學會TensorFlow之後呢？最尖端的21個夢幻範例實作

本書把最尖端的21個人工智慧應用，用最簡單的TensorFlow 程式碼實作出來，對大家會有疑義的地方，作者更花功夫用程式講解，這21個夢幻般的範例會讓你搖身一變，成為真正活用TensorFlow 的專家。
本書特點：
■ 以實作、應用導向。深度學習需要深厚的數理基礎，對初學者有一定難度。本書從實作出發，用實例來啟動讀者學習深度學習技術和TensorFlow 程式設計技巧。從實用性和趣味性二方面考量，選擇21個實作專案，其中既有MNIST影像識別入門專案，也有目標檢測、人臉識別、時間序列預測實用性專案，還有一些諸如Deep Dream 趣味性專案。讀者可以在實作中找到樂趣，逐漸進步，讓學習深度學習和TensorFlow不再那麼痛苦。
■ 清晰而有深度的介紹。儘量用簡單的語言描述演算法的原理，做到清晰而有條理。此外，深度學習是一種還在快速發展的新技術，限於篇幅，很多內容不能完全展開，在大部分章節的尾端列出「擴充閱讀」材料，有興趣的讀者可以參考進一步學習。
■ 基於TensorFlow 1.4 及以上版本。本書程式全部基於TensorFlow 1.4 及以上版本，並介紹TensorFlow的一些新特性，如Time Series 模組（1.3 版本增加）、新的MultiRNNCell 函數（1.2 版本更改）等。
適用：有一定機器學習基礎者，希望深入研究TensorFlow和深度學習演算法的工程師，或對人工智慧、深度學習感興趣的學生，以及希望進入大數據應用的研究者。

何之源
知乎專欄AI Insight作者。針對Tensorflow早期學習案例不足的情況，在網上撰寫大量實作文章與TensorFlow教程，風格清晰易懂又不失深度，獲得廣大讀者的肯定。熱愛程式設計，在人工智慧和深度學習領域有豐富的實作經驗。

推薦序
人工智慧儼然將成為新一代的範式，現在各行各業言必稱AI，雖說一眼看去可能又是個大泡沫，但仔細觀察，這次人工智慧似乎是來真的，將繼數位化、網路化之後，成為改變人類演化的最新科技。
現在全球都在缺人工智慧專家，包括資料科學家，AI程式設計師等，從前單機應用程式、網頁軟體、APP 各式各樣軟體工程師，碰到人工智慧這一關必然卡關，因為AI牽涉到太多數學基礎，除非你是還在學或剛入社會的新鮮人，對線性代數、工程數學、機率論，矩陣運算還記憶猶新，那些老鳥的程式設計師要他們從頭開始學，入門的門檻真的太高了。
好險有一大堆Framework 拉平了程式開發的學習曲線( 但AI的理論學習曲線並沒有簡化)，而這一大票的框架最讓人注目的就是Google 的TensorFlow了。TensorFlow 的觀念很簡單，就是Tensor 的Flow，但是大部分的學習者在看完了官方文件之後還是一頭霧水，因為Google 的那群天才把大家也當作天才，幾乎對程式碼沒什麼解釋，相信大家一定和我一樣學的很痛苦。
好不容易學會了TensorFlow 的語法，似懂非懂了解了Graph、Session、 Tensor、Variable、Placeholder、Tensorboard 等東西，然後呢？要怎麼用？用在哪?？那些CNN、RNN、LSTM到底要怎麼寫？都沒一個真正手把手的教學或實例，網路上的教學，不是作者不夠厲害，解釋的也一知半解，就是作者太厲害，解釋的又一招半式，我想這是學習TensorFlow 的人都會碰到的問題。
本書就是這個問題的最好答案。本書把最尖端的21個人工智慧應用，用最簡單的TensorFlow 程式碼實作出來，作者並且對大家會有疑義的地方，更花功夫用程式講解，看完這本書之後，我才更了解TensorFlow 的強大以及應用領域，也讓我對TensorFlow中的圖計算更清楚其存在的目的。如果你和我一樣是一個從頭入門TensorFlow 的傻瓜，在好不容易了解TensorFlow的語法之後，這21個夢幻般的範例會讓你搖身一變，成為真正活用TensorFlow 的專家。
胡嘉璽

01 MNIST 機器學習入門
1.1 MNIST 資料集
1.2 利用TensorFlow 識別MNIST
1.3 歸納
02 CIFAR-10 與ImageNet 影像識別
2.1 CIFAR-10 資料集
2.2 利用TensorFlow 訓練CIFAR-10 識別模型
2.3 ImageNet 影像識別模型
2.4 歸納
03 打造自己的影像識別模型
3.1 微調的原理
3.2 資料準備
3.3 使用TensorFlow Slim 微調模型
3.4 歸納
04 Deep Dream 模型
4.1 Deep Dream 的技術原理
4.2 TensorFlow 中的Deep Dream 模型實作
4.3 歸納
05 深度學習中的目標檢測
5.1 深度學習中目標檢測的原理
5.2 TensorFlow Object Detection API
5.3 歸納
06 人臉檢測和人臉識別
6.1 MTCNN 的原理
6.2 使用深度旋積網路分析特徵
6.3 使用特徵設計應用
6.4 在TensorFlow 中實現人臉識別
6.5 歸納
07 影像風格移轉
7.1 影像風格移轉的原理
7.2 在TensorFlow 中實現快速風格移轉
7.3 歸納
08 GAN 和DCGAN 入門
8.1 GAN 的原理
8.2 DCGAN 的原理
8.3 在TensorFlow 中用DCGAN 產生影像
8.4 歸納
09 pix2pix 模型與自動著色技術
9.1 cGAN 的原理
9.2 pix2pix 模型的原理
9.3 TensorFlow 中的pix2pix 模型
9.4 使用TensorFlow 為灰階影像自動著色
9.5 歸納
10 超解析度：如何讓影像變得更清晰
10.1 資料前置處理與訓練
10.2 歸納
11 CycleGAN 與非配對影像轉換
11.1 CycleGAN 的原理
11.2 在TensorFlow 中用訓練CycleGAN 模型
11.3 程式結構分析
11.4 歸納
12 RNN 基本結構與Char RNN 文字產生
12.1 RNN 的原理
12.2 LSTM 的原理
12.3 Char RNN 的原理
12.4 TensorFlow 中的RNN 實現方式
12.5 使用TensorFlow 實現Char RNN
12.6 歸納
13 序列分類問題詳解
13.1 N VS 1 的RNN 結構
13.2 序列分類問題與資料產生
13.3 在TensorFlow 中定義RNN 分類模型
13.4 模型的推廣
13.5 歸納
14 詞的向量表示：word2vec 與詞嵌入
14.1 為什麼需要做詞嵌入
14.2 詞嵌入的原理
14.3 在TensorFlow 中實現詞嵌入
14.4 歸納
15 在TensorFlow 中進行時間序列預測
15.1 時間序列問題的一般形式
15.2 用TFTS 讀取時間序列資料
15.3 使用AR 模型預測時間序列
15.4 使用LSTM 模型預測時間序列
15.5 歸納
16 神經網路機器翻譯技術
16.1 Encoder-Decoder 模型的原理
16.2 注意力機制
16.3 使用TensorFlow NMT 架設神經網路翻譯引擎
16.4 TensorFlow NMT 原始程式簡介
16.5 歸納
17 看圖說話：將影像轉為文字
17.1 Image Caption 技術整體說明
17.2 在TensorFlow 中實現Image Caption
17.3 歸納
18 強化學習入門之Q Learning
18.1 強化學習中的幾個核心概念
18.2 Q Learning 的原理與實驗
18.3 歸納
19強化學習入門之SARSA 演算法
19.1 SARSA 演算法的原理
19.2 SARSA 演算法的實現
19.3 歸納
20 深度強化學習：Deep Q Learning
20.1 DQN 演算法的原理
20.2 在TensorFlow 中執行DQN 演算法
20.3 在TensorFlow 中DQN 演算法的實現分析
20.4 歸納
21 策略梯度演算法
21.1 策略梯度演算法的原理
21.2 在TensorFlow 中實現策略梯度演算法
21.3 歸納