万本电子书0元读

万本电子书0元读

顶部广告

深度学习案例精粹:基于TensorFlow与Keras电子书

本书通过丰富的深度学习实战案例,向读者介绍深度学习可应用和落地的项目,包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换等。所有案例都基于Python TensorFlow 2.5 Keras技术,可配套用于深度学习的实战训练。

售       价:¥

纸质售价:¥44.20购买纸书

29人正在读 | 0人评论 6.8

作       者:王晓华

出  版  社:清华大学出版社

出版时间:2022-01-01

字       数:10.8万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书以实战为主,通过丰富的实战案例向读者介绍深度学习可应用和落地的项目,书中所有案例都基于Python TensorFlow 2.5 Keras技术,可用于深度学习课程的实战训练。本书配套示例源码、PPT课件、思维导图、数据集、发环境与答疑服务。 全书共分11章。第1章讲解深度学习的概念、流程、应用场景、模型分类和框架选择,第2~11章列举深度学习的项目实战案例,包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换。 本书内容详尽、案例丰富,是深度学习初学者的参考书,适合有基础、亟待提升自己技术水平的人工智能从业人员,也可作为高等院校和培训机构人工智能及相关专业的教材使用。<br/>【推荐语】<br/>本书通过丰富的深度学习实战案例,向读者介绍深度学习可应用和落地的项目,包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换等。所有案例都基于Python TensorFlow 2.5 Keras技术,可配套用于深度学习的实战训练。<br/>【作者】<br/>王晓华,计算机专业讲师,研究方向为云计算、大数据与人工智能。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战:基于TensorFlow2.2的深度学习实践》《TensorFlow深度学习从零始学》《深度学习的数学原理与实现》等图书。<br/>
目录展开

内容简介

前言

本书特色

示例源码、PPT课件、思维导图、数据集、开发环境下载与答疑服务

本书内容及知识体系

适合阅读本书的读者

勘误和鸣谢

目 录

第1章 深度学习与应用框架

1.1 深度学习的概念

1.1.1 何为深度学习

1.学习

2.深度

1.1.2 与传统的“浅层学习”的区别

1.2 案例实战:文本的情感分类

1.2.1 第一步:数据的准备

1.2.2 第二步:数据的处理

1.2.3 第三步:模型的设计

1.2.4 第四步:模型的训练

1.2.5 第五步:模型的结果和展示

1.3 深度学习的流程、应用场景和模型分类

1.3.1 深度学习的流程与应用场景

1.3.2 深度学习的模型分类

1.卷积神经网络模型(CNN)

2.深度置信网络模型(DBN)

3.堆栈自编码网络模型(SAEN)

1.4 主流深度学习的框架对比

1.4.1 深度学习框架的选择

1.性能方面

2.社区的活跃度

3.深度学习语言

1.4.2 本书选择:Keras与TensorFlow

1.5 本章小结

第2章 实战卷积神经网络——手写体识别

2.1 卷积神经网络理论基础

2.1.1 卷积运算

2.1.2 TensorFlow中的卷积函数

2.1.3 池化运算

2.1.4 softmax激活函数

2.1.5 卷积神经网络原理

2.2 案例实战:MNIST手写体识别

2.2.1 MNIST数据集的解析

2.2.2 MNIST数据集的特征和标签

2.2.3 TensorFlow 2.X编码实现

第一步:数据的获取

第二步:数据的处理

第三步:模型的确定与各模块的编写

2.2.4 使用自定义的卷积层实现MNIST识别

第一步:初始化参数

第二步:定义可变参数

第三步:模型的计算

2.3 本章小结

第3章 实战ResNet——CIFAR-100数据集分类

3.1 ResNet理论基础

3.1.1 ResNet诞生的背景

3.1.2 模块工具的TensorFlow实现

3.1.3 TensorFlow高级模块layers

1.卷积简介

2.BatchNormalization简介

3.dense简介

4.pooling简介

5.layers模块应用实例

3.2 案例实战:CIFAR-100数据集分类

3.2.1 CIFAR-100数据集的获取

3.2.2 ResNet残差模块的实现

3.2.3 ResNet网络的实现

3.2.4 使用ResNet对CIFAR-100数据集进行分类

第一步:数据集的获取

第二步:模型的导入和编译

第三步:模型的计算

3.3 本章小结

第4章 实战循环神经网络GRU——情感分类

4.1 情感分类理论基础

4.1.1 复习简单的情感分类

4.1.2 什么是GRU

1.GRU的输入与输出结构

2.门-GRU的重要设计

3.GRU的结构

4.1.3 TensorFlow中的GRU层

4.1.4 双向GRU

4.2 案例实战:情感分类

4.2.1 使用TensorFlow自带的模型来实现分类

第一步:预训练模型的载入

第二步:使用预训练模型进行文本分类

4.2.2 使用自定义的DPCNN来实现分类

4.3 本章小结

第5章 实战图卷积——文本情感分类

5.1 图卷积理论基础

5.1.1 “节点”“邻接矩阵”和“度矩阵”的物理意义

5.1.2 图卷积的理论计算

第一步:建立节点图表示和邻接矩阵

第二步:考虑度节点后的节点聚合特征值

5.1.3 图卷积神经网络的传播规则

5.2 案例实战:Cora数据集文本分类

5.2.1 Cora数据集简介

5.2.2 Cora数据集的读取与数据处理

5.2.3 图卷积模型的设计与实现

5.2.4 图卷积模型的训练与改进

1.改进1:将数据节点信息带入计算

2.改进2:对图卷积模型进行计算

5.3 案例实战:基于图卷积的情感分类(图卷积前沿内容)

5.3.1 文本结构化处理的思路与实现

5.3.2 使用图卷积对文本进行分类实战

第一步:数据的处理

第二步:文本的结构化转换

第三步:邻接矩阵的归一化处理

第四步:图卷积模型的建立

第五步:使用图卷积模型进行文本分类训练

5.3.3 图卷积模型的改进

1.改进1:将节点信息带入图卷积模型计算

2.改进2:剔除第一个全连接层的激活函数

3.改进3:加载字-文本共现频率函数构建邻接矩阵

5.4 本章小结

第6章 实战自然语言处理——编码器

6.1 编码器理论基础

6.1.1 输入层——初始词向量层和位置编码器层

1.第一层:初始词向量层

2.第二层:位置编码

6.1.2 自注意力层

第一步:自注意力中的query、key和value

第二步:使用Query、Key和Value计算自注意力的值

第三步:自注意力计算的代码实现

6.1.3 ticks和LayerNormalization

6.1.4 多头自注意力

6.2 案例实战:简单的编码器

6.2.1 前馈层的实现

6.2.2 编码器的实现

6.3 案例实战:汉字拼音转化模型

6.3.1 汉字拼音数据集处理

第一步:数据集展示

第二步:获取字库和训练数据

第三步:根据字库生成Token数据

6.3.2 汉字拼音转化模型的确定

6.3.3 模型训练部分的编写

6.3.4 推断函数的编写

6.4 本章小结

第7章 实战BERT——中文文本分类

7.1 BERT理论基础

7.1.1 BERT基本架构与应用

1.BERT的输入

2.BERT的模型架构

7.1.2 BERT预训练任务与Fine-Tuning

1.开创性的预训练任务方案

2.任务1:MLM

3.任务2:NSP

4.BERT用于具体NLP任务(Fine-Tuning)

7.2 案例实战:中文文本分类

7.2.1 使用Hugging Face获取BERT预训练模型

第一步:安装依赖

第二步:使用Hugging Face的BERT代码编写

7.2.2 BERT实战文本分类

第一步:数据的准备

第二步:数据的处理

第三步:模型的设计

第四步:模型的训练

第五步:模型的训练(补充)

7.3 拓展:更多的预训练模型

7.4 本章小结

第8章 实战自然语言处理——多标签文本分类

8.1 多标签分类理论基础

8.1.1 多标签分类不等于多分类

8.1.2 多标签分类的激活函数——sigmoid

8.2 案例实战:多标签文本分类

8.2.1 第一步:数据的获取与处理

8.2.2 第二步:选择特征抽取模型

1.使用自定义模型构建特征抽取模块

2.使用预训练模型构建特征抽取模块

8.2.3 第三步:训练模型的建立

8.2.4 第四步:多标签文本分类的训练与预测

8.3 本章小结

第9章 实战MTCNN—人脸检测

9.1 人脸检测基础

9.1.1 LFW数据集简介

9.1.2 Dlib库简介

9.1.3 OpenCV简介

9.1.4 使用Dlib做出图像中的人脸检测

第一步:使用OpenCV读取图片

第二步:加载Dlib的检测器

第三步:使用Dlib进行人脸检测

9.1.5 使用Dlib和OpenCV建立人脸检测数据集

第一步:LFW数据集中的所有图片

9.2 案例实战:基于MTCNN模型的人脸检测

9.2.1 MTCNN模型简介

1.P-Net阶段

2.R-Net阶段

3.O-Net阶段

9.2.2 MTCNN模型的使用

9.2.3 MTCNN模型中的一些细节

1.交并比

2.非极大值抑制

3.MTCNN的训练

9.3 本章小结

第10章 实战SiameseModel—人脸识别

10.1 基于深度学习的人脸识别模型

10.1.1 人脸识别的基本模型SiameseModel

10.1.2 SiameseModel的实现

10.1.3 人脸识别数据集的准备

10.2 案例实战:基于相似度计算的人脸识别模型

10.2.1 一种新的损失函数Triplet Loss

1.Face Net模型的架构

2.替代softmax的Triplet Loss损失函数

10.2.2 基于TripletSemiHardLoss的MNIST模型

第一步:tensorflow_addons与tensorflow_datasets的使用

第二步:模型的定义

第三步:使用TripletSemiHardLoss进行模型训练

第四步:相似度衡量函数

第五步:模型的训练与预测

第六步:模型预测的可视化展示

第七步:模型训练过程中数据输入的细节问题

10.2.3 基于TripletSemiHardLoss和SENET的人脸识别模型

第一步:人脸识别数据集的输入

第二步:使用SENet修正后的人脸识别模型

10.3 本章小结

第11章 实战MFCC和CTC——语音转换

11.1 MFCC理论基础

11.1.1 MFCC

1.梅尔频率

2.倒谱分析

1.使用TensorFlow获取语音的解析

2.使用TensorFlow获取到中间语谱图变量

3.使用TensorFlow计算MFCC

11.1.2 CTC

11.2 案例实战:语音汉字转换

11.2.1 第一步:数据集THCHS-30简介

11.2.2 第二步:数据集的提取与转化

1.遍历数据集并提取对应的数据地址

2.遍历数据集建立词库列表

3.一些工具类函数的编写

4.模型的编写

5.动态输入函数的编写

6.CTC Loss函数的编写

7.模型的训练过程

8.模型的预测

11.3 本章小结

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部