掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
闖進(jìn)數(shù)學(xué)世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當(dāng)代中國政府與政治(新編21世紀(jì)公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會(huì)主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
中圖價(jià):¥39.8
加入購物車
人工智能原理與實(shí)踐:基于PYTHON語言和TENSORFLOW/張明 版權(quán)信息
- ISBN：9787115509291
- 條形碼：9787115509291 ; 978-7-115-50929-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
人工智能原理與實(shí)踐:基于PYTHON語言和TENSORFLOW/張明 本書特色
本書是一本針對(duì)高校學(xué)生的絕佳TensorFlow學(xué)習(xí)教材。作者結(jié)合眾多高質(zhì)量的代碼，生動(dòng)講解了TensorFlow的底層原理，并從實(shí)際應(yīng)用問題入手，從實(shí)踐的角度出發(fā)，通過具體的TensorFlow案例程序介紹常見的模型和應(yīng)用解決辦法。同時(shí)，在教材中還介紹了模型部署和編程過程中所用到的諸多開發(fā)技巧。是學(xué)習(xí)和掌握人工智能這個(gè)*、*火的IT領(lǐng)域的推薦圖書。
人工智能原理與實(shí)踐:基于PYTHON語言和TENSORFLOW/張明 內(nèi)容簡(jiǎn)介
本書是一本針對(duì)高校學(xué)生的不錯(cuò)TensorFlow學(xué)習(xí)教材。作者結(jié)合眾多高質(zhì)量的代碼，生動(dòng)講解了TensorFlow的底層原理，并從實(shí)際應(yīng)用問題入手，從實(shí)踐的角度出發(fā)，通過具體的TensorFlow案例程序介紹常見的模型和應(yīng)用解決辦法。同時(shí)，在教材中還介紹了模型部署和編程過程中所用到的諸多開發(fā)技巧。是學(xué)習(xí)和掌握人工智能這個(gè)近期新、熱門的IT領(lǐng)域的推薦圖書。
人工智能原理與實(shí)踐:基于PYTHON語言和TENSORFLOW/張明 目錄
基 礎(chǔ) 篇
第1章 緒論 1
1.1 人工智能簡(jiǎn)介 1
1.1.1 人工智能的概念 1
1.1.2 現(xiàn)代人工智能的興起 5
1.1.3 人工智能的學(xué)術(shù)流派 5
1.2 人工智能的發(fā)展歷史 8
1.2.1 孕育期（1956年之前） 8
1.2.2 形成期（1956～1969年） 9
1.2.3 發(fā)展期（1970年之后） 11
1.3 人工智能技術(shù)的研究?jī)?nèi)容與應(yīng)用領(lǐng)域 13
1.3.1 神經(jīng)網(wǎng)絡(luò) 14
1.3.2 機(jī)器學(xué)習(xí) 15
1.3.3 模式識(shí)別 15
1.3.4 自然語言理解 16
1.3.5 專家系統(tǒng) 17
1.3.6 博弈 17
1.3.7 智能控制 18
1.3.8 其他 18
1.4 人工智能與TensorFlow 18
1.4.1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 18
1.4.2 TensorFlow概念 20
1.4.3 TensorFlow的應(yīng)用 23
第2章 Python基礎(chǔ)應(yīng)用 25
2.1 引言 25
2.2 Python的安裝 25
2.3 數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu) 29
2.4 數(shù)字 29
2.5 變量及其命名規(guī)則 29
2.6 語句和表達(dá)式 30
2.7 字符串 31
2.8 容器 32
2.8.1 列表 32
2.8.2 元組 35
2.8.3 字典 35
2.8.4 復(fù)制 36
2.9 函數(shù) 38
2.9.1 常用內(nèi)置函數(shù)及高階函數(shù) 38
2.9.2 用戶自定義函數(shù) 42
2.10 常用庫 43
2.10.1 時(shí)間庫 43
2.10.2 科學(xué)計(jì)算庫（NumPy） 47
2.10.3 可視化繪圖庫（Matplotlib） 54
2.10.4 鎖與線程 58
2.10.5 多線程編程 59
第3章 TensorFlow基礎(chǔ) 62
3.1 TensorFlow的架構(gòu) 62
3.2 TensorFlow的開發(fā)環(huán)境搭建 66
3.3 數(shù)據(jù)流圖簡(jiǎn)介 77
3.3.1 數(shù)據(jù)流圖基礎(chǔ) 77
3.3.2 節(jié)點(diǎn)的依賴關(guān)系 80
3.4 TensorFlow中定義數(shù)據(jù)流圖 83
3.4.1 構(gòu)建一個(gè)TensorFlow數(shù)據(jù)流圖 83
3.4.2 張量思維 87
3.4.3 張量的形狀 90
3.4.4 TensorFlow的Op 91
3.4.5 TensorFlow的Graph對(duì)象 93
3.4.6 TensorFlow的Session 94
3.4.7 輸入與占位符 97
3.4.8 Variable對(duì)象 98
3.5 通過名稱作用域組織數(shù)據(jù)流圖 100
3.6 構(gòu)建數(shù)據(jù)流圖 105
3.7 運(yùn)行數(shù)據(jù)流圖 108
第4章 TensorFlow運(yùn)作方式 114
4.1 數(shù)據(jù)的準(zhǔn)備和下載 114
4.2 圖表構(gòu)建與推理 115
4.2.1 圖表構(gòu)建 115
4.2.2 推理 116
4.3 損失與訓(xùn)練 117
4.3.1 損失 117
4.3.2 訓(xùn)練 117
4.4 狀態(tài)檢查與可視化 118
4.4.1 狀態(tài)檢查 118
4.4.2 狀態(tài)可視化 119
4.5 評(píng)估模型 120
4.6 評(píng)估圖表的構(gòu)建與輸出 123
4.6.1 評(píng)估圖表的構(gòu)建 123
4.6.2 評(píng)估圖表的輸出 123
實(shí) 戰(zhàn) 篇
第5章 MNIST機(jī)器學(xué)習(xí) 125
5.1 MNIST數(shù)據(jù)集簡(jiǎn)介 125
5.2 MNIST數(shù)據(jù)下載 127
5.2.1 數(shù)據(jù)的準(zhǔn)備 129
5.2.2 數(shù)據(jù)重構(gòu) 130
5.2.3 數(shù)據(jù)集對(duì)象 130
5.3 softmax回歸模型簡(jiǎn)介 131
5.4 模型的訓(xùn)練與評(píng)估 132
5.5 TensorFlow模型基本步驟 135
5.6 構(gòu)建softmax回歸模型 135
第6章 卷積神經(jīng)網(wǎng)絡(luò) 138
6.1 卷積神經(jīng)網(wǎng)絡(luò) 138
6.2 卷積神經(jīng)網(wǎng)絡(luò)的模型架構(gòu) 142
6.2.1 ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu) 142
6.2.2 DeepID網(wǎng)絡(luò)結(jié)構(gòu) 143
6.3 卷積運(yùn)算 144
6.3.1 輸入和卷積核 145
6.3.2 降維 145
6.3.3 填充 145
6.3.4 數(shù)據(jù)格式 145
6.4 卷積常見層 146
6.4.1 卷積層 146
6.4.2 池化層 149
6.4.3 歸一化 150
6.4.4 高級(jí)層 151
6.5 TensorFlow和圖像 152
6.5.1 圖像加載 152
6.5.2 圖像格式 152
6.5.3 圖像操作 152
6.5.4 顏色空間變換 153
6.6 模型訓(xùn)練 153
6.7 模型評(píng)估 154
6.8 多GPU的模型訓(xùn)練 154
第7章 字詞的向量表示 155
7.1 WordEmbedding的基本概念和知識(shí) 156
7.2 Skip-Gram模型 158
7.2.1 數(shù)據(jù)集的準(zhǔn)備 160
7.2.2 模型結(jié)構(gòu) 161
7.2.3 處理噪聲對(duì)比 162
7.2.4 模型訓(xùn)練 163
7.3 嵌套學(xué)習(xí)可視化與評(píng)估 164
7.4 優(yōu)化實(shí)現(xiàn) 166
第8章 遞歸神經(jīng)網(wǎng)絡(luò) 168
8.1 遞歸神經(jīng)網(wǎng)絡(luò)的架構(gòu) 169
8.2 PTB數(shù)據(jù) 170
8.3 模型及LSTM 170
8.3.1 LSTM的概念 172
8.3.2 LSTM的結(jié)構(gòu) 173
8.3.3 LSTM的控制門 173
8.4 反向傳播的截?cái)唷?75
8.5 輸入與損失函數(shù) 175
8.6 多個(gè)LSTM層堆疊 175
8.7 代碼的編譯與運(yùn)行 176
第9章 Mandelbrot集合 177
9.1 庫的導(dǎo)入 178
9.2 會(huì)話和變量初始化 179
9.3 定義并運(yùn)行計(jì)算 179
第10章 偏微分方程模擬仿真 180
10.1 計(jì)算函數(shù)的定義 180
10.2 偏微分方程的定義 182
10.3 仿真 183
第11章 人臉識(shí)別 185
11.1 人臉識(shí)別概念 185
11.2 人臉識(shí)別的流程 188
11.2.1 人臉圖像的采集 188
11.2.2 人臉圖像的檢測(cè) 189
11.2.3 人臉圖像的預(yù)處理 189
11.2.4 人臉圖像的特征提取 189
11.2.5 人臉圖像的匹配與識(shí)別 190
11.2.6 活體鑒別 190
11.3 人臉識(shí)別種類 190
11.3.1 人臉檢測(cè) 190
11.3.2 人臉關(guān)鍵點(diǎn)檢測(cè) 191
11.3.3 人臉驗(yàn)證 194
11.4 人臉檢測(cè) 194
11.4.1 LFW數(shù)據(jù)集 194
11.4.2 數(shù)據(jù)預(yù)處理與檢測(cè) 195
11.5 性別和年齡識(shí)別 196
11.5.1 數(shù)據(jù)預(yù)處理 198
11.5.2 模型構(gòu)建 198
11.5.3 模型訓(xùn)練 203
11.5.4 模型驗(yàn)證 204
第1章 緒論 1
1.1 人工智能簡(jiǎn)介 1
1.1.1 人工智能的概念 1
1.1.2 現(xiàn)代人工智能的興起 5
1.1.3 人工智能的學(xué)術(shù)流派 5
1.2 人工智能的發(fā)展歷史 8
1.2.1 孕育期（1956年之前） 8
1.2.2 形成期（1956～1969年） 9
1.2.3 發(fā)展期（1970年之后） 11
1.3 人工智能技術(shù)的研究?jī)?nèi)容與應(yīng)用領(lǐng)域 13
1.3.1 神經(jīng)網(wǎng)絡(luò) 14
1.3.2 機(jī)器學(xué)習(xí) 15
1.3.3 模式識(shí)別 15
1.3.4 自然語言理解 16
1.3.5 專家系統(tǒng) 17
1.3.6 博弈 17
1.3.7 智能控制 18
1.3.8 其他 18
1.4 人工智能與TensorFlow 18
1.4.1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 18
1.4.2 TensorFlow概念 20
1.4.3 TensorFlow的應(yīng)用 23
第2章 Python基礎(chǔ)應(yīng)用 25
2.1 引言 25
2.2 Python的安裝 25
2.3 數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu) 29
2.4 數(shù)字 29
2.5 變量及其命名規(guī)則 29
2.6 語句和表達(dá)式 30
2.7 字符串 31
2.8 容器 32
2.8.1 列表 32
2.8.2 元組 35
2.8.3 字典 35
2.8.4 復(fù)制 36
2.9 函數(shù) 38
2.9.1 常用內(nèi)置函數(shù)及高階函數(shù) 38
2.9.2 用戶自定義函數(shù) 42
2.10 常用庫 43
2.10.1 時(shí)間庫 43
2.10.2 科學(xué)計(jì)算庫（NumPy） 47
2.10.3 可視化繪圖庫（Matplotlib） 54
2.10.4 鎖與線程 58
2.10.5 多線程編程 59
第3章 TensorFlow基礎(chǔ) 62
3.1 TensorFlow的架構(gòu) 62
3.2 TensorFlow的開發(fā)環(huán)境搭建 66
3.3 數(shù)據(jù)流圖簡(jiǎn)介 77
3.3.1 數(shù)據(jù)流圖基礎(chǔ) 77
3.3.2 節(jié)點(diǎn)的依賴關(guān)系 80
3.4 TensorFlow中定義數(shù)據(jù)流圖 83
3.4.1 構(gòu)建一個(gè)TensorFlow數(shù)據(jù)流圖 83
3.4.2 張量思維 87
3.4.3 張量的形狀 90
3.4.4 TensorFlow的Op 91
3.4.5 TensorFlow的Graph對(duì)象 93
3.4.6 TensorFlow的Session 94
3.4.7 輸入與占位符 97
3.4.8 Variable對(duì)象 98
3.5 通過名稱作用域組織數(shù)據(jù)流圖 100
3.6 構(gòu)建數(shù)據(jù)流圖 105
3.7 運(yùn)行數(shù)據(jù)流圖 108
第4章 TensorFlow運(yùn)作方式 114
4.1 數(shù)據(jù)的準(zhǔn)備和下載 114
4.2 圖表構(gòu)建與推理 115
4.2.1 圖表構(gòu)建 115
4.2.2 推理 116
4.3 損失與訓(xùn)練 117
4.3.1 損失 117
4.3.2 訓(xùn)練 117
4.4 狀態(tài)檢查與可視化 118
4.4.1 狀態(tài)檢查 118
4.4.2 狀態(tài)可視化 119
4.5 評(píng)估模型 120
4.6 評(píng)估圖表的構(gòu)建與輸出 123
4.6.1 評(píng)估圖表的構(gòu)建 123
4.6.2 評(píng)估圖表的輸出 123
實(shí) 戰(zhàn) 篇
第5章 MNIST機(jī)器學(xué)習(xí) 125
5.1 MNIST數(shù)據(jù)集簡(jiǎn)介 125
5.2 MNIST數(shù)據(jù)下載 127
5.2.1 數(shù)據(jù)的準(zhǔn)備 129
5.2.2 數(shù)據(jù)重構(gòu) 130
5.2.3 數(shù)據(jù)集對(duì)象 130
5.3 softmax回歸模型簡(jiǎn)介 131
5.4 模型的訓(xùn)練與評(píng)估 132
5.5 TensorFlow模型基本步驟 135
5.6 構(gòu)建softmax回歸模型 135
第6章 卷積神經(jīng)網(wǎng)絡(luò) 138
6.1 卷積神經(jīng)網(wǎng)絡(luò) 138
6.2 卷積神經(jīng)網(wǎng)絡(luò)的模型架構(gòu) 142
6.2.1 ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu) 142
6.2.2 DeepID網(wǎng)絡(luò)結(jié)構(gòu) 143
6.3 卷積運(yùn)算 144
6.3.1 輸入和卷積核 145
6.3.2 降維 145
6.3.3 填充 145
6.3.4 數(shù)據(jù)格式 145
6.4 卷積常見層 146
6.4.1 卷積層 146
6.4.2 池化層 149
6.4.3 歸一化 150
6.4.4 高級(jí)層 151
6.5 TensorFlow和圖像 152
6.5.1 圖像加載 152
6.5.2 圖像格式 152
6.5.3 圖像操作 152
6.5.4 顏色空間變換 153
6.6 模型訓(xùn)練 153
6.7 模型評(píng)估 154
6.8 多GPU的模型訓(xùn)練 154
第7章 字詞的向量表示 155
7.1 WordEmbedding的基本概念和知識(shí) 156
7.2 Skip-Gram模型 158
7.2.1 數(shù)據(jù)集的準(zhǔn)備 160
7.2.2 模型結(jié)構(gòu) 161
7.2.3 處理噪聲對(duì)比 162
7.2.4 模型訓(xùn)練 163
7.3 嵌套學(xué)習(xí)可視化與評(píng)估 164
7.4 優(yōu)化實(shí)現(xiàn) 166
第8章 遞歸神經(jīng)網(wǎng)絡(luò) 168
8.1 遞歸神經(jīng)網(wǎng)絡(luò)的架構(gòu) 169
8.2 PTB數(shù)據(jù) 170
8.3 模型及LSTM 170
8.3.1 LSTM的概念 172
8.3.2 LSTM的結(jié)構(gòu) 173
8.3.3 LSTM的控制門 173
8.4 反向傳播的截?cái)唷?75
8.5 輸入與損失函數(shù) 175
8.6 多個(gè)LSTM層堆疊 175
8.7 代碼的編譯與運(yùn)行 176
第9章 Mandelbrot集合 177
9.1 庫的導(dǎo)入 178
9.2 會(huì)話和變量初始化 179
9.3 定義并運(yùn)行計(jì)算 179
第10章 偏微分方程模擬仿真 180
10.1 計(jì)算函數(shù)的定義 180
10.2 偏微分方程的定義 182
10.3 仿真 183
第11章 人臉識(shí)別 185
11.1 人臉識(shí)別概念 185
11.2 人臉識(shí)別的流程 188
11.2.1 人臉圖像的采集 188
11.2.2 人臉圖像的檢測(cè) 189
11.2.3 人臉圖像的預(yù)處理 189
11.2.4 人臉圖像的特征提取 189
11.2.5 人臉圖像的匹配與識(shí)別 190
11.2.6 活體鑒別 190
11.3 人臉識(shí)別種類 190
11.3.1 人臉檢測(cè) 190
11.3.2 人臉關(guān)鍵點(diǎn)檢測(cè) 191
11.3.3 人臉驗(yàn)證 194
11.4 人臉檢測(cè) 194
11.4.1 LFW數(shù)據(jù)集 194
11.4.2 數(shù)據(jù)預(yù)處理與檢測(cè) 195
11.5 性別和年齡識(shí)別 196
11.5.1 數(shù)據(jù)預(yù)處理 198
11.5.2 模型構(gòu)建 198
11.5.3 模型訓(xùn)練 203
11.5.4 模型驗(yàn)證 204
展開全部
人工智能原理與實(shí)踐:基于PYTHON語言和TENSORFLOW/張明 作者簡(jiǎn)介
張明 蘭州交通大學(xué)電信學(xué)院教師，韓國釜山廣域市國立釜慶大學(xué)獲工學(xué)博士學(xué)位。 何艷珊 蘭州交通大學(xué)電信學(xué)院教師，主要研究方向：數(shù)據(jù)挖掘與數(shù)據(jù)庫。 杜永文，碩士生導(dǎo)師，蘭州交通大學(xué)物聯(lián)網(wǎng)工程實(shí)驗(yàn)室主任。2005年11月到蘭州交通大學(xué)任教至今；2005年1月畢業(yè)于西北工業(yè)大學(xué)，并獲工學(xué)博士學(xué)位。
書友推薦
- >
月亮與六便士
- >
煙與鏡
- >
史學(xué)評(píng)論
- >
自卑與超越
- >
莉莉和章魚
- >
詩經(jīng)-先民的歌唱
- >
經(jīng)典常談
- >
推拿
本類暢銷
