# 十、參考文獻
# 第 1 章
在這里,我們將學習如何安裝以及 Tensorflow 的基礎知識,作為我們的參考:
* <https://www.tensorflow.org/tutorials/>
* <https://www.tensorflow.org/install/>
# 第 2 章
本章將探討機器學習和神經網絡的原理,重點是卷積神經網絡和計算機視覺。 本章的參考是:
* <https://en.wikipedia.org/wiki/Artificial_neural_network>
* <https://en.wikipedia.org/wiki/Timeline_of_machine_learning>
* <http://ais.informatik.uni-freiburg.de/teaching/ss11/ki/slides/ai12_acting_under_uncertainty_handout_4up.pdf>
* <http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf>
* <https://www.facebook.com/yann.lecun/posts/10152820758292143>
* <https://towardsdatascience.com/types-of-convolutions-in-deep-learning-717013397f4d>
* <http://cs231n.stanford.edu/>
* <http://cs224d.stanford.edu/>
# 第 3 章
本章將介紹使用深度學習進行的圖像分類,以及為什么 CNN 會干擾我們現在進行計算機視覺的方式。 本章的參考是:
* [Learning Multiple Layers of Features from Tiny Images](https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf), Alex Krizhevsky, 2009
* 可以在這里找到關于圖像表示技術的出色回顧:*Computer Vision: Algorithms and Applications*, Richard Szeliski, 2010
* <http://www.vision.caltech.edu/Image_Datasets/Caltech101/>
* Griffin, Gregory and Holub, Alex and Perona, Pietro (2007) Caltech–256 *Object Category Dataset*
* Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J. and Zisserman, *A International Journal of Computer Vision*, 88(2), 303-338, 2010
* *ImageNet Large Scale Visual Recognition Challenge*, IJCV, 2015
* <https://wordnet.princeton.edu/>
* *What Does Classifying More Than 10,000 Image Categories Tell Us?* Jia Deng, Alexander C. Berg, Kai Li, and Li Fei-Fei
* [Olga Russakovsky, Jia Deng et al. (2015) *ImageNet Large Scale Visual Recognition Challenge*](https://arxiv.org/pdf/1409.0575.pdf)
* Alex Krizhevsky, Ilya Sutskever and Geoffrey Hinton,?*ImageNet Classification with Deep Convolutional Neural Networks*, 2012
* <https://arxiv.org/pdf/1311.2901.pdf>
* *Going deeper with convolutions*?by Christian Szegedy Google Inc. et al
* *Deep Residual Learning for Image Recognition*, Kaiming He et al.
* <https://arxiv.org/pdf/1709.01507.pdf>
* [批量規范化寫得很好的文章,很容易理解,并且更詳細地解釋了該概念](https://arxiv.org/pdf/1502.03167.pdf)
# 第 4 章
在本章中,我們將學習對象檢測和分割。 本章的參考是:
* [*Rich feature hierarchies for accurate object detection and semantic segmentation*](https://arxiv.org/pdf/1311.2524.pdf)
* [*Fast RCNN*](https://arxiv.org/pdf/1504.08083.pdf)
* [*Faster RCNN Towards Real-Time Object Detection with Region Proposals*](https://arxiv.org/pdf/1506.01497.pdf)
* <https://www.youtube.com/watch?v=v5bFVbQvFRk>
* [*You Only Look Once: Unified, Real-Time Object Detection*](https://arxiv.org/pdf/1506.02640.pdf)
* [Andrew Ng 的深度學習課程](https://coursera.org/specializations/deep-learning)
* [*Fully Convolutional Neural Network for Semantic Segmentation*](https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf)
* [Semantic Image Segmentation with?Deep Convolutional Nets, Atrous Convolution,?and Fully Connected CRFs](https://arxiv.org/pdf/1606.00915.pdf)
# 第 5 章
在本章中,我們將學習一些常見的 CNN 架構(即 VGG,ResNet,GoogleNet)。 本章的參考是:
* [*Very Deep Convolutional Networks for Large-Scale Image Recognition*](https://arxiv.org/abs/1409.1556),?Simonyan, K. and Zisserman, A., 2014, arXiv preprint arXiv:1409.1556
* [*Going Deeper With Convolutions](https://arxiv.org/abs/1409.4842)
* *Deep Residual Learning for Image Recognition*, Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, Microsoft Research
* [*Mobilenets: Efficient Convolutional Neural Networks for Mobile Vision Applications*](https://arxiv.org/abs/1704.04861)
* [MobileNets V2](https://arxiv.org/pdf/1801.04381.pdf)
# 第 7 章
本章將討論遷移學習以及我們如何利用他人的模型訓練來幫助我們訓練自己的網絡。 本章的參考是:
* <https://www.cse.ust.hk/~qyang/Docs/2009/tkde_transfer_learning.pdf>
* <ftp://ftp.cs.wisc.edu/machine-learning/shavlik-group/torrey.handbook09.pdf>
* [*CNN Features off-the-shelf: an Astounding Baseline for Recognition*](https://arxiv.org/pdf/1403.6382.pdf)
* [*DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition*](https://arxiv.org/pdf/1310.1531.pdf)
# 第 9 章
在本書的最后一章中,我們將學習如何利用云中的并行計算機集群來加速模型訓練。 本章的參考是:
* <https://www.oreilly.com/ideas/distributed-tensorflow>
* <https://research.fb.com/wp-content/uploads/2017/06/imagenet1kin1h5.pdf>
* <https://learningtensorflow.com/lesson11/>
* <https://www.tensorflow.org/deploy/distributed>
* <https://www.tensorflow.org/programmers_guide/low_level_intro>
* <https://github.com/tmulc18/Distributed-TensorFlow-Guide>
* <https://clusterone.com/blog/2017/09/13/distributed-tensorflow-clusterone/>
* <https://www.youtube.com/watch?v=-h0cWBiQ8s8&>
* <https://www.youtube.com/watch?v=uIcqeP7MFH0>
* <https://www.youtube.com/watch?v=bRMGoPqsn20>
* <https://www.youtube.com/watch?v=1cHx1baKqq0>
- TensorFlow 1.x 深度學習秘籍
- 零、前言
- 一、TensorFlow 簡介
- 二、回歸
- 三、神經網絡:感知器
- 四、卷積神經網絡
- 五、高級卷積神經網絡
- 六、循環神經網絡
- 七、無監督學習
- 八、自編碼器
- 九、強化學習
- 十、移動計算
- 十一、生成模型和 CapsNet
- 十二、分布式 TensorFlow 和云深度學習
- 十三、AutoML 和學習如何學習(元學習)
- 十四、TensorFlow 處理單元
- 使用 TensorFlow 構建機器學習項目中文版
- 一、探索和轉換數據
- 二、聚類
- 三、線性回歸
- 四、邏輯回歸
- 五、簡單的前饋神經網絡
- 六、卷積神經網絡
- 七、循環神經網絡和 LSTM
- 八、深度神經網絡
- 九、大規模運行模型 -- GPU 和服務
- 十、庫安裝和其他提示
- TensorFlow 深度學習中文第二版
- 一、人工神經網絡
- 二、TensorFlow v1.6 的新功能是什么?
- 三、實現前饋神經網絡
- 四、CNN 實戰
- 五、使用 TensorFlow 實現自編碼器
- 六、RNN 和梯度消失或爆炸問題
- 七、TensorFlow GPU 配置
- 八、TFLearn
- 九、使用協同過濾的電影推薦
- 十、OpenAI Gym
- TensorFlow 深度學習實戰指南中文版
- 一、入門
- 二、深度神經網絡
- 三、卷積神經網絡
- 四、循環神經網絡介紹
- 五、總結
- 精通 TensorFlow 1.x
- 一、TensorFlow 101
- 二、TensorFlow 的高級庫
- 三、Keras 101
- 四、TensorFlow 中的經典機器學習
- 五、TensorFlow 和 Keras 中的神經網絡和 MLP
- 六、TensorFlow 和 Keras 中的 RNN
- 七、TensorFlow 和 Keras 中的用于時間序列數據的 RNN
- 八、TensorFlow 和 Keras 中的用于文本數據的 RNN
- 九、TensorFlow 和 Keras 中的 CNN
- 十、TensorFlow 和 Keras 中的自編碼器
- 十一、TF 服務:生產中的 TensorFlow 模型
- 十二、遷移學習和預訓練模型
- 十三、深度強化學習
- 十四、生成對抗網絡
- 十五、TensorFlow 集群的分布式模型
- 十六、移動和嵌入式平臺上的 TensorFlow 模型
- 十七、R 中的 TensorFlow 和 Keras
- 十八、調試 TensorFlow 模型
- 十九、張量處理單元
- TensorFlow 機器學習秘籍中文第二版
- 一、TensorFlow 入門
- 二、TensorFlow 的方式
- 三、線性回歸
- 四、支持向量機
- 五、最近鄰方法
- 六、神經網絡
- 七、自然語言處理
- 八、卷積神經網絡
- 九、循環神經網絡
- 十、將 TensorFlow 投入生產
- 十一、更多 TensorFlow
- 與 TensorFlow 的初次接觸
- 前言
- 1.?TensorFlow 基礎知識
- 2. TensorFlow 中的線性回歸
- 3. TensorFlow 中的聚類
- 4. TensorFlow 中的單層神經網絡
- 5. TensorFlow 中的多層神經網絡
- 6. 并行
- 后記
- TensorFlow 學習指南
- 一、基礎
- 二、線性模型
- 三、學習
- 四、分布式
- TensorFlow Rager 教程
- 一、如何使用 TensorFlow Eager 構建簡單的神經網絡
- 二、在 Eager 模式中使用指標
- 三、如何保存和恢復訓練模型
- 四、文本序列到 TFRecords
- 五、如何將原始圖片數據轉換為 TFRecords
- 六、如何使用 TensorFlow Eager 從 TFRecords 批量讀取數據
- 七、使用 TensorFlow Eager 構建用于情感識別的卷積神經網絡(CNN)
- 八、用于 TensorFlow Eager 序列分類的動態循壞神經網絡
- 九、用于 TensorFlow Eager 時間序列回歸的遞歸神經網絡
- TensorFlow 高效編程
- 圖嵌入綜述:問題,技術與應用
- 一、引言
- 三、圖嵌入的問題設定
- 四、圖嵌入技術
- 基于邊重構的優化問題
- 應用
- 基于深度學習的推薦系統:綜述和新視角
- 引言
- 基于深度學習的推薦:最先進的技術
- 基于卷積神經網絡的推薦
- 關于卷積神經網絡我們理解了什么
- 第1章概論
- 第2章多層網絡
- 2.1.4生成對抗網絡
- 2.2.1最近ConvNets演變中的關鍵架構
- 2.2.2走向ConvNet不變性
- 2.3時空卷積網絡
- 第3章了解ConvNets構建塊
- 3.2整改
- 3.3規范化
- 3.4匯集
- 第四章現狀
- 4.2打開問題
- 參考
- 機器學習超級復習筆記
- Python 遷移學習實用指南
- 零、前言
- 一、機器學習基礎
- 二、深度學習基礎
- 三、了解深度學習架構
- 四、遷移學習基礎
- 五、釋放遷移學習的力量
- 六、圖像識別與分類
- 七、文本文件分類
- 八、音頻事件識別與分類
- 九、DeepDream
- 十、自動圖像字幕生成器
- 十一、圖像著色
- 面向計算機視覺的深度學習
- 零、前言
- 一、入門
- 二、圖像分類
- 三、圖像檢索
- 四、對象檢測
- 五、語義分割
- 六、相似性學習
- 七、圖像字幕
- 八、生成模型
- 九、視頻分類
- 十、部署
- 深度學習快速參考
- 零、前言
- 一、深度學習的基礎
- 二、使用深度學習解決回歸問題
- 三、使用 TensorBoard 監控網絡訓練
- 四、使用深度學習解決二分類問題
- 五、使用 Keras 解決多分類問題
- 六、超參數優化
- 七、從頭開始訓練 CNN
- 八、將預訓練的 CNN 用于遷移學習
- 九、從頭開始訓練 RNN
- 十、使用詞嵌入從頭開始訓練 LSTM
- 十一、訓練 Seq2Seq 模型
- 十二、深度強化學習
- 十三、生成對抗網絡
- TensorFlow 2.0 快速入門指南
- 零、前言
- 第 1 部分:TensorFlow 2.00 Alpha 簡介
- 一、TensorFlow 2 簡介
- 二、Keras:TensorFlow 2 的高級 API
- 三、TensorFlow 2 和 ANN 技術
- 第 2 部分:TensorFlow 2.00 Alpha 中的監督和無監督學習
- 四、TensorFlow 2 和監督機器學習
- 五、TensorFlow 2 和無監督學習
- 第 3 部分:TensorFlow 2.00 Alpha 的神經網絡應用
- 六、使用 TensorFlow 2 識別圖像
- 七、TensorFlow 2 和神經風格遷移
- 八、TensorFlow 2 和循環神經網絡
- 九、TensorFlow 估計器和 TensorFlow HUB
- 十、從 tf1.12 轉換為 tf2
- TensorFlow 入門
- 零、前言
- 一、TensorFlow 基本概念
- 二、TensorFlow 數學運算
- 三、機器學習入門
- 四、神經網絡簡介
- 五、深度學習
- 六、TensorFlow GPU 編程和服務
- TensorFlow 卷積神經網絡實用指南
- 零、前言
- 一、TensorFlow 的設置和介紹
- 二、深度學習和卷積神經網絡
- 三、TensorFlow 中的圖像分類
- 四、目標檢測與分割
- 五、VGG,Inception,ResNet 和 MobileNets
- 六、自編碼器,變分自編碼器和生成對抗網絡
- 七、遷移學習
- 八、機器學習最佳實踐和故障排除
- 九、大規模訓練
- 十、參考文獻