中圖網小程序
一鍵登錄
更方便
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
從AI模型到智能機器人-基于 Python 與 TensorFlow 版權信息
- ISBN：9787121370113
- 條形碼：9787121370113 ; 978-7-121-37011-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
從AI模型到智能機器人-基于 Python 與 TensorFlow 本書特色
隨著AI(人工智能)技術及應用范圍不斷地擴大，Python程序代碼的復雜度也逐步增高，這就要求Python開發者需要具備面向對象(Object-Oriented)思維和基本技術。本書的*部分，從OOP Python出發，由淺入深，循序漸進，幫讀者建立扎實的AI軟件開發的技術根基。本書的第二部分，以AI技術為起點，以"老鼠學習”為范例，講解如何以Python來撰寫簡單的AI模型(如Perceptron模型)，并實際訓練使用，讓讀者了解AI機器學習的原理、以及如何以Python程序來進行實踐。本書的*后一部分，以AI專業的TensorFlow平臺為例，說明如何善用這種專業的AI平臺來設計專業NN(神經網絡)模型，孰悉其訓練及應用過程。將您在TensorFlow環境所訓練好的AI模型，移植到Android手機或機器人(如華碩Zenbo)上，大大提升終端設備的智能化、擴大應用，為用戶來創造更大商機。
從AI模型到智能機器人-基于 Python 與 TensorFlow 內容簡介
作者高煥堂通過他40多年的工作經歷，通過簡單易懂的AI模型訓練案例，教會讀者如何利用Python與TensorFlow軟件平臺進行學習并掌握AI編程。
文筆生動有趣，案例簡單易上手，是中初級讀者快速掌握Python的很好的入門圖書。
高煥堂老師在中國臺灣/大陸都有多年的實體從業經驗，并為華為、騰訊（成都）和百度的高級設計師和IT架構師授課。
從AI模型到智能機器人-基于 Python 與 TensorFlow 目錄
第1章 AI與面向對象Python 1
1.1 AI思維簡史 2
1.2 Python語言與AI 2
1.3 布置Python開發環境 3
1.4 開始編寫Python程序 6
1.5 面向對象（Object-Oriented）入門 10
1.5.1 對象（Object） 10
1.5.2 消息（Message） 10
1.5.3 事件（Event） 10
1.6 軟件中的對象（Object） 11
1.6.1 抽象 11
1.6.2 抽象表示 12
1.6.3 數據和函數 12
1.6.4 歷史的足跡 12
1.7 對象與變量（Variable） 13
1.7.1 數據類型 13
1.7.2 變量即對象 14
1.8 對象與函數（Function） 17
1.8.1 函數的角色 17
1.8.2 事件驅動觀念 18
1.9 自然界的分類 19
1.9.1 分類與抽象 19
1.9.2 對象與類 19
1.9.3 類的體系 20
1.10 軟件的分類 21
1.10.1 類是數據類型 21
1.10.2 類的用途：描述對象的屬性與行為 22
第2章 Python的對象與類 24
2.1 OOP入門 25
2.2 對象的概念 25
2.3 對象分類與組合 27
2.3.1 類的永恒性 27
2.3.2 將對象分門別類 27
2.3.3 對象的組合關系 28
2.4 AKO抽象關系 30
2.5 對象行為與接口 36
2.5.1 接口入門 36
2.5.2 消息傳遞與對象行為 37
2.5.3 對象的運算行為 38
第3章 善用類 46
3.1 如何描述對象：善用類 47
3.2 如何創建軟件對象 48
3.3 對象參考 49
3.4 構造函數 52
3.5 子類如何創建對象 54
第4章 對象的組合 58
4.1 認識 self 參考 59
4.2 建立對象的包含關系 60
4.3 self 參考值的妙用 64
4.4 包容多樣化物件 71
4.5 集合對象 73
第5章 類的封裝性 76
5.1 對象的封裝性 77
5.2 類：創造對象的封裝性 77
5.3 類的私有屬性與函數 81
5.4 類級別的屬性 89
5.5 類級別的函數 93
第6章 類的繼承體系 96
6.1 繼承的意義 97
6.2 建立類繼承體系 98
6.3 函數覆寫的意義 108
第7章 活用抽象類 111
7.1 抽象類與繼承體系 112
7.2 Python抽象類的表示法 112
7.2.1 一般具象類 112
7.2.2 抽象類 114
7.3 從“抽象類”衍生“具象類” 115
7.4 抽象類的妙用：默認行為 118
7.4.1 Python默認行為的表示法 118
7.4.2 默認行為的意義 120
7.5 默認函數的妙用：反向調用 120
第8章 發揮“多態性” 127
8.1 “多態性”的意義 128
8.1.1 自然界的多態性 128
8.1.2 多態性物體 129
8.2 多態函數 130
8.3 可覆寫函數 132
第9章 如何設計抽象類 138
9.1 抽象：抽出共同的現象 139
9.2 抽象的步驟 141
9.2.1 Step 1: 抽出名稱、引數及內容都一致的函數 147
9.2.2 Step 2: 抽出名稱相同、參數及內容有差異的函數 149
9.3 洞悉“變”與“不變” 152
9.4 著手設計抽象類 154
第10章 接口與抽象類 160
10.1 接口的意義 161
10.2 以 Python 抽象類來實現接口 162
10.3 接口設計實例一：并聯電池對象 167
10.3.1 不理解原理但也能用 167
10.3.2 實現步驟 169
10.4 接口設計實例二：串聯電池對象 172
10.4.1 基本設計 172
10.4.2 實現步驟 173
10.4.3 總結 176
10.5 接口設計實例三：Chain Of Responsibility設計模式 177
第11章 不插電學AI 183
11.1 “不插電學AI”的意義 184
11.2 AlphaGo的驚人學習能力 184
11.3 范例：一只老鼠的探索及學習 184
11.4 記錄老鼠的探索選擇及結果 186
11.5 老鼠當教練：訓練AI機器人 188
11.5.1 以簡單算數，讓機器人表達智能 188
11.5.2 機器人智能的提升過程 189
11.5.3 一回生、兩回熟 191
11.5.4 三回變高手 192
11.5.5 第四回合訓練：邁向完美 194
11.5.6 重新檢測一次 195
第12章 撰寫單層Perceptron程序 198
12.1 開始“插電學AI”：使用Python 199
12.2 展開第#0組數據的訓練 200
12.3 進行更多組數據的訓練 202
12.4 加入學習率 206
12.5 增添一個Training類 209
12.6 一個更詳細的Perceptron代碼 213
第13章 使用TensorFlow編程 225
13.1 TensorFlow入門 226
13.2 安裝TensorFlow環境 226
13.3 開始使用TensorFlow 230
13.4 展開第1回合的訓練：以老鼠教練為例 237
13.5 展開100回合更周全的訓練 240
13.6 設計Perceptron類 243
13.7 采用TensorFlow的損失函數 245
13.8 撰寫多層Perceptron程序 248
第14章 TensorFlow應用范例 251
14.1 mnist手寫數字識別范例 252
14.2 開始訓練 NN 模型 256
14.3 改進 NN 模型：建立兩層Perceptron 260
14.4 改進 NN 模型：建立三層Perceptron 263
14.5 撰寫一個MLP類 265
第15章 如何導出AI模型 268
15.1 導出模型入門 269
15.2 機器人：像老鼠一樣學習 270
15.3 基于TensorFlow建立AI模型 270
15.4 存入Checkpoint文件 272
15.5 讀取Checkpoint文件 275
15.6 讀取流圖定義文件 277
15.7 導出模型：寫入.pb文件 280
15.8 導入模型，讀取.pb文件 284
1.1 AI思維簡史 2
1.2 Python語言與AI 2
1.3 布置Python開發環境 3
1.4 開始編寫Python程序 6
1.5 面向對象（Object-Oriented）入門 10
1.5.1 對象（Object） 10
1.5.2 消息（Message） 10
1.5.3 事件（Event） 10
1.6 軟件中的對象（Object） 11
1.6.1 抽象 11
1.6.2 抽象表示 12
1.6.3 數據和函數 12
1.6.4 歷史的足跡 12
1.7 對象與變量（Variable） 13
1.7.1 數據類型 13
1.7.2 變量即對象 14
1.8 對象與函數（Function） 17
1.8.1 函數的角色 17
1.8.2 事件驅動觀念 18
1.9 自然界的分類 19
1.9.1 分類與抽象 19
1.9.2 對象與類 19
1.9.3 類的體系 20
1.10 軟件的分類 21
1.10.1 類是數據類型 21
1.10.2 類的用途：描述對象的屬性與行為 22
第2章 Python的對象與類 24
2.1 OOP入門 25
2.2 對象的概念 25
2.3 對象分類與組合 27
2.3.1 類的永恒性 27
2.3.2 將對象分門別類 27
2.3.3 對象的組合關系 28
2.4 AKO抽象關系 30
2.5 對象行為與接口 36
2.5.1 接口入門 36
2.5.2 消息傳遞與對象行為 37
2.5.3 對象的運算行為 38
第3章 善用類 46
3.1 如何描述對象：善用類 47
3.2 如何創建軟件對象 48
3.3 對象參考 49
3.4 構造函數 52
3.5 子類如何創建對象 54
第4章 對象的組合 58
4.1 認識 self 參考 59
4.2 建立對象的包含關系 60
4.3 self 參考值的妙用 64
4.4 包容多樣化物件 71
4.5 集合對象 73
第5章 類的封裝性 76
5.1 對象的封裝性 77
5.2 類：創造對象的封裝性 77
5.3 類的私有屬性與函數 81
5.4 類級別的屬性 89
5.5 類級別的函數 93
第6章 類的繼承體系 96
6.1 繼承的意義 97
6.2 建立類繼承體系 98
6.3 函數覆寫的意義 108
第7章 活用抽象類 111
7.1 抽象類與繼承體系 112
7.2 Python抽象類的表示法 112
7.2.1 一般具象類 112
7.2.2 抽象類 114
7.3 從“抽象類”衍生“具象類” 115
7.4 抽象類的妙用：默認行為 118
7.4.1 Python默認行為的表示法 118
7.4.2 默認行為的意義 120
7.5 默認函數的妙用：反向調用 120
第8章 發揮“多態性” 127
8.1 “多態性”的意義 128
8.1.1 自然界的多態性 128
8.1.2 多態性物體 129
8.2 多態函數 130
8.3 可覆寫函數 132
第9章 如何設計抽象類 138
9.1 抽象：抽出共同的現象 139
9.2 抽象的步驟 141
9.2.1 Step 1: 抽出名稱、引數及內容都一致的函數 147
9.2.2 Step 2: 抽出名稱相同、參數及內容有差異的函數 149
9.3 洞悉“變”與“不變” 152
9.4 著手設計抽象類 154
第10章 接口與抽象類 160
10.1 接口的意義 161
10.2 以 Python 抽象類來實現接口 162
10.3 接口設計實例一：并聯電池對象 167
10.3.1 不理解原理但也能用 167
10.3.2 實現步驟 169
10.4 接口設計實例二：串聯電池對象 172
10.4.1 基本設計 172
10.4.2 實現步驟 173
10.4.3 總結 176
10.5 接口設計實例三：Chain Of Responsibility設計模式 177
第11章 不插電學AI 183
11.1 “不插電學AI”的意義 184
11.2 AlphaGo的驚人學習能力 184
11.3 范例：一只老鼠的探索及學習 184
11.4 記錄老鼠的探索選擇及結果 186
11.5 老鼠當教練：訓練AI機器人 188
11.5.1 以簡單算數，讓機器人表達智能 188
11.5.2 機器人智能的提升過程 189
11.5.3 一回生、兩回熟 191
11.5.4 三回變高手 192
11.5.5 第四回合訓練：邁向完美 194
11.5.6 重新檢測一次 195
第12章 撰寫單層Perceptron程序 198
12.1 開始“插電學AI”：使用Python 199
12.2 展開第#0組數據的訓練 200
12.3 進行更多組數據的訓練 202
12.4 加入學習率 206
12.5 增添一個Training類 209
12.6 一個更詳細的Perceptron代碼 213
第13章 使用TensorFlow編程 225
13.1 TensorFlow入門 226
13.2 安裝TensorFlow環境 226
13.3 開始使用TensorFlow 230
13.4 展開第1回合的訓練：以老鼠教練為例 237
13.5 展開100回合更周全的訓練 240
13.6 設計Perceptron類 243
13.7 采用TensorFlow的損失函數 245
13.8 撰寫多層Perceptron程序 248
第14章 TensorFlow應用范例 251
14.1 mnist手寫數字識別范例 252
14.2 開始訓練 NN 模型 256
14.3 改進 NN 模型：建立兩層Perceptron 260
14.4 改進 NN 模型：建立三層Perceptron 263
14.5 撰寫一個MLP類 265
第15章 如何導出AI模型 268
15.1 導出模型入門 269
15.2 機器人：像老鼠一樣學習 270
15.3 基于TensorFlow建立AI模型 270
15.4 存入Checkpoint文件 272
15.5 讀取Checkpoint文件 275
15.6 讀取流圖定義文件 277
15.7 導出模型：寫入.pb文件 280
15.8 導入模型，讀取.pb文件 284
展開全部
從AI模型到智能機器人-基于 Python 與 TensorFlow 作者簡介
高煥堂，專注AI&VR技術與創客輔導，現任中國臺灣VR/AR產業聯盟主席、臺灣銘傳大學《AI創新&設計思維》指導教授。福州網龍大學教授、MFG創客邦聯的創客導師、大連藝術學院創新創業導師、廈門VR/AR協會創業導師兼榮譽會長
書友推薦
- >
姑媽的寶刀
- >
隨園食單
- >
史學評論
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
李白與唐代文化
- >
月亮與六便士
- >
經典常談
- >
煙與鏡
本類暢銷
