 267
11.4.2　动手做 267
11.4.3　延伸学习 270
11.5　用TensorFlow求解常微分方程组 270
11.5.1　开始 271
11.5.2　动手做 271
11.5.3　工作原理 272
11.5.4　参考 272
11.6　用TensorFlow实现随机森林算法 273
11.6.1　开始 273
11.6.2　动手做 273
11.6.3　工作原理 276
11.6.4　参考 276
11.7　将Keras作为TensorFlow API使用 277
11.7.1　开始 277
11.7.2　动手做 277
11.7.3　工作原理 280
11.7.4　参考 281



---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别---------------------------


序
第1章　TensorFlow基础 1
1.1　张量 2
1.2　计算图与会话 2
1.3　常量、占位符与变量 4
1.4　占位符 6
1.5　创建张量 8
1.5.1　固定张量 9
1.5.2　序列张量 11
1.5.3　随机张量 11
1.6　矩阵操作 12
1.7　激活函数 13
1.7.1　双曲正切函数与Sigmoid函数 13
1.7.2　ReLU与ELU 15
1.7.3　ReLU6 15
1.8　损失函数 17
1.8.1　损失函数实例 18
1.8.2　常用的损失函数 18
1.9　优化器 19
1.9.1　优化器实例 20
1.9.2　常用的优化器 21
1.10　度量 21
1.10.1　度量实例 22
1.10.2　常用的度量 22
第2章　理解并运用Keras 25
2.1　深度学习模型构建的主要步骤 25
2.1.1　载入数据 26
2.1.2　预处理数据 27
2.1.3　定义模型 27
2.1.4　编译模型 29
2.1.5　拟合模型 29
2.1.6　评估模型 30
2.1.7　预测 30
2.1.8　保存与重载模型 31
2.1.9　可选：总结模型 31
2.2　改进Keras模型的附加步骤 32
2.3　Keras联合TensorFlow 33
第3章　多层感知机 35
3.1　人工神经网络 35
3.2　单层感知机 37
3.3　多层感知机 37
3.4　逻辑斯谛回归模型 38
第4章　TensorFlow中的回归到MLP 45
4.1　TensorFlow搭建模型的步骤 45
4.2　TensorFlow中的线性回归 46
4.3　逻辑斯谛回归模型 49
4.4　TensorFlow中的多层感知机 52
第5章　Keras中的回归到MLP 55
5.1　对数-线性模型 55
5.2　线性回归的Keras神经网络 56
5.3　逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras神经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4　基于Iris数据的MLP 62
5.4.1　编写代码 62
5.4.2 构建一个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6　基于随机生成数据的MLP 68
第6章　卷积神经网络 71
6.1　CNN中的各种层 71
6.2　CNN结构 74
第7章　TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3　使用高级API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1　定义网络结构 85
8.1.2　定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1　定义网络结构 87
8.2.2　定义模型架构 88
8.3　预训练模型 89
第9章　RNN与LSTM 91
9.1　循环神经网络的概念 91
9.2　长短时记忆网络的概念 93
9.3　LSTM常见模式 93
9.4　序列预测 94
9.4.1　数字序列预测 94
9.4.2　序列分类 95
9.4.3　序列生成 95
9.4.4　序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
第10章　语音-文本转换及其逆过程 101
10.1　语音-文本转换 101
10.2　语音数据 102
10.3 语音特征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC特征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7　开源方法 106
10.8　使用API的例子 107
10.8.1　使用PocketSphinx 107
10.8.2 使用Google Speech API 108
10.8.3 使用Google Cloud Speech API 108
10.8.4　使用Wit.ai API 108
10.8.5　使用Houndify API 109
10.8.6 使用IBM Speech to Text API 109
10.8.7 使用Bing Voice Recognition API 110
10.9　文本-语音转换 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音频剪辑代码 111
10.11　认知服务提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　语音分析的未来 113
第11章　创建聊天机器人 115
11.1　为什么是聊天机器人 116
11.2　聊天机器人的设计和功能 116
11.3　构建聊天机器人的步骤 116
11.3.1　预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的最佳实践 133
11.4.1　了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
第12章　人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2　OpenCV 136
12.2.1　特征脸 137
12.2.2　LBPH 137
12.2.3　费歇脸 138
12.3　检测人脸 139
12.4　跟踪人脸 141
12.5　人脸识别 144
12.6　基于深度学习的人脸识别 147
12.7　迁移学习 149
12.7.1 为什么要用迁移学习 150
12.7.2　迁移学习实例 150
12.7.3　计算迁移值 152
12.8　API 158
附录1　图像处理的Keras函数 161
附录2　可用的优质图像数据集 165
附录3　医学成像：DICOM文件格式 167




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4