白话深度学习与TensorFlow

本书基本独立成册，适用于零基础的初学者。
基础篇（第1～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。
原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过大量示例、推理与实现，帮读者优选化降低学习曲线。
扩展篇（第9～13章），介绍一些网络的变种和一些较新的网络特性，涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习，这是读者进一步学习与实践思路的钥匙。最后给出了一些有趣的深度学习应用：人脸识别、作诗姬、大师风图像处理，有趣又有用。

高扬，欢聚时代资深大数据专家，曾任金山软件西山居大数据架构师。有多年服务器端开发经验（多年日本和澳洲工作经验），多年大数据架构设计与数据分析、处理经验，目前负责欢聚时代直播部深度学习落地相关的研究。擅长传统机器学习、深度学习、数据建模、关系型数据库应用以及大数据框架等的应用。
卫峥，欢聚时代YY娱乐事业部软件架构师，曾任西山居软件架构师。多年的软件开发和架构经验，精通C/C++、Python、Golang、JavaScript等多门编程语言，近几年专注于数据处理、机器学和深度学习算法的研究、音视频图形图像处理，应用与服务研发。曾在新浪网平台架构部负责音视频转码平台的架构和研发工作，为新浪微博、新浪微盘、秒拍等提供视频在线观看服务。在慕课网、InfoQ、麦思博、51CTO等平台担任讲师。

本书赞誉
序
前言
基础篇
第1章机器学习是什么2
1.1聚类4
1.2回归5
1.3分类8
1.4综合应用10
1.5小结14
第2章深度学习是什么15
2.1神经网络是什么15
2.1.1神经元16
2.1.2激励函数19
2.1.3神经网络24
2.2深度神经网络25
2.3深度学习为什么这么强28
2.3.1不用再提取特征28
2.3.2处理线性不可分29
2.4深度学习应用30
2.4.1围棋机器人——AlphaGo30
2.4.2被教坏的少女——Tai.ai32
2.4.3本田公司的大宝贝——
ASIMO33
2.5小结37
第3章TensorFlow框架特性与安装38
3.1简介38
3.2与其他框架的对比39
3.3其他特点40
3.4如何选择好的框架44
3.5安装TensorFlow45
3.6小结46
原理与实践篇
第4章前馈神经网络50
4.1网络结构50
4.2线性回归的训练51
4.3神经网络的训练75
4.4小结79
第5章手写板功能81
5.1MNIST介绍81
5.2使用TensorFlow完成实验86
5.3神经网络为什么那么强92
5.3.1处理线性不可分93
5.3.2挑战“与或非”95
5.3.3丰富的VC——强大的空间
划分能力98
5.4验证集、测试集与防止过拟合99
5.5小结102
第6章卷积神经网络103
6.1与全连接网络的对比103
6.2卷积是什么104
6.3卷积核106
6.4卷积层其他参数108
6.5池化层109
6.6典型CNN网络110
6.7图片识别114
6.8输出层激励函数——SOFTMAX116
6.8.1SOFTMAX116
6.8.2交叉熵117
6.9小试牛刀——卷积网络做图片分类124
6.10小结138
第7章综合问题139
7.1并行计算139
7.2随机梯度下降142
7.3梯度消失问题144
7.4归一化147
7.5参数初始化问题149
7.6正则化151
7.7其他超参数155
7.8不.....的模型156
7.9DropOut157
7.10小结158
第8章循环神经网络159
8.1隐马尔可夫模型159
8.2RNN和BPTT算法163
8.2.1结构163
8.2.2训练过程163
8.2.3艰难的误差传递165
8.3LSTM算法167
8.4应用场景171
8.5实践案例——自动文本生成174
8.5.1RNN工程代码解读174
8.5.2利用RNN学习莎士比亚剧本183
8.5.3利用RNN学习维基百科184
8.6实践案例——聊天机器人185
8.7小结196
扩展篇
第9章深度残差网络198
9.1应用场景198
9.2结构解释与数学推导200
9.3拓扑解释205
9.4Github示例207
9.5小结207
第10章受限玻尔兹曼机209
10.1结构209
10.2逻辑回归210
10.3优选似然度212
10.4优选似然度示例214
10.5损失函数215
10.6应用场景216
10.7小结216
第11章强化学习217
11.1模型核心218
11.2马尔可夫决策过程219
11.2.1用游戏开刀221
11.2.2准备工作223
11.2.3训练过程224
11.2.4问题226
11.2.5Q-Learning算法228
11.3深度学习中的Q-Learning——DQN231
11.3.1OpenAIGym234
11.3.2Atari游戏237
11.4小结238
第12章对抗学习239
12.1目的239
12.2训练模式240
12.2.1二元极小极大博弈240
12.2.2训练242
12.3CGAN244
12.4DCGAN247
12.5小结252
第13章有趣的深度学习应用254
13.1人脸识别254
13.2作诗姬259
13.3梵高附体264
13.3.1网络结构265
13.3.2内容损失268
13.3.3风格损失270
13.3.4系数比例271
13.3.5代码分析272
13.4小结279
附录AVMwareWorkstation的安装280
附录BUbuntu虚拟机的安装284
附录CPython语言简介290
附录D安装Theano296
附录E安装Keras297
附录F安装CUDA298
参考文献303