中圖網(wǎng)小程序
一鍵登錄
更方便
TENSORFLOW智能算法與應(yīng)用 版權(quán)信息
- ISBN：9787121368998
- 條形碼：9787121368998 ; 978-7-121-36899-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
TENSORFLOW智能算法與應(yīng)用 本書特色
TensorFlow是目前*受關(guān)注的機(jī)器學(xué)習(xí)框架，其模塊化設(shè)計非常適合大數(shù)據(jù)環(huán)境下智能算法的開發(fā)與應(yīng)用。本書介紹了使用TensorFlow進(jìn)行智能算法的實踐，包括經(jīng)典的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法實現(xiàn)。本書力求做到理論與實踐平衡統(tǒng)一，在相關(guān)理論上深入淺出，輔以多種TensorFlow實現(xiàn)技術(shù)對理論進(jìn)行具體實踐，有助于讀者快速理解與掌握智能算法的精髓和TensorFlow技術(shù)的要點。本書共4篇。入門篇介紹學(xué)習(xí)環(huán)境搭建和TensorFlow框架的基本使用；基礎(chǔ)篇介紹傳統(tǒng)智能算法及其TensorFlow的實現(xiàn)；進(jìn)階篇介紹深度神經(jīng)網(wǎng)絡(luò)方法和CNN、RNN、LSTM、GRU等基礎(chǔ)的深度學(xué)習(xí)算法；應(yīng)用篇介紹GAN學(xué)習(xí)算法和TensorFlowHub遷移學(xué)習(xí)。
TENSORFLOW智能算法與應(yīng)用 內(nèi)容簡介
TensorFlow是目前很受關(guān)注的機(jī)器學(xué)習(xí)框架，其模塊化設(shè)計很好適合大數(shù)據(jù)環(huán)境下智能算法的開發(fā)與應(yīng)用。本書介紹了使用TensorFlow進(jìn)行智能算法的實踐，包括經(jīng)典的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法實現(xiàn)。本書力求做到理論與實踐平衡統(tǒng)一，在相關(guān)理論上深入淺出，輔以多種TensorFlow實現(xiàn)技術(shù)對理論進(jìn)行具體實踐，有助于讀者快速理解與掌握智能算法的精髓和TensorFlow技術(shù)的要點。本書共4篇。入門篇介紹學(xué)習(xí)環(huán)境搭建和TensorFlow框架的基本使用；基礎(chǔ)篇介紹傳統(tǒng)智能算法及其TensorFlow的實現(xiàn)；進(jìn)階篇介紹深度神經(jīng)網(wǎng)絡(luò)方法和CNN、RNN、LSTM、GRU等基礎(chǔ)的深度學(xué)習(xí)算法；應(yīng)用篇介紹GAN學(xué)習(xí)算法和TensorFlowHub遷移學(xué)習(xí)。
TENSORFLOW智能算法與應(yīng)用 目錄
目 錄
入 門 篇
第1章 學(xué)習(xí)環(huán)境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數(shù)據(jù)基礎(chǔ) 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函數(shù)運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎(chǔ)對象 26
1.5.2 Pandas選擇數(shù)據(jù) 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數(shù)據(jù)結(jié)構(gòu) 39
2.3 TensorFlow計算-數(shù)據(jù)流圖 40
2.3.1 常量節(jié)點（Constant） 42
2.3.2 占位符節(jié)點（Placeholder） 42
2.3.3 變量節(jié)點（Variable） 43
2.3.4 操作節(jié)點（Operation） 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進(jìn)階 49
3.1 TensorFlow數(shù)據(jù)處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規(guī)約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子游戲 61
3.2 TensorFlow共享變量 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變量域 63
3.3 TensorFlow模型配置 64
基 礎(chǔ) 篇
第4章 線性回歸算法 69
4.1 BOSTON 數(shù)據(jù)集 70
4.2 TensorFlow模型 72
4.2.1 準(zhǔn)備數(shù)據(jù) 72
4.2.2 定義模型 72
4.2.3 訓(xùn)練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準(zhǔn)備數(shù)據(jù) 77
4.3.4 定義模型 78
4.3.5 訓(xùn)練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓(xùn)練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 *小二乘到交叉熵 86
5.3 MNIST數(shù)據(jù)集 88
5.4 TensorFlow模型 88
5.4.1 準(zhǔn)備數(shù)據(jù) 89
5.4.2 定義模型 89
5.4.3 訓(xùn)練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準(zhǔn)備數(shù)據(jù) 92
5.5.2 定義模型 93
5.5.3 訓(xùn)練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準(zhǔn)備數(shù)據(jù) 95
5.6.2 定義模型 96
5.6.3 訓(xùn)練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰(zhàn) 103
進(jìn) 階 篇
第7章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法 113
7.1 神經(jīng)網(wǎng)絡(luò) 113
7.1.1 激活函數(shù) 114
7.1.2 編程實戰(zhàn) 119
7.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 123
7.2.1 訓(xùn)練困難分析 124
7.2.2 編程實戰(zhàn) 124
7.3 多類別神經(jīng)網(wǎng)絡(luò) 133
7.3.1 邏輯回歸與深度網(wǎng)絡(luò) 133
7.3.2 權(quán)重可視化 135
7.4 神經(jīng)網(wǎng)絡(luò)嵌入 136
7.4.1 一維數(shù)軸排列 137
7.4.2 二維數(shù)軸排列 137
7.4.3 傳統(tǒng)類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 141
8.1 卷積神經(jīng)網(wǎng)絡(luò)簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰(zhàn) 145
8.5 池化操作 149
8.6 池化實戰(zhàn) 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 151
8.9 Estimalor卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 155
8.10 Keras卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 159
第9章 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 162
9.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環(huán)神經(jīng)網(wǎng)絡(luò) 164
9.4 static_rnn循環(huán)神經(jīng)網(wǎng)絡(luò) 165
9.5 dynamic_rnn循環(huán)神經(jīng)網(wǎng)絡(luò) 167
9.6 TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 169
9.7 Estimator循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 173
9.8 Keras循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器（AutoEncoder） 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器（SAE） 187
10.4.1 關(guān)聯(lián)權(quán)重 190
10.4.2 分階段訓(xùn)練 192
10.4.3 無監(jiān)督預(yù)訓(xùn)練 194
10.5 降噪自動編碼器（DAE） 198
10.6 變分自動編碼器（VAE） 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數(shù)字 203
應(yīng) 用 篇
第11章 生成式對抗網(wǎng)絡(luò) 207
11.1 生成式對抗網(wǎng)絡(luò)簡介 207
11.2 GAN工作原理 207
11.3 GAN改進(jìn)模型 209
11.4 GAN模型實戰(zhàn) 212
11.5 GAN訓(xùn)練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進(jìn)行遷移學(xué)習(xí) 223
12.1 圖像遷移學(xué)習(xí) 223
12.2 文本遷移學(xué)習(xí) 224
12.3 完整的文本分類器 225
12.4 遷移學(xué)習(xí)分析 228
入 門 篇
第1章 學(xué)習(xí)環(huán)境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數(shù)據(jù)基礎(chǔ) 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函數(shù)運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎(chǔ)對象 26
1.5.2 Pandas選擇數(shù)據(jù) 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數(shù)據(jù)結(jié)構(gòu) 39
2.3 TensorFlow計算-數(shù)據(jù)流圖 40
2.3.1 常量節(jié)點（Constant） 42
2.3.2 占位符節(jié)點（Placeholder） 42
2.3.3 變量節(jié)點（Variable） 43
2.3.4 操作節(jié)點（Operation） 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進(jìn)階 49
3.1 TensorFlow數(shù)據(jù)處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規(guī)約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子游戲 61
3.2 TensorFlow共享變量 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變量域 63
3.3 TensorFlow模型配置 64
基 礎(chǔ) 篇
第4章 線性回歸算法 69
4.1 BOSTON 數(shù)據(jù)集 70
4.2 TensorFlow模型 72
4.2.1 準(zhǔn)備數(shù)據(jù) 72
4.2.2 定義模型 72
4.2.3 訓(xùn)練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準(zhǔn)備數(shù)據(jù) 77
4.3.4 定義模型 78
4.3.5 訓(xùn)練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓(xùn)練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 *小二乘到交叉熵 86
5.3 MNIST數(shù)據(jù)集 88
5.4 TensorFlow模型 88
5.4.1 準(zhǔn)備數(shù)據(jù) 89
5.4.2 定義模型 89
5.4.3 訓(xùn)練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準(zhǔn)備數(shù)據(jù) 92
5.5.2 定義模型 93
5.5.3 訓(xùn)練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準(zhǔn)備數(shù)據(jù) 95
5.6.2 定義模型 96
5.6.3 訓(xùn)練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰(zhàn) 103
進(jìn) 階 篇
第7章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法 113
7.1 神經(jīng)網(wǎng)絡(luò) 113
7.1.1 激活函數(shù) 114
7.1.2 編程實戰(zhàn) 119
7.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 123
7.2.1 訓(xùn)練困難分析 124
7.2.2 編程實戰(zhàn) 124
7.3 多類別神經(jīng)網(wǎng)絡(luò) 133
7.3.1 邏輯回歸與深度網(wǎng)絡(luò) 133
7.3.2 權(quán)重可視化 135
7.4 神經(jīng)網(wǎng)絡(luò)嵌入 136
7.4.1 一維數(shù)軸排列 137
7.4.2 二維數(shù)軸排列 137
7.4.3 傳統(tǒng)類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 141
8.1 卷積神經(jīng)網(wǎng)絡(luò)簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰(zhàn) 145
8.5 池化操作 149
8.6 池化實戰(zhàn) 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 151
8.9 Estimalor卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 155
8.10 Keras卷積神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 159
第9章 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 162
9.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環(huán)神經(jīng)網(wǎng)絡(luò) 164
9.4 static_rnn循環(huán)神經(jīng)網(wǎng)絡(luò) 165
9.5 dynamic_rnn循環(huán)神經(jīng)網(wǎng)絡(luò) 167
9.6 TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 169
9.7 Estimator循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 173
9.8 Keras循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn) 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器（AutoEncoder） 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器（SAE） 187
10.4.1 關(guān)聯(lián)權(quán)重 190
10.4.2 分階段訓(xùn)練 192
10.4.3 無監(jiān)督預(yù)訓(xùn)練 194
10.5 降噪自動編碼器（DAE） 198
10.6 變分自動編碼器（VAE） 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數(shù)字 203
應(yīng) 用 篇
第11章 生成式對抗網(wǎng)絡(luò) 207
11.1 生成式對抗網(wǎng)絡(luò)簡介 207
11.2 GAN工作原理 207
11.3 GAN改進(jìn)模型 209
11.4 GAN模型實戰(zhàn) 212
11.5 GAN訓(xùn)練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進(jìn)行遷移學(xué)習(xí) 223
12.1 圖像遷移學(xué)習(xí) 223
12.2 文本遷移學(xué)習(xí) 224
12.3 完整的文本分類器 225
12.4 遷移學(xué)習(xí)分析 228
展開全部
TENSORFLOW智能算法與應(yīng)用 作者簡介
中國人民大學(xué)信息學(xué)院副教授，在人工智能領(lǐng)域發(fā)表論文30多篇，主持了兩項國家自然科學(xué)基金項目，擁有多項軟件著作權(quán)。自2004年起負(fù)責(zé)主講《人工智能》課程，在10多年的實際教學(xué)中，作者對深度學(xué)習(xí)方法相對傳統(tǒng)人工智能方法的顛覆性發(fā)展有深刻的切身體會，也在教學(xué)中感受到學(xué)生學(xué)習(xí)深度學(xué)習(xí)算法和Tensorflow框架的極大熱情。作者曾將人工智能小車引入課堂教學(xué)和課程項目，建立實踐性強(qiáng)的人工智能實驗平臺，對多種智能算法進(jìn)行實踐和驗證。通過建立有趣的智能應(yīng)用項目，激發(fā)學(xué)生對Tensorflow智能算法的學(xué)習(xí)熱情和實踐動力。
書友推薦
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
詩經(jīng)-先民的歌唱
- >
上帝之肋:男人的真實旅程
- >
回憶愛瑪儂
- >
朝聞道
- >
經(jīng)典常談
- >
苦雨齋序跋文-周作人自編集
- >
巴金－再思錄
本類暢銷
