掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
TensorFlow深度學習 版權信息
- ISBN：9787115478771
- 條形碼：9787115478771 ; 978-7-115-47877-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
TensorFlow深度學習 本書特色
本書共分5方面內容：基礎知識、關鍵模塊、算法模型、內核揭秘、生態發展。前兩方面由淺入深地介紹了TensorFlow 平臺，算法模型方面依托TensorFlow 講解深度學習模型，內核揭秘方面主要分析C 內核中的通信原理、消息管理機制等，* 后從生態發展的角度講解以TensorFlow 為中心的一套開源大數據分析解決方案。 本書適合所有對深度學習和TensorFlow感興趣的開發人員和數據分析師閱讀。
TensorFlow深度學習 內容簡介
本書介紹關于機器學習系統的深度學習算法，使你可以在搜索、圖像識別、語言處理等產品中實現這些算法。你將學習如何分析并改進深度學習模型的表現，通過與標準算法進行比較，借助機器智慧，在特定文本中從信息和決策行為中學習。讀完本書后，你將熟悉機器學習技術，尤其是使用TensorFlow進行深度學習，并將所學知識用于研究或商業項目。本書適合想要探索數據抽象層的數據科學家，展現了如何在實際中使用TensorFlow處理復雜且未經加工的數據。 ?訪問并使用公共數據集，通過TensorFlow下載、處理、傳輸數據 ?在實際數據集中應用TensorFlow，包括圖像、文本等 ?學習如何評估深度學習模型的表現 ?使用深度學習完成可擴展對象檢測和移動計算 ?訓練機器通過探索加強學習技術從數據中進行快速學習
TensorFlow深度學習 目錄
目 錄
* 1章 深度學習入門 1
1.1 機器學習簡介 1
1.1.1 監督學習 2
1.1.2 無監督學習 2
1.1.3 強化學習 3
1.2 深度學習定義 3
1.2.1 人腦的工作機制 3
1.2.2 深度學習歷史 4
1.2.3 應用領域 5
1.3 神經網絡 5
1.3.1 生物神經元 5
1.3.2 人工神經元 6
1.4 人工神經網絡的學習方式 8
1.4.1 反向傳播算法 8
1.4.2 權重優化 8
1.4.3 隨機梯度下降法 9
1.5 神經網絡架構 10
1.5.1 多層感知器 10
1.5.2 DNN架構 11
1.5.3 卷積神經網絡 12
1.5.4 受限玻爾茲曼機 12
1.6 自編碼器 13
1.7 循環神經網絡 14
1.8 幾種深度學習框架對比 14
1.9 小結 16
* 2章 TensorFlow初探 17
2.1 總覽 17
2.1.1 TensorFlow 1.x版本特性 18
2.1.2 使用上的改進 18
2.1.3 TensorFlow安裝與入門 19
2.2 在Linux上安裝TensorFlow 19
2.3 為TensorFlow啟用NVIDIA GPU 20
2.3.1 * 1步：安裝NVIDIA CUDA 20
2.3.2 * 2步：安裝NVIDIA cuDNN v5.1 21
2.3.3 第3步：確定GPU卡的CUDA計算能力為3.0 22
2.3.4 第4步：安裝libcupti-dev庫 22
2.3.5 第5步：安裝Python（或Python3） 22
2.3.6 第6步：安裝并升級PIP（或PIP3） 22
2.3.7 第7步：安裝TensorFlow 23
2.4 如何安裝TensorFlow 23
2.4.1 直接使用pip安裝 23
2.4.2 使用virtualenv安裝 24
2.4.3 從源代碼安裝 26
2.5 在Windows上安裝TensorFlow 27
2.5.1 在虛擬機上安裝TensorFlow 27
2.5.2 直接安裝到Windows 27
2.6 測試安裝是否成功 28
2.7 計算圖 28
2.8 為何采用計算圖 29
2.9 編程模型 30
2.10 數據模型 33
2.10.1 階 33
2.10.2 形狀 33
2.10.3 數據類型 34
2.10.4 變量 36
2.10.5 取回 37
2.10.6 注入 38
2.11 TensorBoard 38
2.12 實現一個單輸入神經元 39
2.13 單輸入神經元源代碼 43
2.14 遷移到TensorFlow 1.x版本 43
2.14.1 如何用腳本升級 44
2.14.2 局限 47
2.14.3 手動升級代碼 47
2.14.4 變量 47
2.14.5 匯總函數 47
2.14.6 簡化的數學操作 48
2.14.7 其他事項 49
2.15 小結 49
第3章 用TensorFlow構建前饋
神經網絡 51
3.1 前饋神經網絡介紹 51
3.1.1 前饋和反向傳播 52
3.1.2 權重和偏差 53
3.1.3 傳遞函數 53
3.2 手寫數字分類 54
3.3 探究MNIST數據集 55
3.4 Softmax分類器 57
3.5 TensorFlow模型的保存和還原 63
3.5.1 保存模型 63
3.5.2 還原模型 63
3.5.3 Softmax源代碼 65
3.5.4 Softmax啟動器源代碼 66
3.6 實現一個五層神經網絡 67
3.6.1 可視化 69
3.6.2 五層神經網絡源代碼 70
3.7 ReLU分類器 72
3.8 可視化 73
3.9 Dropout優化 76
3.10 可視化 78
3.11 小結 80
第4章 TensorFlow與卷積神經網絡 82
4.1 CNN簡介 82
4.2 CNN架構 84
4.3 構建你的* 一個CNN 86
4.4 CNN表情識別 95
4.4.1 表情分類器源代碼 104
4.4.2 使用自己的圖像測試模型 107
4.4.3 源代碼 109
4.5 小結 111
第5章 優化TensorFlow自編碼器 112
5.1 自編碼器簡介 112
5.2 實現一個自編碼器 113
5.3 增強自編碼器的魯棒性 119
5.4 構建去噪自編碼器 120
5.5 卷積自編碼器 127
5.5.1 編碼器 127
5.5.2 解碼器 128
5.5.3 卷積自編碼器源代碼 134
5.6 小結 138
第6章 循環神經網絡 139
6.1 RNN的基本概念 139
6.2 RNN的工作機制 140
6.3 RNN的展開 140
6.4 梯度消失問題 141
6.5 LSTM網絡 142
6.6 RNN圖像分類器 143
6.7 雙向RNN 149
6.8 文本預測 155
6.8.1 數據集 156
6.8.2 困惑度 156
6.8.3 PTB模型 156
6.8.4 運行例程 157
6.9 小結 158
第7章 GPU計算 160
7.1 GPGPU計算 160
7.2 GPGPU的歷史 161
7.3 CUDA架構 161
7.4 GPU編程模型 162
7.5 TensorFlow中GPU的設置 163
7.6 TensorFlow的GPU管理 165
7.7 GPU內存管理 168
7.8 在多GPU系統上分配單個GPU 168
7.9 使用多個GPU 170
7.10 小結 171
第8章 TensorFlow高 級編程 172
8.1 Keras簡介 172
8.2 構建深度學習模型 174
8.3 影評的情感分類 175
8.4 添加一個卷積層 179
8.5 Pretty Tensor 181
8.6 數字分類器 182
8.7 TFLearn 187
8.8 泰坦尼克號幸存者預測器 188
8.9 小結 191
第9章 TensorFlow高 級多媒體編程 193
9.1 多媒體分析簡介 193
9.2 基于深度學習的大型對象檢測 193
9.2.1 瓶頸層 195
9.2.2 使用重訓練的模型 195
9.3 加速線性代數 197
9.3.1 TensorFlow的核心優勢 197
9.3.2 加速線性代數的準時編譯 197
9.4 TensorFlow和Keras 202
9.4.1 Keras簡介 202
9.4.2 擁有Keras的好處 203
9.4.3 視頻問答系統 203
9.5 Android上的深度學習 209
9.5.1 TensorFlow演示程序 209
9.5.2 Android入門 211
9.6 小結 214
* 10章 強化學習 215
10.1 強化學習基本概念 216
10.2 Q-learning算法 217
10.3 OpenAI Gym框架簡介 218
10.4 FrozenLake-v0實現問題 220
10.5 使用TensorFlow實現Q-learning 223
10.6 小結 227
* 1章 深度學習入門 1
1.1 機器學習簡介 1
1.1.1 監督學習 2
1.1.2 無監督學習 2
1.1.3 強化學習 3
1.2 深度學習定義 3
1.2.1 人腦的工作機制 3
1.2.2 深度學習歷史 4
1.2.3 應用領域 5
1.3 神經網絡 5
1.3.1 生物神經元 5
1.3.2 人工神經元 6
1.4 人工神經網絡的學習方式 8
1.4.1 反向傳播算法 8
1.4.2 權重優化 8
1.4.3 隨機梯度下降法 9
1.5 神經網絡架構 10
1.5.1 多層感知器 10
1.5.2 DNN架構 11
1.5.3 卷積神經網絡 12
1.5.4 受限玻爾茲曼機 12
1.6 自編碼器 13
1.7 循環神經網絡 14
1.8 幾種深度學習框架對比 14
1.9 小結 16
* 2章 TensorFlow初探 17
2.1 總覽 17
2.1.1 TensorFlow 1.x版本特性 18
2.1.2 使用上的改進 18
2.1.3 TensorFlow安裝與入門 19
2.2 在Linux上安裝TensorFlow 19
2.3 為TensorFlow啟用NVIDIA GPU 20
2.3.1 * 1步：安裝NVIDIA CUDA 20
2.3.2 * 2步：安裝NVIDIA cuDNN v5.1 21
2.3.3 第3步：確定GPU卡的CUDA計算能力為3.0 22
2.3.4 第4步：安裝libcupti-dev庫 22
2.3.5 第5步：安裝Python（或Python3） 22
2.3.6 第6步：安裝并升級PIP（或PIP3） 22
2.3.7 第7步：安裝TensorFlow 23
2.4 如何安裝TensorFlow 23
2.4.1 直接使用pip安裝 23
2.4.2 使用virtualenv安裝 24
2.4.3 從源代碼安裝 26
2.5 在Windows上安裝TensorFlow 27
2.5.1 在虛擬機上安裝TensorFlow 27
2.5.2 直接安裝到Windows 27
2.6 測試安裝是否成功 28
2.7 計算圖 28
2.8 為何采用計算圖 29
2.9 編程模型 30
2.10 數據模型 33
2.10.1 階 33
2.10.2 形狀 33
2.10.3 數據類型 34
2.10.4 變量 36
2.10.5 取回 37
2.10.6 注入 38
2.11 TensorBoard 38
2.12 實現一個單輸入神經元 39
2.13 單輸入神經元源代碼 43
2.14 遷移到TensorFlow 1.x版本 43
2.14.1 如何用腳本升級 44
2.14.2 局限 47
2.14.3 手動升級代碼 47
2.14.4 變量 47
2.14.5 匯總函數 47
2.14.6 簡化的數學操作 48
2.14.7 其他事項 49
2.15 小結 49
第3章 用TensorFlow構建前饋
神經網絡 51
3.1 前饋神經網絡介紹 51
3.1.1 前饋和反向傳播 52
3.1.2 權重和偏差 53
3.1.3 傳遞函數 53
3.2 手寫數字分類 54
3.3 探究MNIST數據集 55
3.4 Softmax分類器 57
3.5 TensorFlow模型的保存和還原 63
3.5.1 保存模型 63
3.5.2 還原模型 63
3.5.3 Softmax源代碼 65
3.5.4 Softmax啟動器源代碼 66
3.6 實現一個五層神經網絡 67
3.6.1 可視化 69
3.6.2 五層神經網絡源代碼 70
3.7 ReLU分類器 72
3.8 可視化 73
3.9 Dropout優化 76
3.10 可視化 78
3.11 小結 80
第4章 TensorFlow與卷積神經網絡 82
4.1 CNN簡介 82
4.2 CNN架構 84
4.3 構建你的* 一個CNN 86
4.4 CNN表情識別 95
4.4.1 表情分類器源代碼 104
4.4.2 使用自己的圖像測試模型 107
4.4.3 源代碼 109
4.5 小結 111
第5章 優化TensorFlow自編碼器 112
5.1 自編碼器簡介 112
5.2 實現一個自編碼器 113
5.3 增強自編碼器的魯棒性 119
5.4 構建去噪自編碼器 120
5.5 卷積自編碼器 127
5.5.1 編碼器 127
5.5.2 解碼器 128
5.5.3 卷積自編碼器源代碼 134
5.6 小結 138
第6章 循環神經網絡 139
6.1 RNN的基本概念 139
6.2 RNN的工作機制 140
6.3 RNN的展開 140
6.4 梯度消失問題 141
6.5 LSTM網絡 142
6.6 RNN圖像分類器 143
6.7 雙向RNN 149
6.8 文本預測 155
6.8.1 數據集 156
6.8.2 困惑度 156
6.8.3 PTB模型 156
6.8.4 運行例程 157
6.9 小結 158
第7章 GPU計算 160
7.1 GPGPU計算 160
7.2 GPGPU的歷史 161
7.3 CUDA架構 161
7.4 GPU編程模型 162
7.5 TensorFlow中GPU的設置 163
7.6 TensorFlow的GPU管理 165
7.7 GPU內存管理 168
7.8 在多GPU系統上分配單個GPU 168
7.9 使用多個GPU 170
7.10 小結 171
第8章 TensorFlow高 級編程 172
8.1 Keras簡介 172
8.2 構建深度學習模型 174
8.3 影評的情感分類 175
8.4 添加一個卷積層 179
8.5 Pretty Tensor 181
8.6 數字分類器 182
8.7 TFLearn 187
8.8 泰坦尼克號幸存者預測器 188
8.9 小結 191
第9章 TensorFlow高 級多媒體編程 193
9.1 多媒體分析簡介 193
9.2 基于深度學習的大型對象檢測 193
9.2.1 瓶頸層 195
9.2.2 使用重訓練的模型 195
9.3 加速線性代數 197
9.3.1 TensorFlow的核心優勢 197
9.3.2 加速線性代數的準時編譯 197
9.4 TensorFlow和Keras 202
9.4.1 Keras簡介 202
9.4.2 擁有Keras的好處 203
9.4.3 視頻問答系統 203
9.5 Android上的深度學習 209
9.5.1 TensorFlow演示程序 209
9.5.2 Android入門 211
9.6 小結 214
* 10章 強化學習 215
10.1 強化學習基本概念 216
10.2 Q-learning算法 217
10.3 OpenAI Gym框架簡介 218
10.4 FrozenLake-v0實現問題 220
10.5 使用TensorFlow實現Q-learning 223
10.6 小結 227
展開全部
TensorFlow深度學習 作者簡介
[意]Giancarlo Zaccone 在并行計算和可視化方向擁有豐富經驗，目前于某咨詢公司擔任系統和軟件工程師。 [孟加拉]Md. Rezaul Karim 擁有近10年軟件研發經驗，具備扎實的算法和數據結構知識，研究興趣包括機器學習、深度學習、語義網絡等。 [埃及]Ahmed Menshawy 愛爾蘭都柏林三一學院研究工程師，主要工作是使用ADAPT中心的機器學習和自然語言處理技術成果構建原型和應用，在機器學習和自然語言處理領域擁有多年工作經驗。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
月亮與六便士
- >
伊索寓言-世界文學名著典藏-全譯本
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
經典常談
- >
羅庸西南聯大授課錄
- >
巴金－再思錄
- >
山海經
本類暢銷
