本书以深度学习框架TensorFlow为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。 全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架TensorFlow的基础知识、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能��读者提供有益的学习指导。 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。

第1部分基础篇 第1章深度学习简介 1.1计算机视觉 1.1.1定义 1.1.2基本任务 1.1.3传统方法 1.1.4仿生学与深度学习 1.1.5现代深度学习 1.1.6影响卷积神经网络发展的因素 1.2自然语言处理 1.2.1自然语言处理的基本问题 1.2.2传统方法与神经网络方法的比较 1.2.3发展趋势 1.3强化学习 1.3.1什么是强化学习 1.3.2强化学习算法简介 1.3.3强化学习的应用 第2章深度学习框架 2.1Caffe 2.1.1Caffe简介 2.1.2Caffe的特点 2.1.3Caffe概述 2.2TensorFlow 2.2.1TensorFlow简介 2.2.2数据流图 2.2.3TensorFlow的特点 2.2.4TensorFlow概述 2.3PyTorch 2.3.1PyTorch简介 2.3.2PyTorch的特点 2.3.3PyTorch概述 2.4三者的比较 2.4.1Caffe 2.4.2TensorFlow 2.4.3PyTorch 第3章机器学习基础知识 3.1模型评估与模型参数选择 3.1.1验证 3.1.2正则化 3.2监督学习与非监督学习 3.2.1监督学习 3.2.2非监督学习 第4章TensorFlow深度学习基础 4.1Tensor对象及其运算 4.2Tensor的索引和切片 4.3Tensor的变换、拼接和拆分 4.4TensorFlow的Reduction操作 4.5三种计算图 4.6TensorFlow的自动微分 第5章回归模型 5.1线性回归 5.2Logistic回归 5.3用TensorFlow实现Logistic回归 5.3.1数据准备 5.3.2模型搭建与训练 第6章神经网络基础 6.1基础概念 6.2感知器 6.2.1单层感知器 6.2.2多层感知器 6.3BP神经网络 6.3.1梯度下降 6.3.2后向传播 6.4Dropout正则化 6.5批标准化 6.5.1批标准化的实现方式 6.5.2批标准化的使用方法 第7章卷积神经网络与计算机视觉 7.1卷积神经网络的基本思想 7.2卷积操作 7.3池化层 7.4卷积神经网络 7.5经典网络结构 7.5.1VGG网络 7.5.2InceptionNet 7.5.3ResNet 7.6用TensorFlow进行手写数字识别 第8章神经网络与自然语言处理 8.1语言建模 8.2基于多层感知器的架构 8.3基于循环神经网络的架构 8.3.1循环单元 8.3.2通过时间后向传播 8.3.3带有门限的循环单元 8.3.4循环神经网络语言模型 8.3.5神经机器翻译 8.4基于卷积神经网络的架构 8.5基于Transformer的架构 8.5.1多头注意力 8.5.2非参位置编码 8.5.3编码器单元与解码器单元 8.6表示学习与预训练技术 8.6.1词向量 8.6.2加入上下文信息的特征表示 8.6.3网络预训练 第2部分实战篇 第9章基于YOLO V3的**帽佩戴检测 9.1数据准备 9.1.1数据采集与标注 9.1.2模型选择 9.1.3数据格式转换 9.2模型构建、训练和测试 9.2.1YOLO系列模型 9.2.2模型训练 9.2.3测试与结果 第10章基于ResNet的人脸关键点检测 10.1数据准备 10.1.1人脸裁剪与缩放 10.1.2数据归一化处理 10.1.3整体代码 10.2模型搭建与训练 10.2.1特征图生成 10.2.2模型搭建 10.2.3模型训练 10.3模型评价 第11章基于ResNet的花卉图片分类 11.1环境与数据准备 11.1.1环境安装 11.1.2数据集简介 11.1.3数据集的下载与处理 11.2模型构建、训练和测试 11.2.1模型创建与训练 11.2.2测试与结果 第12章基于UNet的细胞分割 12.1细胞分割 12.1.1细胞分割简介 12.1.2传统细胞分割算法 12.2基于UNet细胞分割的实现 12.2.1UNet简介 12.2.2ISBI简介 12.2.3数据加载 12.2.4模型训练 12.2.5训练结果 第13章基于DCGAN的MNIST数据生成 13.1生成对抗网络介绍 13.2准备工作 13.3创建模型 13.3.1生成器 13.3.2判别器 13.4损失函数和优化器 13.4.1判别器损失 13.4.2生成器损失 13.4.3保存检查点 13.5定义训练循环 13.6训练模型和输出结果 第14章基于迁移学习的电影评论分类 14.1迁移学习概述 14.2IMDB数据集 14.3构建模型解决IMDB数据集分类问题 14.4模型训练和结果展示 第15章基于LSTM的原创音乐生成 15.1样例背景介绍 15.1.1循环神经网络 15.1.2Music 21 15.1.3TensorFlow 15.2项目结构设计 15.3实验步骤 15.3.1搭建实验环境 15.3.2观察并分析数据 15.3.3数据预处理 15.3.4生成音乐 15.4成果检验 第16章基于RNN的文本分类 16.1数据准备 16.2创建模型 16.3训练模型 16.4堆叠两个或更多 LSTM 层 第17章基于 TensorFlowTTS 的中文语音合成 17.1TTS 简介 17.1.1语音合成技术 17.1.2TTS技术发展史和基本原理 17.1.3基于深度学习的TTS 17.2基于TensorFlowTTS 的语音合成实现 17.2.1TensorFlowTTS简介与环境准备 17.2.2算法简介 17.2.3代码实现与结果展示 附录ATensorFlow环境搭建 附录B深度学习的数学基础 B.1线性代数 B.2概率论 参考文献