21个项目玩转深度学习：基于TensorFlow的实践详解

21.2 在TensorFlow中实现策略梯度算法

21.1 策略梯度算法的原理

第21章 策略梯度算法

20.4 总结

20.3 在TensorFlow中DQN算法的实现分析

20.2 在TensorFlow中运行DQN算法

20.1 DQN算法的原理

第20章 深度强化学习：Deep Q Learning

19.3 总结

19.2 SARSA算法的实现

19.1 SARSA算法的原理

第19章 强化学习入门之SARSA算法

18.3 总结

18.2 Q Learning的原理与实验

18.1 强化学习中的几个核心概念

第18章 强化学习入门之Q Learning

17.3 总结

17.2 在TensorFlow中实现Image Caption

17.1 Image Caption技术综述

第17章 看图说话：将图像转换为文字

16.5 总结

16.4 TensorFlow NMT源码简介

16.3 使用TensorFlow NMT搭建神经网络翻译引擎

16.2 注意力机制

16.1 Encoder-Decoder模型的原理

第16章 神经网络机器翻译技术

15.5 总结

15.4 使用LSTM模型预测时间序列

15.3 使用AR模型预测时间序列

15.2 用TFTS读入时间序列数据

15.1 时间序列问题的一般形式

第15章 在TensorFlow中进行时间序列预测

14.4 总结

14.3 在TensorFlow中实现词嵌入

14.2 词嵌入的原理

14.1 为什么需要做词嵌入

第14章 词的向量表示：word2vec与词嵌入

13.5 总结

13.4 模型的推广

13.3 在TensorFlow中定义RNN分类模型

13.2 序列分类问题与数据生成

13.1 N VS 1的RNN结构

第13章 序列分类问题详解

12.6 总结

12.5 使用TensorFlow实现Char RNN

12.4 TensorFlow中的RNN实现方式

12.3 Char RNN的原理

12.2 LSTM的原理

12.1 RNN的原理

第12章 RNN基本结构与Char RNN文本生成

11.4 总结

11.3 程序结构分析

11.2 在TensorFlow中用训练CycleGAN模型

11.1 CycleGAN的原理

第11章 CycleGAN与非配对图像转换

10.2 总结

10.1 数据预处理与训练

第10章 超分辨率：如何让图像变得更清晰

9.5 总结

9.4 使用TensorFlow为灰度图像自动上色

9.3 TensorFlow中的pix2pix模型

9.2 pix2pix模型的原理

9.1 cGAN的原理

第9章 pix2pix模型与自动上色技术

8.4 总结

8.3 在TensorFlow中用DCGAN生成图像

8.2 DCGAN的原理

8.1 GAN的原理

第8章 GAN和DCGAN入门

7.3 总结

7.2 在TensorFlow中实现快速风格迁移

7.1 图像风格迁移的原理

第7章 图像风格迁移

6.5 总结

6.4 在TensorFlow中实现人脸识别

6.3 使用特征设计应用

6.2 使用深度卷积网络提取特征

6.1 MTCNN的原理

第6章 人脸检测和人脸识别

5.3 总结

5.2 TensorFlow Object Detection API

5.1 深度学习中目标检测的原理

第5章 深度学习中的目标检测

4.3 总结

4.2 TensorFlow中的Deep Dream模型实践

4.1 Deep Dream的技术原理

第4章 Deep Dream模型

3.4 总结

3.3 使用TensorFlow Slim微调模型

3.2 数据准备

3.1 微调的原理

第3章 打造自己的图像识别模型

2.4 总结

2.3 ImageNet图像识别模型

2.2 利用TensorFlow训练CIFAR-10识别模型

2.1 CIFAR-10数据集

第2章 CIFAR-10与ImageNet图像识别

1.3 总结

1.2 利用TensorFlow识别MNIST

1.1 MNIST数据集

第1章 MNIST机器学习入门

读者服务

致谢

如何阅读本书

本书主要内容

前言

版权信息

封面

封面

版权信息

前言

本书主要内容

如何阅读本书

致谢

读者服务

第1章 MNIST机器学习入门

1.1 MNIST数据集

1.2 利用TensorFlow识别MNIST

1.3 总结

第2章 CIFAR-10与ImageNet图像识别

2.1 CIFAR-10数据集

2.2 利用TensorFlow训练CIFAR-10识别模型

2.3 ImageNet图像识别模型

2.4 总结

第3章 打造自己的图像识别模型

3.1 微调的原理

3.2 数据准备

3.3 使用TensorFlow Slim微调模型

3.4 总结

第4章 Deep Dream模型

4.1 Deep Dream的技术原理

4.2 TensorFlow中的Deep Dream模型实践

4.3 总结

第5章 深度学习中的目标检测

5.1 深度学习中目标检测的原理

5.2 TensorFlow Object Detection API

5.3 总结

第6章 人脸检测和人脸识别

6.1 MTCNN的原理

6.2 使用深度卷积网络提取特征

6.3 使用特征设计应用

6.4 在TensorFlow中实现人脸识别

6.5 总结

第7章 图像风格迁移

7.1 图像风格迁移的原理

7.2 在TensorFlow中实现快速风格迁移

7.3 总结

第8章 GAN和DCGAN入门

8.1 GAN的原理

8.2 DCGAN的原理

8.3 在TensorFlow中用DCGAN生成图像

8.4 总结

第9章 pix2pix模型与自动上色技术

9.1 cGAN的原理

9.2 pix2pix模型的原理

9.3 TensorFlow中的pix2pix模型

9.4 使用TensorFlow为灰度图像自动上色

9.5 总结

第10章 超分辨率：如何让图像变得更清晰

10.1 数据预处理与训练

10.2 总结

第11章 CycleGAN与非配对图像转换

11.1 CycleGAN的原理

11.2 在TensorFlow中用训练CycleGAN模型

11.3 程序结构分析

11.4 总结

第12章 RNN基本结构与Char RNN文本生成

12.1 RNN的原理

12.2 LSTM的原理

12.3 Char RNN的原理

12.4 TensorFlow中的RNN实现方式

12.5 使用TensorFlow实现Char RNN

12.6 总结

第13章 序列分类问题详解

13.1 N VS 1的RNN结构

13.2 序列分类问题与数据生成

13.3 在TensorFlow中定义RNN分类模型

13.4 模型的推广

13.5 总结

第14章 词的向量表示：word2vec与词嵌入

14.1 为什么需要做词嵌入

14.2 词嵌入的原理

14.3 在TensorFlow中实现词嵌入

14.4 总结

第15章 在TensorFlow中进行时间序列预测

15.1 时间序列问题的一般形式

15.2 用TFTS读入时间序列数据

15.3 使用AR模型预测时间序列

15.4 使用LSTM模型预测时间序列

15.5 总结

第16章 神经网络机器翻译技术

16.1 Encoder-Decoder模型的原理

16.2 注意力机制

16.3 使用TensorFlow NMT搭建神经网络翻译引擎

16.4 TensorFlow NMT源码简介

16.5 总结

第17章 看图说话：将图像转换为文字

17.1 Image Caption技术综述

17.2 在TensorFlow中实现Image Caption

17.3 总结

第18章 强化学习入门之Q Learning

18.1 强化学习中的几个核心概念

18.2 Q Learning的原理与实验

18.3 总结

第19章 强化学习入门之SARSA算法

19.1 SARSA算法的原理

19.2 SARSA算法的实现

19.3 总结

第20章 深度强化学习：Deep Q Learning

20.1 DQN算法的原理

20.2 在TensorFlow中运行DQN算法

20.3 在TensorFlow中DQN算法的实现分析

20.4 总结

第21章 策略梯度算法

21.1 策略梯度算法的原理

21.2 在TensorFlow中实现策略梯度算法