第 1章 用卷积神经网络识别交通标志1
1．1 数据集1
1．2 卷积神经网络2
1．3 图像预处理3
1．4 训练模型并进行预测6
1．5 后续问题12
1．6 小结12
第 2章 用目标检测API标注图像13
2．1 微软常见物体数据集13
2．2 TensorFlow的目标检测API16
2．3 展示项目计划18
2．3．1 为项目搭建合适的开发环境19
2．3．2 protobuf编译20
2．4 准备项目代码20
2．4．1 一些简单应用31
2．4．2 网络摄像头实时检测34
2．5 致谢36
2．6 小结36
第3章 图像的描述生成37
3．1 什么是描述生成37
3．2 探索图像描述数据集38
3．3 把单词转换为词嵌入40
3．4 描述图像的方法42
3．4．1 条件随机场42
3．4．2 基于卷积神经网络的循环神经网络43
3．4．3 描述排序44
3．4．4 密集描述45
3．4．5 循环神经网络描述46
3．4．6 多模态描述46
3．4．7 基于注意力机制的描述47
3．5 实现描述生成模型48
3．6 小结52
第4章 为生成条件图像构建GAN53
4．1 GAN简介53
4．1．1 对抗方式是关键54
4．1．2 “寒武纪大爆发”56
4．2 项目57
4．2．1 数据集类58
4．2．2 CGAN类60
4．3 CGAN应用示例74
4．3．1 MNIST75
4．3．2 Zalando MNIST79
4．3．3 EMNIST81
4．3．4 重用经过训练的CGAN82
4．4 使用AWS服务84
4．5 致谢85
4．6 小结86
第5章 利用LSTM预测股票价格87
5．1 输入数据集（余弦信号和股票价格）87
5．2 格式化数据集90
5．3 用回归模型预测股票价格93
5．4 长短期记忆神经网络入门101
5．5 利用LSTM进行股票价格预测103
5．6 练习108
5．7 小结109
第6章 构建和训练机器翻译模型110
6．1 机器翻译系统架构110
6．2 语料库预处理112
6．3 训练机器翻译模型118
6．4 测试和翻译123
6．5 练习125
6．6 小结125
第7章 训练能像人类一样讨论的聊天机器人126
7．1 项目简介126
7．2 输入语料库127
7．3 创建训练集128
7．4 训练聊天机器人132
7．5 聊天机器人API134
7．6 练习137
7．7 小结137
第8章 检测Quora数据集中的重复问题138
8．1 展示数据集138
8．2 基础特征工程141
8．3 创建模糊特征142
8．4 借助TF-IDF和SVD特征145
8．5 用Word2vec嵌入映射148
8．6 测试机器学习模型153
8．7 搭建TensorFlow模型158
8．8 构建深度神经网络之前所做的处理158
8．9 深度神经网络的构建模块160
8．10 设计学习架构163
8．11 小结169
第9章 用TensorFlow构建推荐系统170
9．1 推荐系统170
9．2 推荐系统下的矩阵分解172
9．2．1 数据集准备和基准172
9．2．2 矩阵分解177
9．2．3 隐式反馈数据集178
9．2．4 基于SGD的矩阵分解181
9．2．5 贝叶斯个性化排序186
9．3 面向推荐系统的RNN189
9．3．1 数据集准备和基准190
9．3．2 用TensorFlow构建RNN模型195
9．4 小结206
第 10章 基于强化学习的电子游戏207
10．1 关于游戏207
10．2 OpenAI版游戏208
10．3 在Linux（Ubuntu 14．04或16．04）上安装OpenAI Gym210
10．4 通过深度学习探索强化学习212
10．4．1 深度Q-learning技巧215
10．4．2 理解深度Q-learning的局限性216
10．5 启动项目216
10．5．1 定义人工智能大脑217
10．5．2 为经验回放创建记忆221
10．5．3 创建智能体222
10．5．4 指定环境227
10．5．5 执行强化学习过程230
10．6 致谢233
10．7 小结234