首先感谢大家还关注这个专栏，前段时间一直在写一本书，题为《21个项目玩转深度学习——基于TensorFlow的实践详解》。
简单地介绍一下，这本书的定位是深度学习+TensorFlow的入门实验书，希望提供一些在TensorFlow下常用的、并且真正能work的实践项目，方便初学者通过动手实验来快速入门。
目前该书已全面上架京东（https://item.jd.com/12327358.html），天猫（https://detail.tmall.com/item.htm?id=566399074299）、当当（http://product.dangdang.com/25245282.html）价格非常便宜，只需要60块钱。如果不想买书的话也欢迎来star这本书的Github：hzy46/Deep-Learning-21-Examples，全部项目的代码和运行方式已经整理上传了~~
有哪些实践案例
从难易度、实用性、趣味性考量，这本书选择了21个入门的项目，主要有三个大类：
- CNN、图像相关：包含图像分类、目标检测、人脸识别、风格迁移，同时包含GAN、cGAN、CycleGAN等和GAN相关的内容
- RNN、序列相关：文本生成、序列分类、训练词嵌入、时间序列预测、机器翻译等等。
- 强化学习：主要复现一些基础的算法，如Q Learning、SARSA、Deep Q Learning等。
所有项目都基于TensorFlow大于等于1.4.0的版本，具体案例如下：
一、CNN与计算机视觉：
基础的MNIST手写数字识别，你懂的。
在CIFAR-10（同样也是一个常用数据集，不过和MNIST不同的是它是三通道彩色图像）上训练一个图像识别模型。
从零开始，如何在自己的数据集上训练ImageNet模型进行图像识别。
书中提供了一个网上爬取的卫星图像数据集，共有森林、水域、岩石、湿地、冰川、城市六类共6000章图像。你将体验数据转tfrecord => 训练模型 => 调整参数 => 验证正确率 => 导出模型 => 使用导出模型测试单张图片的全过程。
一个比较有趣的图像生成模型，最初由Google公布，可以帮助我们理解卷积神经网络的特征背后的含义。
简单来说，极大化卷积网络某个通道的输出，就可以得到如下所示的展示该通道特征的图片：
目标检测，计算机视觉经典问题之一。这里以TensorFlow Object Detection API为例，在VOC2009数据集上，训练了一个Faster R-CNN模型，并且导出模型对单张图片进行检测，测试效果如下：
人脸检测和识别也是常见的项目。检测和对齐人脸用的是MTCNN，训练人脸模型用的是带有中心损失的CNN。
这章包含的内容有：验证已经训练好的模型的准确率、使用已经训练好的模型进行人脸识别、训练自己的模型。
7、图像风格迁移
神经网络的风格迁移，可以生成比较酷炫的图片，例如：
二、GAN以及它的几个重要变体
这章介绍了用GAN和DCGAN的基本原理，并利用DCGAN做了一个动漫人物生成Demo，生成的图片如下所示：
使用pix2pix模型将黑白图像转换成彩色图像，这一章有两个实验，分别是将黑白的食物图像和动漫图像转换为彩色图像。
上色效果如下（从左到右依次是，黑白图片、自动上色的图片、真实图片）：
使用pix2pix模型，将模糊的图片还原为清晰的图片。
效果如下（从左到右依次为，模糊处理后的图片、清晰化后的图片、真实图片）：
使用CycleGAN进行图片转换，做了两个实验：苹果变成橘子，男人变成女人。
三、RNN与自然语言处理
主要内容为：RNN、LSTM基础结构。介绍了一个比较简单的Char RNN的例子，它文本生成、机器写诗。
写诗示例：
何人无不见，此地自何如。
一夜山边去，江山一夜归。
山风春草色，秋水夜声深。
何事同相见，应知旧子人。
何当不相见，何处见江边。
一叶生云里，春风出竹堂。
何时有相访，不得在君心。13、序列分类问题详解
一类数列为等差数列，一类数列为随机数列，使用RNN，达到99%的分类准确率。
词嵌入在各种自然语言处理问题时经常用到，这章使用Skip-gram方法训练一个词嵌入，并进行简单的可视化。
用TensorFlow来解决时间序列预测问题，预测方法包括传统的AR模型和LSTM模型。
预测效果如下（红色部分为预测值）：
16、神经网络机器翻译技术
这一章会训练一个把英文翻译成中文的模型。
例如，输入英文：It is learned that china has on many occasions previously made known its stand on its relations with the g-8.
可以翻译为中文：据悉，中国曾多次表明同八国集团之间的关系。
使用的代码为TensorFlow NMT。
给定一张图片：
输出一句描述它的话，如”a man riding a wave on top of a surfboard .”
四、强化学习基础与深度强化学习
借助一个走迷宫问题，来讲解强化学习基础算法 —— Q Learning。
解决的问题和上一章类似，不过使用的算法是另一种强化学习基础算法SARSA。
训练一个DQN，来玩打砖块游戏。
训练一个策略梯度网络，来玩Cartpole。
为什么写这本书
去年6月份，电子工业出版社的一位编辑朋友找到我，希望能够帮忙编写一本以项目合集为形式的深度学习入门书。当时没有怎么犹豫就答应下来了，一方面，市面上确实缺少一本这样以实践案例组成的入门书，另一方面，我个人也觉得，实践是入门深度学习的的极佳方式，原因如下：
- 在学习的初期，这种方式具有趣味感、成就感，比较容易坚持
- 深度学习需要深厚的数理基础，对于初学者来说不是很友好，另外TensorFlow这个框架也不是很容易学习。使用具体例子来理解更加直观有效。
- 深度学习更偏向是一门“实验科学”。很多深度学习算法都存在一些无法用理论解释的trick和训练技巧，这些东西如果不是自己去经历一次是很难有直观感受的。
另外，在这个专栏中，我曾经写过很多比较有意思的深度学习实践项目。这本书是在专栏的基础上，添加了更多的项目，整理成册，希望提供一个比较完整的深度学习入门案例合集。
最后
最后大家如果对这本书有兴趣的话，可以猛戳下面的购买链接购买：
- 京东（https://item.jd.com/12327358.html）
- 天猫（https://detail.tmall.com/item.htm?id=566399074299）
- 当当（http://product.dangdang.com/25245282.html）
- 亚马逊（https://www.amazon.cn/dp/B07BF39RHQ）
也欢迎随时访问本书的Github：hzy46/Deep-Learning-21-Examples 吐槽、提issue，在这里谢谢各位啦，比心！
