TensorFlow深度學習項目實戰 Tensorflow Deep Learning Projects

Luca Massaron 是一名數據科學家，也是一家公司的市場研究總監，長期從事多元統計分析、機器學習和客戶分析等工作，有 10 多年的解決實際問題的經驗，擅長運用推理、統計、數據挖掘和算法為客戶創造價值。他對數據分析技術非常感興趣，樂於向專業人員和非專業人員展示數據驅動的知識發現的巨大潛力。他堅信通過簡單明瞭的解釋和對行業的基本理解可以實現很多目標。

 

Alberto Boschetti 是一名數據科學家，在信號處理和統計方面有豐富的經驗。他擁有通信工程博士學位，目前從事自然語言處理、機器學習和分佈式處理等方向的工作。他經常參加學術討論、大型會議和其他活動，關註數據科學技術的最新進展。

 

Alexey Grigorev 是經驗豐富的數據科學家、機器學習工程師和軟件開發人員，擁有超過8年的專業經驗。他原是一名 Java 開發人員，後轉而從事數據科學工作。現在，Alexey 是Simplaex 公司的數據科學家，主要使用 Java 和 Python 進行數據清理、數據分析和建模。他擅長的領域是機器學習和文本挖掘。

 

Abhishek Thakur 是一名數據科學家，主要關註應用機器學習和深度學習。他在 2014 年獲得了德國波恩大學的電腦科學碩士學位，之後在多個行業工作。他的研究方向是自動化機器學習。他熱衷於參加機器學習競賽，在 Kaggle 競賽中獲得過的好成績全球第三名。

第 1章 用捲積神經網絡識別交通標志 1

1.1 數據集 1

1.2 捲積神經網絡 2

1.3 圖像預處理 3

1.4 訓練模型並進行預測 6

1.5 後續問題 12

1.6 小結 12

第 2章 用目標檢測API標註圖像 13

2.1 微軟常見物體數據集 13

2.2 TensorFlow的目標檢測API 16

2.3 展示項目計劃 18

2.3.1 為項目搭建合適的開發環境 19

2.3.2 protobuf編譯 20

2.4 準備項目代碼 20

2.4.1 一些簡單應用 31

2.4.2 網絡攝像頭實時檢測 34

2.5 致謝 36

2.6 小結 36

第3章 圖像的描述生成 37

3.1 什麽是描述生成 37

3.2 探索圖像描述數據集 38

3.3 把單詞轉換為詞嵌入 40

3.4 描述圖像的方法 42

3.4.1 條件隨機場 42

3.4.2 基於捲積神經網絡的循環神經網絡 43

3.4.3 描述排序 44

3.4.4 密集描述 45

3.4.5 循環神經網絡描述 46

3.4.6 多模態描述 46

3.4.7 基於註意力機制的描述 47

3.5 實現描述生成模型 48

3.6 小結 52

第4章 為生成條件圖像構建GAN 53

4.1 GAN簡介 53

4.1.1 對抗方式是關鍵 54

4.1.2 “寒武紀大爆發” 56

4.2 項目 57

4.2.1 數據集類 58

4.2.2 CGAN類 60

4.3 CGAN應用示例 74

4.3.1 MNIST 75

4.3.2 Zalando MNIST 79

4.3.3 EMNIST 81

4.3.4 重用經過訓練的CGAN 82

4.4 使用AWS服務 84

4.5 致謝 85

4.6 小結 86

第5章 利用LSTM預測股票價格 87

5.1 輸入數據集（餘弦信號和股票價格） 87

5.2 格式化數據集 90

5.3 用回歸模型預測股票價格 93

5.4 長短期記憶神經網絡入門 101

5.5 利用LSTM進行股票價格預測 103

5.6 練習 108

5.7 小結 109

第6章 構建和訓練機器翻譯模型 110

6.1 機器翻譯系統架構 110

6.2 語料庫預處理 112

6.3 訓練機器翻譯模型 118

6.4 測試和翻譯 123

6.5 練習 125

6.6 小結 125

第7章 訓練能像人類一樣討論的聊天機器人 126

7.1 項目簡介 126

7.2 輸入語料庫 127

7.3 創建訓練集 128

7.4 訓練聊天機器人 132

7.5 聊天機器人API 134

7.6 練習 137

7.7 小結 137

第8章 檢測Quora數據集中的重復問題 138

8.1 展示數據集 138

8.2 基礎特徵工程 141

8.3 創建模糊特徵 142

8.4 借助TF-IDF和SVD特徵 145

8.5 用Word2vec嵌入映射 148

8.6 測試機器學習模型 153

8.7 搭建TensorFlow模型 158

8.8 構建深度神經網絡之前所做的處理 158

8.9 深度神經網絡的構建模塊 160

8.10 設計學習架構 163

8.11 小結 169

第9章 用TensorFlow構建推薦系統 170

9.1 推薦系統 170

9.2 推薦系統下的矩陣分解 172

9.2.1 數據集準備和基準 172

9.2.2 矩陣分解 177

9.2.3 隱式反饋數據集 178

9.2.4 基於SGD的矩陣分解 181

9.2.5 貝葉斯個性化排序 186

9.3 面向推薦系統的RNN 189

9.3.1 數據集準備和基準 190

9.3.2 用TensorFlow構建RNN模型 195

9.4 小結 206

第 10章 基於強化學習的電子游戲 207

10.1 關於游戲 207

10.2 OpenAI版游戲 208

10.3 在Linux（Ubuntu 14.04或16.04）上安裝OpenAI Gym 210

10.4 通過深度學習探索強化學習 212

10.4.1 深度Q-learning技巧 215

10.4.2 理解深度Q-learning的局限性 216

10.5 啟動項目 216

10.5.1 定義人工智能大腦 217

10.5.2 為經驗回放創建記憶 221

10.5.3 創建智能體 222

10.5.4 指定環境 227

10.5.5 執行強化學習過程 230

10.6 致謝 233

10.7 小結 234