TensorFlow 2.0神经网络实践

作品简介

本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速开发过程。学完本书之后，读者将能够使用TF 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。

保罗·加莱奥内（Paolo Galeone）是一位具有丰富实践经验的计算机工程师。获得硕士学位后，他加入了意大利博洛尼亚大学的计算机视觉实验室，担任研究员，在那里他丰富了自己在计算机视觉和机器学习领域的知识，致力于广泛的研究课题。目前，他领导着意大利ZURU科技公司的计算机视觉和机器学习实验室。

作品目录

• 译者序
• 前言
• 作者简介
• 审校者简介
• 第一部分　神经网络基础
• 第1章　什么是机器学习
• 1.1　数据集的重要性
• 1.2　有监督学习
• 1.3　无监督学习
• 1.4　半监督学习
• 1.5　总结
• 1.6　练习题
• 第2章　神经网络与深度学习
• 2.1　神经网络
• 2.2　优化
• 2.3　卷积神经网络
• 2.4　正则化
• 2.5　总结
• 2.6　练习题
• 第二部分　TensorFlow基础
• 第3章　TensorFlow图架构
• 3.1　环境设置
• 3.2　数据流图
• 3.3　模型定义和训练
• 3.4　用Python操作图
• 3.5　总结
• 3.6　练习题
• 第4章　TensorFlow 2.0架构
• 4.1　重新学习这个框架
• 4.2　Keras框架及其模型
• 4.3　eager执行模式和新的特征
• 4.4　代码库迁移
• 4.5　总结
• 4.6　练习题
• 第5章　高效的数据输入流水线和估计器API
• 5.1　高效的数据输入流水线
• 5.2　估计器API
• 5.3　总结
• 5.4　练习题
• 第三部分　神经网络应用
• 第6章　使用TensorFlow Hub进行图像分类
• 6.1　获取数据
• 6.2　迁移学习
• 6.3　微调
• 6.4　总结
• 6.5　练习题
• 第7章　目标检测
• 7.1　获取数据
• 7.2　目标定位
• 7.3　分类和定位
• 7.4　总结
• 7.5　练习题
• 第8章　语义分割和自定义数据集生成器
• 8.1　语义分割
• 8.2　创建一个TensorFlow数据集生成器
• 8.3　模型训练与评估
• 8.4　总结
• 8.5　练习题
• 第9章　生成式对抗网络
• 9.1　了解GAN及其应用
• 9.2　无条件的GAN
• 9.3　有条件的GAN
• 9.4　总结
• 9.5　练习题
• 第10章　在生产环境中部署模型
• 10.1　SavedModel序列化格式
• 10.2　Python部署
• 10.3　支持部署的平台
• 10.4　总结
• 10.5　练习题