深度学习正在为广泛的行业带来革命性的变化。对于许多应用来说，深度学习通过做出更快和更准确的预测，证明其已经超越人类的预测。本书提供了自上而下和自下而上的方法来展示深度学习对不同领域现实问题的解决方案。这些应用程序包括计算机视觉、自然语言处理、时间序列预测和机器人。

本书主要内容：
第 1章　编程环境、 GPU计算、云解决方案和深度学习框架　主要包括与环境和 GPU计算相关的信息和方案。对于在不同平台上设置环境有问题的读者来说，这是一个必读内容。
第 2章　前馈神经网络　提供了与前馈神经网络有关的一系列方法，并作为其他章节的基础。本章的重点是为不同网络拓扑常见的实现问题提供解决方案。
第 3章　卷积神经网络　着重介绍卷积神经网络及其在计算机视觉中的应用。它提供了有关 CNN中使用的技术和优化方法。
第 4章　递归神经网络　提供了一系列与递归神经网络相关的方法，包括 LSTM（长短期记忆）网络和 GRU（门控递归神经元）。本章的重点是为循环神经网络的常见的实现问题提供解决方案。
第 5章　强化学习　涵盖强化学习神经网络的各种方法。本章介绍了在单智能体环境中深度强化学习的概念。
第 6章　生成对抗网络　提供了与无监督学习问题相关的一系列方法，这包括图像生成和超分辨率的生成对抗网络。
第 7章　计算机视觉　包含图像编码相关的数据处理方法，如视频帧。将提供使用 Python处理图像数据的经典技术，以及用于图像检测、分类和分割的最佳解决方案。
第 8章　自然语言处理　涵盖与文本数据处理相关的方法，包括与文本特征表示和处理相关的方法，包括文字嵌入和文本数据存储。
第 9章　语音识别和视频分析　涵盖与流数据处理相关的方法，这包括音频、视频和帧序列。
第 10章　时间序列和结构化数据　提供与数字运算相关的方法，这包括序列和时间序列。
第 11章　游戏智能体和机器人　专注于最先进的深度学习研究应用，这包括与多智能体环境（模拟）和自主车辆中游戏智能体相关的方法。
第 12章　超参数选择、调优和神经网络学习　阐述了神经网络学习过程涉及的方方面面。本章的总体目标是提供非常简洁和具体的技巧来提升网络性能。
第 13章　网络内部构造　介绍了一个神经网络的内部构造，这包括张量分解、权重初始化、拓扑存储、瓶颈特征和相应的嵌入。
第 14章　预训练模型　涵盖了流行的深度学习模型，如 VGG-16和 Inception V4。

学习本书所需的准备工作：
本书专注于 AI（人工智能）的 Python实现，而不是 Python本身。本书使用 Python 3来构建各种应用程序，专注于如何以最好的方式利用各种 Python库来构建真实世界的应用程序。本着这样的精神，尽力使所有的代码尽可能无误易懂，这将使读者能够轻松理解代码，并在不同的场景中使用它。

本书读者对象：
本书面向那些希望使用深度学习算法来创建真实 Python应用程序的机器学习专业人士。对机器学习概念和 Python库（如 NumPy、SciPy和 Scikit-learn）有深入的理解。此外，还需要具备线性代数和微积分的基本知识。

示例代码下载：
本书代码包托管在 GitHub上，https://github.com/PacktPublishing/Hands-On-Deep-Learning-with-TensorFlow。另外在 https://github.com/PacktPublishing/上的大量图书和视频目录中还有其他代码包。请查阅！

本书目录：
译者序
原书前言
第 1章　编程环境、GPU计算、云解决方案和深度学习框架 //1
1.1　简介 //1
1.2　搭建一个深度学习环境 //2
1.3　在 AWS上启动实例 //2
1.4　在 GCP上启动实例 //3
1.5　安装 CUDA和 cuDNN //4
1.6　安装 Anaconda和库文件 //6
1.7　连接服务器上的 Jupyter Notebooks //7
1.8　用 TensorFlow构建最先进的即用模型 //8
1.9　直观地用 Keras建立网络 //10
1.10　使用 PyTorch的 RNN动态计算图 //12
1.11　用 CNTK实现高性能模型 //14
1.12　使用 MXNet构建高效的模型 //15
1.13　使用简单、高效的 Gluon编码定义网络 //17
第 2章　前馈神经网络 //19
2.1　简介 //19
2.2　理解感知器 //19
2.3　实现一个单层神经网络 //23
2.4　构建一个多层神经网络 //27
2.5　开始使用激活函数 //30
2.6　关于隐层和隐层神经元的实验 //35
2.7　实现一个自动编码器 //38
2.8　调整损失函数 //41
2.9　测试不同的优化器 //44
2.10　使用正则化技术提高泛化能力 //47
2.11　添加 Dropout以防止过拟合 //51
第 3章　卷积神经网络 //56
3.1　简介 //56
3.2　开始使用滤波器和参数共享 //56
3.3　应用层合并技术 //60
3.4　使用批量标准化进行优化 //62
3.5　理解填充和步长 //66
3.6　试验不同类型的初始化 //72
3.7　实现卷积自动编码器 //76
3.8　将一维 CNN应用于文本 //79
第 4章　递归神经网络 //81
4.1　简介 //81
4.2　实现一个简单的 RNN //82
4.3　添加 LSTM //84
4.4　使用 GRU //86
4.5　实现双向 RNN //89
4.6　字符级文本生成 //91
第 5章　强化学习 //95
5.1　简介 //95
5.2　实现策略梯度 //95
5.3　实现深度Q学习算法 //102
第 6章　生成对抗网络 //109
6.1　简介 //109
6.2　了解 GAN //109
6.3　实现 DCGAN //112
6.4　使用 SRGAN来提高图像分辨率 //117
第 7章　计算机视觉 //125
7.1　简介 //125
7.2　利用计算机视觉技术增广图像 //125
7.3　图像中的目标分类 //130
7.4　目标在图像中的本地化 //134
7.5　实时检测框架 //139
7.6　用 U-net将图像分类 //139
7.7　语义分割与场景理解 //143
7.8　寻找人脸面部关键点 //147
7.9　人脸识别 //151
7.10　将样式转换为图像 //157
第 8章　自然语言处理 //162
8.1　简介 //162
8.2　情绪分析 //162
8.3　句子翻译 //165
8.4　文本摘要 //169
第 9章　语音识别和视频分析 //174
9.1　简介 //174
9.2　从零开始实现语音识别流程 //174
9.3　使用语音识别技术辨别讲话人 //177
9.4　使用深度学习理解视频 //181
第 10章　时间序列和结构化数据 //185
10.1　简介 //185
10.2　使用神经网络预测股票价格 //185
10.3　预测共享单车需求 //189
10.4　使用浅层神经网络进行二元分类 //192
第 11章　游戏智能体和机器人 //194
11.1　简介 //194
11.2　通过端到端学习来驾驶汽车 //194
11.3　通过深度强化学习来玩游戏 //199
11.4　用 GA优化超参数 //205
第 12章　超参数选择、调优和神经网络学习 //211
12.1　简介 //211
12.2　用 TensorBoard和 Keras可视化训练过程 //211
12.3　使用批量和小批量工作 //215
12.4　使用网格搜索调整参数 //219
12.5　学习率和学习率调度 //221
12.6　比较优化器 //224
12.7　确定网络的深度 //227
12.8　添加 Dropout以防止过拟合 //227
12.9　通过数据增广使模型更加鲁棒 //232
12.10　利用 TTA来提高精度 //234
第 13章　网络内部构造 //235
13.1　简介 //235
13.2　用 TensorBoard可视化训练过程 //235
13.3　用 TensorBoard可视化网络结构 //239
13.4　分析网络权重等 //239
13.5　冻结层 //244
13.6　存储网络结构并训练权重 //246
第 14章　预训练模型 //250
14.1　简介 //250
14.2　使用 GoogLeNet/Inception进行大规模视觉识别 //250
14.3　用 ResNet提取瓶颈特征 //252
14.4　对新类别使用预训练的 VGG模型 //253
14.5　用 Xception细调 //256

京东连接：https://item.jd.com/12391038.html