TensorFlow 2實(shí)戰(zhàn)

目錄
第1章　環(huán)境配置　1
1．1　云Notebook環(huán)境簡(jiǎn)介　1
1．2　本地Notebook環(huán)境準(zhǔn)備　1
1．2．1　搭建Python環(huán)境　2
1．2．2　創(chuàng)建虛擬環(huán)境　2
1．2．3　安裝JupyterLab　3
1．3　安裝TensorFlow　6
1．4　本書(shū)的代碼規(guī)范　7
本章小結(jié)　8
第2章　常見(jiàn)工具介紹　9
2．1　NumPy　9
2．1．1　創(chuàng)建數(shù)組　10
2．1．2　數(shù)組索引　11
2．1．3　數(shù)組切片　11
2．1．4　數(shù)學(xué)計(jì)算　12
2．1．5　神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)表示　13
2．2　Pandas　14
2．2．1　讀取數(shù)據(jù)　14
2．2．2　探索數(shù)據(jù)　15
2．2．3　過(guò)濾數(shù)據(jù)　16
2．2．4　應(yīng)用方法　17
2．2．5　重構(gòu)數(shù)據(jù)　17
2．2．6　保存數(shù)據(jù)　18
2．3　Matplotlib　18
2．3．1　簡(jiǎn)單的圖形　19
2．3．2　子圖　20
2．3．3　直方圖　21
2．3．4　標(biāo)題、標(biāo)簽和圖例　21
2．3．5　三維圖形　22
2．3．6　結(jié)合Pandas使用　23
本章小結(jié)　24
第3章　從零開(kāi)始搭建神經(jīng)網(wǎng)絡(luò)　25
3．1　構(gòu)建神經(jīng)元　26
3．2　搭建神經(jīng)網(wǎng)絡(luò)　28
3．3　前向傳播例子　28
3．4　訓(xùn)練神經(jīng)網(wǎng)絡(luò)　30
3．4．1　損失　31
3．4．2　損失計(jì)算實(shí)例　31
3．5　優(yōu)化神經(jīng)網(wǎng)絡(luò)　32
3．6　隨機(jī)梯度下降　35
3．7　完整的代碼實(shí)現(xiàn)　36
本章小結(jié)　41
第4章　深度學(xué)習(xí)基礎(chǔ)　42
4．1　基礎(chǔ)概念　42
4．1．1　神經(jīng)元　42
4．1．2　神經(jīng)網(wǎng)絡(luò)　44
4．1．3　損失函數(shù)　45
4．1．4　神經(jīng)網(wǎng)絡(luò)訓(xùn)練　45
4．1．5　深度學(xué)習(xí)的主要術(shù)語(yǔ)　46
4．1．6　深度學(xué)習(xí)的4個(gè)分支　48
4．2　評(píng)估深度學(xué)習(xí)模型　49
4．2．1　簡(jiǎn)單的留出驗(yàn)證　49
4．2．2　K折交叉驗(yàn)證　50
4．2．3　隨機(jī)重復(fù)K折交叉驗(yàn)證　50
4．2．4　模型評(píng)估的注意事項(xiàng)　50
4．3　過(guò)擬合和欠擬合　51
4．3．1　減小神經(jīng)網(wǎng)絡(luò)模型的大小　51
4．3．2　添加權(quán)重正則化　52
4．3．3　添加Dropout正則化　52
本章小結(jié)　52
第5章　泰坦尼克號(hào)幸存者預(yù)測(cè)　53
5．1　處理數(shù)據(jù)集　53
5．2　定義模型　57
5．3　編譯模型　57
5．4　訓(xùn)練模型　59
5．5　評(píng)估模型　60
5．6　預(yù)測(cè)　63
5．7　代碼匯總　64
本章小結(jié)　66
第6章　TensorFlow 2介紹　67
6．1　TensorFlow 2基礎(chǔ)知識(shí)和學(xué)習(xí)路線(xiàn)圖　67
6．1．1　基礎(chǔ)知識(shí)　67
6．1．2　學(xué)習(xí)路線(xiàn)圖　69
6．2　模型的保存和恢復(fù)　70
6．2．1　全模型保存　70
6．2．2　保存為SavedModel格式　71
6．2．3　僅保存模型結(jié)構(gòu)　71
6．2．4　僅保存模型權(quán)重　72
6．3　模型增量更新　72
6．4　訓(xùn)練回調(diào)　72
6．4．1　模型檢查點(diǎn)和提前終止　73
6．4．2　動(dòng)態(tài)調(diào)整學(xué)習(xí)率　73
6．4．3　自定義回調(diào)函數(shù)　74
6．5　TensorBoard可視化　76
本章小結(jié)　78
第7章　圖像識(shí)別入門(mén)　79
7．1　Fashion-MNIST數(shù)據(jù)集　79
7．1．1　數(shù)據(jù)集簡(jiǎn)介　79
7．1．2　數(shù)據(jù)集預(yù)處理　80
7．2　全連接神經(jīng)網(wǎng)絡(luò)　82
7．2．1　構(gòu)建模型　83
7．2．2　編譯模型　83
7．2．3　訓(xùn)練模型　84
7．2．4　評(píng)估模型　84
7．2．5　預(yù)測(cè)　84
7．2．6　代碼小結(jié)　87
7．3　卷積神經(jīng)網(wǎng)絡(luò)　88
7．3．1　卷積神經(jīng)網(wǎng)絡(luò)的原理　88
7．3．2　卷積層和池化層　89
7．3．3　實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)　91
本章小結(jié)　92
第8章　圖像識(shí)別進(jìn)階　93
8．1　數(shù)據(jù)集處理　93
8．1．1　準(zhǔn)備數(shù)據(jù)集　93
8．1．2　數(shù)據(jù)集預(yù)處理　96
8．1．3　簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)　97
8．1．4　數(shù)據(jù)增強(qiáng)　99
8．2　遷移學(xué)習(xí)　102
8．2．1　VGG16預(yù)訓(xùn)練模型　103
8．2．2　特征提取　105
8．2．3　微調(diào)模型　108
8．2．4　保存模型　110
8．3　TensorFlow Hub　111
本章小結(jié)　113
第9章　圖像風(fēng)格遷移　114
9．1　神經(jīng)風(fēng)格遷移的原理　114
9．1．1　內(nèi)容損失　116
9．1．2　風(fēng)格損失　117
9．2　實(shí)現(xiàn)神經(jīng)風(fēng)格遷移算法　117
本章小結(jié)　127
第10章　自然語(yǔ)言處理入門(mén)　128
10．1　分詞　128
10．1．1　英文分詞　128
10．1．2　中文分詞　129
10．2　語(yǔ)言模型　131
10．2．1　獨(dú)熱編碼　131
10．2．2　詞嵌入　133
10．2．3　從文本到詞嵌入　134
10．2．4　自然語(yǔ)言處理領(lǐng)域的遷移學(xué)習(xí)　137
10．3　循環(huán)神經(jīng)網(wǎng)絡(luò)　139
10．3．1　循環(huán)神經(jīng)網(wǎng)絡(luò)的　原理　139
10．3．2　使用NumPy實(shí)現(xiàn)RNN層前向傳播　140
10．3．3　循環(huán)神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題　142
10．3．4　長(zhǎng)短期記憶網(wǎng)絡(luò)　143
本章小結(jié)　143
第11章　語(yǔ)音助手意圖分類(lèi)　144
11．1　數(shù)據(jù)集　144
11．1．1　加載數(shù)據(jù)集　145
11．1．2　數(shù)據(jù)預(yù)處理　146
11．2　雙向長(zhǎng)短期記憶網(wǎng)絡(luò)　151
11．3　預(yù)訓(xùn)練詞嵌入網(wǎng)絡(luò)　152
11．4　保存和加載模型　155
本章小結(jié)　157
第12章　自然語(yǔ)言生成實(shí)戰(zhàn)　158
12．1　利用語(yǔ)言模型寫(xiě)詩(shī)　158
12．1．1　語(yǔ)言模型的應(yīng)用　158
12．1．2　采樣策略　159
12．1．3　利用LSTM語(yǔ)言模型　寫(xiě)詩(shī)　159
12．2　Seq2Seq語(yǔ)言模型　167
12．2．1　編碼器　167
12．2．2　解碼器　168
12．3　利用Seq2Seq語(yǔ)言模型實(shí)現(xiàn)中英文翻譯　168
12．3．1　tf．keras中的函數(shù)式模型　168
12．3．2　數(shù)據(jù)預(yù)處理　169
12．3．3　Seq2Seq翻譯模型的訓(xùn)練　171
12．3．4　Seq2Seq翻譯模型的預(yù)測(cè)　173
本章小結(jié)　176
第13章　中文實(shí)體識(shí)別實(shí)戰(zhàn)　177
13．1　報(bào)紙實(shí)體識(shí)別　177
13．1．1　數(shù)據(jù)集　177
13．1．2　訓(xùn)練模型　181
13．1．3　評(píng)估序列標(biāo)注　182
13．2　使用BERT進(jìn)行遷移學(xué)習(xí)實(shí)體識(shí)別　183
13．2．1　在tf．keras中加載BERT模型　184
13．2．2　構(gòu)建遷移模型　186
本章小結(jié)　188
第14章　生成對(duì)抗網(wǎng)絡(luò)　189
14．1　生成對(duì)抗網(wǎng)絡(luò)的原理　189
14．2　搭建生成對(duì)抗網(wǎng)絡(luò)　190
14．2．1　生成器　190
14．2．2　判別器　191
14．2．3　完成生成對(duì)抗網(wǎng)絡(luò)的　搭建　191
14．3　訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)　192
14．4　輔助類(lèi)別生成對(duì)抗網(wǎng)絡(luò)　196
14．5　GAN的評(píng)估　201
14．5．1　Inception Score　202
14．5．2　Fréchet Inception 距離　203
本章小結(jié)　205
第15章　強(qiáng)化學(xué)習(xí)　206
15．1　強(qiáng)化學(xué)習(xí)概述　206
15．1．1　基礎(chǔ)內(nèi)容　206
15．1．2　Gym框架簡(jiǎn)介　208
15．1．3　隨機(jī)動(dòng)作策略　210
15．2　Q-Learning　212
15．2．1　Q-Learning簡(jiǎn)介　212
15．2．2　Q-Learning的實(shí)現(xiàn)　213
15．3　Deep Q-Learning　216
15．3．1　Lunar Lander v2　216
15．3．2　隨機(jī)動(dòng)作Agent　217
15．3．3　DQN的訓(xùn)練　219
本章小結(jié)　225
第16章　部署模型　226
16．1　使用Flask部署　226
16．1．1　Flask入門(mén)　226
16．1．2　利用Flask部署圖像分類(lèi)模型　227
16．2　TensorFlow Serving　229
16．2．1　使用命令行工具部署　230
16．2．2　使用Docker部署　231
16．2．3　調(diào)用REST接口　232
16．2．4　版本控制　233
本章小結(jié)　234