《深度学习：一起玩转TensorLayer》内容简介

本书由TensorLayer创始人领衔写作，TensorLayer社区众包完成，作者全部来自一线人工智能研究员和工程师，内容不仅覆盖了传统书籍都有的多层感知器、卷积网络、递归网络及增强学习等，还着重讲解了生成对抗网络、学习方法和实践经验，配有若干产品级别的实例。读者将会从零开始学会目前最新的深度学习技术，以及使用TL实现各种应用。
本书以通俗易懂的方式讲解深度学习技术，同时配有实现方法教学，面向深度学习初学者、进阶者，以及希望长期从事深度学习研究和产品开发的深度学习工程师和TensorFlow用户。
董豪，目前就读于帝国理工学院，从事计算机视觉、医疗数据分析和深度学习理论研究，在ICCV、TNSRE、TIFS、ACMMM等顶级会议和期刊发表过论文，Neurocomputing、TIP等会议和期刊的审稿人。有创业经验，擅长把深度学习算法与实际问题结合，获得多项国家发明专利和实用新型专利，TensorLayer创始人。
郭毅可，帝国理工学院计算机系终身教授，DataScienceInstitute主任，DiscoveryScienceGroup主任，主持多项欧盟和英国大型项目，研究重点为机器学习、云计算、大数据和生物信息学。伦敦E-Science研究中心首席科学家，英国InforSense有限公司董事会主席兼首席执行官，上海生物信息技术研究中心客座教授、首席科学家，TensorLayer项目领导。
吴超，帝国理工数字科学研究所研究员，主要从事医疗和城市领域数据分析和建模的研究工作，研究工作获得EPSRC、RoyalSociety等多项研究基金资助。

作品目录

前言
本书作者
致谢
如何阅读本书
1、深度学习简介
1.1、人工智能、机器学习和深度学习
1.2、神经网络
1.3、学习方法建议
1.4、TensorLayer
2、多层感知器
2.1、McCulloch-Pitts神经元模型
2.2、感知器
2.3、多层感知器
2.4、实现手写数字分类
2.5、过拟合
2.6、再实现手写数字分类
3、自编码器
3.1、稀疏性
3.2、稀疏自编码器
3.3、实现手写数字特征提取
3.4、降噪自编码器
3.5、再实现手写数字特征提取
3.6、堆栈式自编码器及其实现
4、卷积神经网络
4.1、卷积原理
4.2、经典任务
4.3、经典卷积网络
4.4、实现手写数字分类
4.5、数据增强与规范化
4.6、实现CIFAR10分类
4.7、反卷积神经网络
5、词的向量表达
5.1、目的与原理
5.2、Word2Vec
5.3、实现Word2Vec
5.4、重载预训练矩阵
6、递归神经网络
6.1、为什么需要它
6.2、不同的RNNs
6.3、长短期记忆
6.4、实现生成句子
7、深度增强学习
7.1、增强学习
7.2、深度增强学习
7.3、更多参考资料
8、生成对抗网络
8.1、何为生成对抗网络
8.2、深度卷积对抗生成网络
8.3、实现人脸生成
8.4、还能做什么
9、高级实现技巧
9.1、与其他框架对接
9.2、自定义层
9.3、建立词汇表
9.4、补零与序列长度
9.5、动态递归神经网络
9.6、实用小技巧
10、实例一：使用预训练卷积网络
10.1、高维特征表达
10.2、VGG网络
10.3、连接TF-Slim
11、实例二：图像语义分割及其医学图像应用
11.1、图像语义分割概述
11.2、医学图像分割概述
11.3、全卷积神经网络和U-Net网络结构
11.4、医学图像应用：实现脑部肿瘤分割
12、实例三：由文本生成图像
12.1、条件生成对抗网络之GAN-CLS
12.2、实现句子生成花朵图片
13、实例四：超高分辨率复原
13.1、什么是超高分辨率复原
13.2、网络结构
13.3、联合损失函数
13.4、训练网络
13.5、使用测试
14、实例五：文本反垃圾
14.1、任务场景
14.2、网络结构
14.3、词的向量表示
14.4、Dynamic
RNN分类器
14.5、训练网络
14.6、TensorFlow
Serving部署
14.7、客户端调用
14.8、其他常用方法
中英对照表及其缩写
参考文献