掃一掃
關(guān)注中圖網(wǎng)
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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
買過本商品的人還買了
TensorFlow深度學(xué)習(xí)算法原理與編程實戰(zhàn) 版權(quán)信息
- ISBN：9787517068228
- 條形碼：9787517068228 ; 978-7-5170-6822-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
TensorFlow深度學(xué)習(xí)算法原理與編程實戰(zhàn) 本書特色
講解細：沿著需求è算法è代碼實現(xiàn)的思路，適合各類讀者 圖示多：全書200多張圖片，助你快速理解算法核心 案例全：將近80個代碼案例，可以拿來就用 涉及廣：囊括神經(jīng)網(wǎng)絡(luò)、深度強化學(xué)習(xí)、可視化、加速計算等內(nèi)容
TensorFlow深度學(xué)習(xí)算法原理與編程實戰(zhàn) 內(nèi)容簡介
本書詳盡講述了兩方面的內(nèi)容 —— 深度學(xué)習(xí)的算法原理及如何使用TensorFlow框架進行編程實踐。深度學(xué)習(xí)的算法原理方面主要包括來人工智能的歷史, 變革以及現(xiàn)代深度神經(jīng)網(wǎng)絡(luò)算法。使用TensorFlow框架進行編程實踐方面包括了該框架的基本編程語法及一系列組件如模型持久化、圖像數(shù)據(jù)處理、TensorBoard可視化、計算加速等。
TensorFlow深度學(xué)習(xí)算法原理與編程實戰(zhàn) 目錄
**部分探索深度學(xué)習(xí)之方式的開始
第1章開篇
1.1人工智能的發(fā)展
1.1.1萌芽
1.1.2復(fù)蘇
1.1.3現(xiàn)代實踐：大數(shù)據(jù)+深度神經(jīng)網(wǎng)絡(luò)模型
1.2大數(shù)據(jù)
1.3機器學(xué)習(xí)與深度學(xué)習(xí)
1.3.1機器學(xué)習(xí)
1.3.2深度學(xué)習(xí)
1.3.3同人工智能的關(guān)系
1.4人工神經(jīng)網(wǎng)絡(luò)與TensorFlow
1.4.1人工神經(jīng)網(wǎng)絡(luò)
1.4.2TensorFlow
1.5其他主流深度學(xué)習(xí)框架介紹
1.5.1Caffe
1.5.2Torch
1.5.3Theano
1.5.4MXNet
1.5.5Keras
1.6機器學(xué)習(xí)的常見任務(wù)
1.6.1分類
1.6.2回歸
1.6.3去噪
1.6.4轉(zhuǎn)錄
1.6.5機器翻譯
1.6.6異常檢測
1.6.7結(jié)構(gòu)化輸出
1.7深度學(xué)習(xí)的現(xiàn)代應(yīng)用
1.7.1計算機視覺
1.7.2自然語言處理
1.7.3語音識別
第2章安裝TensorFlow
2.1安裝前的須知
2.1.1檢查硬件是否達標(biāo)
2.1.2推薦選用GPU進行訓(xùn)練
2.1.3為什么選擇Linux系統(tǒng)
2.1.4為什么選擇Python語言
2.2安裝Anaconda
2.3TensorFlow的兩個主要依賴包
2.3.1Protocol Buffer
2.3.2Bazel
2.4安裝CUDA和cuDNN
2.4.1CUDA
2.4.2cuDNN
2.5正式安裝TensorFlow
2.5.1使用pip安裝
2.5.2從源代碼編譯并安裝
2.6測試你的TensorFlow
2.6.1運行向量相加的例子
2.6.2加載過程存在的一些問題
2.7推薦使用IDE
第3章TensorFlow編程策略
3.1初識計算圖與張量
3.2計算圖——TensorFlow的計算模型
3.3張量——TensorFlow的數(shù)據(jù)模型
3.3.1概念
3.3.2使用張量
3.4會話——TensorFlow的運行模型
3.4.1TensorFlow系統(tǒng)結(jié)構(gòu)概述
3.4.2簡單使用會話
3.4.3使用with/as環(huán)境上下文管理器
3.4.4Session的參數(shù)配置
3.4.5placeholder機制
3.5TensorFlow變量
3.5.1創(chuàng)建變量
3.5.2變量與張量
3.6管理變量的變量空間
3.6.1get_variable()函數(shù)
3.6.2variable_scope()與name_scope()
第二部分TensorFlow實現(xiàn)深度網(wǎng)絡(luò)
第4章深度前饋神經(jīng)網(wǎng)絡(luò)
4.1網(wǎng)絡(luò)的前饋方式
4.2全連接
4.2.1神經(jīng)元與全連接結(jié)構(gòu)
4.2.2前向傳播算法
4.3線性模型的局限性
4.4激活函數(shù)
4.4.1常用激活函數(shù)
4.4.2激活函數(shù)實現(xiàn)去線性化
4.5多層網(wǎng)絡(luò)解決異或運算
4.6損失函數(shù)
4.6.1經(jīng)典損失函數(shù)
4.6.2自定義損失函數(shù)
第5章優(yōu)化網(wǎng)絡(luò)的方法
5.1基于梯度的優(yōu)化
5.1.1梯度下降算法
5.1.2隨機梯度下降
5.2反向傳播
5.2.1簡要解釋反向傳播算法
5.2.2自適應(yīng)學(xué)習(xí)率算法
5.2.3TensorFlow提供的優(yōu)化器
5.3學(xué)習(xí)率的獨立設(shè)置
5.3.1指數(shù)衰減的學(xué)習(xí)率
5.3.2其他優(yōu)化學(xué)習(xí)率的方法
5.4擬合
5.4.1過擬合和欠擬合
5.4.2正則化的方法
5.4.3Bagging方法
5.4.4Dropout方法
第6章全連神經(jīng)網(wǎng)絡(luò)的經(jīng)典實踐
6.1MNIST數(shù)據(jù)集
6.2網(wǎng)絡(luò)的設(shè)計
6.3超參數(shù)和驗證集
6.4與簡單模型的對比
第7章卷積神經(jīng)網(wǎng)絡(luò)
7.1準(zhǔn)備性的認識
7.1.1圖像識別與經(jīng)典數(shù)據(jù)集
7.1.2卷積網(wǎng)絡(luò)的神經(jīng)科學(xué)基礎(chǔ)
7.1.3卷積神經(jīng)網(wǎng)絡(luò)的歷史
7.2卷積
7.2.1卷積運算
7.2.2卷積運算的稀疏連接
7.2.3卷積運算的參數(shù)共享
7.2.4卷積運算的平移等變
7.2.5多卷積核
7.2.6卷積層的代碼實現(xiàn)
7.3池化
7.3.1池化過程
7.3.2常用池化函數(shù)
7.3.3池化層的代碼實現(xiàn)
7.4實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的簡例
7.4.1卷積神經(jīng)網(wǎng)絡(luò)的一般框架
7.4.2用簡單卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)Cifar-10數(shù)據(jù)集分類
7.5圖像數(shù)據(jù)處理
7.5.1圖像編解碼處理
7.5.2翻轉(zhuǎn)圖像
7.5.3圖像色彩調(diào)整
7.5.4圖像標(biāo)準(zhǔn)化處理
7.5.5調(diào)整圖像大小
7.5.6圖像的標(biāo)注框
第8章經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)
8.1LeNet-5卷積網(wǎng)絡(luò)模型
8.1.1模型結(jié)構(gòu)
8.1.2TensorFlow實現(xiàn)
8.2AlexNet卷積網(wǎng)絡(luò)模型
8.2.1模型結(jié)構(gòu)
8.2.2TensorFlow實現(xiàn)
8.3VGGNet卷積網(wǎng)絡(luò)模型
8.3.1模型結(jié)構(gòu)
8.3.2TensorFlow實現(xiàn)
8.4InceptionNet-V3卷積網(wǎng)絡(luò)模型
8.4.1模型結(jié)構(gòu)
8.4.2Inception V3 Module的實現(xiàn)
8.4.3使用Inception V3完成模型遷移
8.5ResNet卷積網(wǎng)絡(luò)模型
8.5.1模型結(jié)構(gòu)
8.5.2TensorFlow實現(xiàn)
第9章循環(huán)神經(jīng)網(wǎng)絡(luò)
9.1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
9.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)的前向傳播程序設(shè)計
9.1.2計算循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度
9.1.3循環(huán)神經(jīng)網(wǎng)絡(luò)的不同設(shè)計模式
9.2自然語言建模與詞向量
9.2.1統(tǒng)計學(xué)語言模型
9.2.2Word2Vec
9.2.3用TensorFlow實現(xiàn)Word2Vec
9.3LSTM實現(xiàn)自然語言建模
9.3.1長短時記憶網(wǎng)絡(luò)（LSTM）
9.3.2LSTM在自然語言建模中的應(yīng)用
9.3.3循環(huán)神經(jīng)網(wǎng)絡(luò)的Dropout
9.4循環(huán)神經(jīng)網(wǎng)絡(luò)的變種
9.4.1雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
9.4.2深層循環(huán)神經(jīng)網(wǎng)絡(luò)
第10章深度強化學(xué)習(xí)
10.1理解基本概念
10.2深度強化學(xué)習(xí)的思路
10.3典型應(yīng)用場景舉例
10.3.1場景1：機械臂自控
10.3.2場景2：自動游戲系統(tǒng)
10.3.3場景3：自動駕駛
10.3.4場景4：智能圍棋系統(tǒng)
10.4Q學(xué)習(xí)與深度Q網(wǎng)絡(luò)
10.4.1Q學(xué)習(xí)與深度Q學(xué)習(xí)
10.4.2深度Q網(wǎng)絡(luò)
第三部分TensorFlow的使用進階
第11章數(shù)據(jù)讀取
11.1文件格式
11.1.1TFRecord格式
11.1.2CSV格式
11.2隊列
11.2.1數(shù)據(jù)隊列
11.2.2文件隊列
11.3使用多線程處理輸入的數(shù)據(jù)
11.3.1使用Coordinator類管理線程
11.3.2使用QueueRunner創(chuàng)建線程
11.4組織數(shù)據(jù)batch
第12章模型持久化
12.1通過代碼實現(xiàn)
12.2模型持久化的原理
12.2.1model.ckpt.mate文件
12.2.2從.index與.data文件讀取變量的值
12.3持久化的MNIST手寫字識別
12.4PB文件
第13章TensorBoard可視化
13.1TensorBoard簡要介紹
13.2MNIST手寫字識別的可視化
13.2.1實現(xiàn)的過程
13.2.2標(biāo)量數(shù)據(jù)可視化結(jié)果
13.2.3圖像數(shù)據(jù)可視化結(jié)果
13.2.4計算圖可視化結(jié)果
13.3其他監(jiān)控指標(biāo)可視化
第14章加速計算
14.1TensorFlow支持的設(shè)備
14.2TensorFlow單機實現(xiàn)
14.2.1查看執(zhí)行運算的設(shè)備
14.2.2device()函數(shù)的使用
14.3并行訓(xùn)練的原理
14.3.1數(shù)據(jù)并行
14.3.2模型并行
14.4單機多GPU加速TensorFlow程序
14.4.1實現(xiàn)的過程
14.4.2多GPU并行的可視化
14.5分布式TensorFlow概述
展開全部
TensorFlow深度學(xué)習(xí)算法原理與編程實戰(zhàn) 作者簡介
蔣子陽，多年專業(yè)編程工作經(jīng)驗，曾參與多個機器人目標(biāo)識別與定位等深度學(xué)習(xí)相關(guān)項目，擅長圖像識別算法、語音識別算法等。涉及行業(yè)包括金融、證券、汽車、公共安全等領(lǐng)域。近年來，本人對機器學(xué)習(xí)及深度學(xué)習(xí)進行了深入研究，隨著TensorFlow的出現(xiàn)，開始將精力轉(zhuǎn)移到TensorFlow深度學(xué)習(xí)算法原理的研究中，并專門推導(dǎo)過其中的大部分算法，對該框架有著獨特的認識和深入的理解。
書友推薦
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
莉莉和章魚
- >
月亮與六便士
- >
【精裝繪本】畫給孩子的中國神話
- >
姑媽的寶刀
- >
中國歷史的瞬間
- >
經(jīng)典常談
- >
名家?guī)阕x魯迅:故事新編
本類暢銷
