深度學習私房菜：跟著案例學TensorFlow（簡體書）

本書通過案例講解如何使用TensorFlow 解決深度學習的實際任務， 每章都包含TensorFlow 1.x 和2.0 的代碼實現。全書共分10 章，主要講解卷積神經網絡、LSTM、Seq2Seq、Transformer、BERT、文本卷積、GBDT、FM、FFM、Dlib、MTCNN、VGG、AlphaGo / AlphaZero、BiLSTM、DQN、Gym、GAN 等技術，包含的項目有CIFAR-100 圖像分類、彩票預測、古詩生成、推薦系統、廣告點擊率預測、人臉識別、中國象棋、漢字OCR、FlappyBird 和超級馬裡奧、人臉生成。

程世東，畢業于遼寧工程技術大學，對計算機領域的各類技術都有濃厚的興趣，享受學習新技術帶來的快樂。擅長C語言和匯編語言，尤其喜歡研究軟件調試和逆向工程相關技術。最近幾年開始鑽研機器學習和深度學習，2018年來到日本從事日文OCR的研發工作。

目錄
1 卷積神經網絡與環境搭建1
1.1 概述 1
1.2 卷積神經網絡 2
1.2.1 卷積層 3
1.2.2 修正線性單元. 6
1.2.3 池化層 8
1.2.4 全連接層 8
1.2.5 softmax 層 9
1.2.6 LeNet-5 網絡 9
1.3 準備開發環境 10
1.3.1 Anaconda 環境搭建 10
1.3.2 安裝TensorFlow 1.x 11
1.3.3 FloydHub 使用介紹 13
1.3.4 AWS 使用介紹 18
1.4 本章小結 26
2 卷積神經網絡實踐：圖像分類27
2.1 概述 27
2.2 卷積神經網絡項目實踐：基於TensorFlow 1.x 27
2.2.1 數據預處理. 28
2.2.2 網絡模型 33
2.2.3 訓練網絡 39
2.3 卷積神經網絡項目實踐：基於TensorFlow 2.0 41
2.3.1 TensorFlow 2.0 介紹 41
2.3.2 CIFAR-100 分類網絡的TensorFlow 2.0 實現 44
2.4 本章小結. 60
3 彩票預測和生成古詩61
3.1 概述 61
3.2 RNN 61
3.3 LSTM 63
3.4 嵌入矩陣. . 66
3.5 實現彩票預測 69
3.5.1 數據預處理. 70
3.5.2 構建神經網絡. 71
3.5.3 訓練神經網絡 75
3.5.4 分析網絡訓練情況 83
3.5.5 生成預測號碼. 88
3.6 文本生成. 93
3.7 生成古詩：基於TensorFlow 2.0 96
3.7.1 數據預處理 96
3.7.2 構建網絡 99
3.7.3 開始訓練. 102
3.7.4 生成古詩 102
3.8 自然語言處理 106
3.8.1 序列到序列 106
3.8.2 Transformer . 108
3.8.3 BERT 112
3.9 本章小結 118
4 個性化推薦系統119
4.1 概述 . 119
4.2 MovieLens 1M 數據集分析. 120
4.2.1 下載數據集 . 120
4.2.2 用戶數據. 120
4.2.3 電影數據. 122
4.2.4 評分數據. 123
4.3 數據預處理. 123
4.3.1 代碼實現. . 124
4.3.2 加載數據並保存到本地 . 127
4.3.3 從本地讀取數據 128
4.4 神經網絡模型設計 128
4.5 文本卷積神經網絡 130
4.6 實現電影推薦：基於TensorFlow 1.x 131
4.6.1 構建計算圖 131
4.6.2 訓練網絡 139
4.6.3 實現個性化推薦 144
4.7 實現電影推薦：基於TensorFlow 2.0 154
4.7.1 構建模型 154
4.7.2 訓練網絡 166
4.7.3 實現個性化推薦 166
4.8 本章小結 169
5 廣告點擊率預估：Kaggle 實戰170
5.1 概述 . 170
5.2 下載數據集. . 170
5.3 數據字段的含義 . 171
5.4 點擊率預估的實現思路 172
5.4.1 梯度提升決策樹. 172
5.4.2 因子分解機. . 172
5.4.3 場感知分解機 . 174
5.4.4 網絡模型 175
5.5 數據預處理. 176
5.5.1 GBDT 的輸入數據處理. 177
5.5.2 FFM 的輸入數據處理. 177
5.5.3 DNN 的輸入數據處理 179
5.5.4 數據預處理的實現. 180
5.6 訓練FFM 188
5.7 訓練GBDT . 197
5.8 用LightGBM 的輸出生成FM 數據. 203
5.9 訓練FM . 207
5.10 實現點擊率預估：基於TensorFlow 1.x . 218
5.10.1 構建神經網絡 219
5.10.2 訓練網絡 . 225
5.10.3 點擊率預估 . 231
5.11 實現點擊率預估：基於TensorFlow 2.0 . 237
5.12 本章小結 . 245
6 人臉識別246
6.1 概述. . . . 246
6.2 人臉檢測. 247
6.2.1 OpenCV 人臉檢測 . 247
6.2.2 dlib 人臉檢測 251
6.2.3 MTCNN 人臉檢測 254
6.3 提取人臉特徵. 264
6.3.1 使用FaceNet 提取人臉特徵 . 264
6.3.2 使用VGG 網絡提取人臉特徵 265
6.3.3 使用dlib 提取人臉特徵. 272
6.4 人臉特徵的比較. . 276
6.5 從視頻中找人的實現. 282
6.6 視頻找人的案例實踐. . 284
6.7 人臉識別：基於TensorFlow 2.0 . . 302
6.8 本章小結. . 303
7 AlphaZero / AlphaGo 實踐：中國象棋304
7.1 概述. . . 304
7.2 論文解析 . . 305
7.2.1 蒙特卡羅樹搜索算法. 307
7.2.2 神經網絡. 312
7.2.3 AlphaZero 論文解析. 314
7.3 實現中國象棋：基於TensorFlow 1.x . 317
7.3.1 中國象棋著法表示和FEN 格式. 317
7.3.2 輸入特徵的設計 321
7.3.3 實現神經網絡. 323
7.3.4 神經網絡訓練和預測. 327
7.3.5 通過自我對弈訓練神經網絡 330
7.3.6 自我對弈 334
7.3.7 實現蒙特卡羅樹搜索：異步方式. 340
7.3.8 訓練和運行 353
7.4 實現中國象棋：基於TensorFlow 2.0，多GPU 版. 354
7.5 本章小結 364
8 漢字OCR 365
8.1 概述. 365
8.2 分類網絡實現漢字OCR 365
8.2.1 圖片矯正 366
8.2.2 文本切割. 368
8.2.3 漢字分類網絡. 369
8.3 端到端的漢字OCR：基於TensorFlow 1.x . 371
8.3.1 CNN 設計 372
8.3.2 雙向LSTM 設計. . 374
8.3.3 CTC 損失 385
8.3.4 端到端漢字OCR 的網絡訓練. 388
8.4 漢字OCR：基於TensorFlow 2.0 395
8.4.1 CNN 的實現. 395
8.4.2 雙向LSTM 的實現. 396
8.4.3 OCR 網絡的訓練. 403
8.5 本章小結. 406
9 強化學習：玩轉Flappy Bird 和超級馬裡奧407
9.1 概述. 407
9.2 DQN 算法. 407
9.3 實現DQN 玩Flappy Bird：基於TensorFlow 1.x . 412
9.4 實現DQN 玩Flappy Bird：基於TensorFlow 2.0 . 417
9.5 使用OpenAI Baselines 玩超級馬裡奧. . 424
9.5.1 Gym . 424
9.5.2 自定義Gym 環境. . 426
9.5.3 使用Baselines 訓練. . 431
9.5.4 使用訓練好的智能體玩遊戲. . 437
9.5.5 開始訓練馬裡奧遊戲智能體. . 438
9.6 具有好奇心的強化學習算法. 443
9.7 本章小結. . 444
10 生成對抗網絡實踐：人臉生成445
10.1 概述 . 445
10.2 GAN . 446
10.3 DCGAN . 447
10.3.1 生成器. . 448
10.3.2 判別器. 449
10.4 WGAN 449
10.5 WGAN-GP . 451
10.5.1 WGAN-GP 算法. 451
10.5.2 訓練WGAN-GP 生成人臉：基於TensorFlow 1.x . 452
10.5.3 訓練WGAN-GP 生成人臉：基於TensorFlow 2.0 . . 462
10.6 PG-GAN 和TL-GAN . . 469
10.7 本章小結. . 473