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
零基礎入門Python深度學習 版權信息
- ISBN：9787111643364
- 條形碼：9787111643364 ; 978-7-111-64336-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
零基礎入門Python深度學習 本書特色
本書從基礎知識開始講解深度學習的原理和應用，包括該領域的發展、深度學習的入門知識、深度學習模型的理論、代碼和實際應用中的優化。
本書共12章，主要內容包括深度學習基礎、深度學習的環境準備、深度學習的知識準備、神經網絡基礎知識、使用Keras構建神經網絡、神經網絡的進一步優化、卷積神經網絡、使用Keras構建卷積神經網絡、卷積神經網絡可視化、遷移學習、循環神經網絡和使用Keras構建循環神經網絡等。對于本書中介紹的深度學習模型，我們提供了實例代碼供讀者學習。
本書作為深度學習的入門書籍，適合希望從零開始了解深度學習技術，并且快速掌握深度學習理論和使用深度學習工具的學生和技術人員閱讀。
零基礎入門Python深度學習 內容簡介
本書從基礎知識開始講解深度學習的原理和應用，包括該領域的發展、深度學習的入門知識、深度學習模型的理論、代碼和實際應用中的優化。本書共12章，主要內容包括深度學習基礎、深度學習的環境準備、深度學習的知識準備、神經網絡基礎知識、使用Keras構建神經網絡、神經網絡的進一步優化、卷積神經網絡、使用Keras構建卷積神經網絡、卷積神經網絡可視化、遷移學習、循環神經網絡和使用Keras構建循環神經網絡等。對于本書中介紹的深度學習模型，我們提供了實例代碼供讀者學習。本書作為深度學習的入門書籍，適合希望從零開始了解深度學習技術，并且快速掌握深度學習理論和使用深度學習工具的學生和技術人員閱讀。
零基礎入門Python深度學習 目錄
前言
第1章 深度學習入門1
1.1 什么是深度學習1
1.1.1 深度學習是一種特定類型的機器學習2
1.1.2 深度學習是數學問題3
1.1.3 深度學習是一個黑箱5
1.2 深度學習的發展6
1.3 認識當前的深度學習7
1.3.1 為什么是現在8
1.3.2 當數據成為“燃料”8
1.3.3 深度學習的突破10
1.4 深度學習的應用領域12
1.4.1 深度學習適合做什么12
1.4.2 深度學習的應用場景14
1.5 如何入門深度學習15
第2章 深度學習的環境準備17
2.1 選擇Python作為深度學習的編程語言17
2.2 深度學習常用框架介紹18
2.3 選擇適合自己的框架21
2.4 Python的安裝25
2.4.1 概述25
2.4.2 安裝Anaconda26
2.4.3 使用conda進行環境管理和包管理27
2.5 Keras的安裝29
2.5.1 什么是Keras29
2.5.2 安裝TensorFlow30
2.5.3 安裝Keras31
第3章 深度學習的知識準備32
3.1 概率論33
3.1.1 什么是概率33
3.1.2 概率分布35
3.1.3 信息論38
3.2 線性代數40
3.2.1 矩陣40
3.2.2 矩陣的運算43
3.2.3 從矩陣中取值45
3.2.4 相關術語46
3.3 導數47
3.3.1 什么是導數48
3.3.2 鏈式法則49
3.4 機器學習基礎50
3.4.1 監督學習50
3.4.2 分類和回歸51
3.4.3 訓練、驗證和預測53
第4章 神經網絡56
4.1 神經網絡與深度學習56
4.1.1 生物學中的神經網絡56
4.1.2 深度學習網絡58
4.2 前向傳播算法60
4.2.1 神經網絡的表示60
4.2.2 神經元的計算61
4.2.3 激活函數62
4.2.4 神經網絡的前向傳播64
4.3 反向傳播算法67
4.3.1 神經網絡的訓練68
4.3.2 損失函數69
4.3.3 梯度下降71
4.3.4 神經網絡的反向傳播73
4.4 更好地訓練神經網絡75
4.4.1 選擇正確的損失函數75
4.4.2 選擇通用的激活函數76
4.4.3 更合適的優化算法76
4.4.4 選擇合適的批量77
4.4.5 參數初始化78
第5章 使用Keras構建神經網絡80
5.1 Keras中的模型81
5.2 Keras中的網絡層82
5.3 模型的編譯83
5.3.1 優化器83
5.3.2 損失函數84
5.3.3 性能評估85
5.4 訓練模型85
5.5 使用訓練好的模型86
5.6 實例：手寫體分類問題86
5.7 Keras批量訓練大量數據92
5.8 在Keras中重復使用模型97
第6章 神經網絡的進一步優化100
6.1 過擬合100
6.2 梯度消失和梯度爆炸106
6.3 局部*優110
6.4 批量歸一化111
第7章 卷積神經網絡115
7.1 計算機視覺和圖像識別115
7.2 卷積神經網絡基礎118
7.2.1 卷積神經網絡的結構118
7.2.2 卷積層119
7.2.3 池化層125
7.2.4 卷積神經網絡的設計126
7.3 為什么要使用卷積神經網絡128
7.4 圖像處理數據集130
7.5 CNN發展歷程133
7.5.1 AlexNet134
7.5.2 VGG136
7.5.3 Inception138
7.5.4 ResNet139
第8章 使用Keras構建卷積神經網絡144
8.1 Keras中的卷積層144
8.2 Keras中的池化層147
8.3 Keras中的全連接層148
8.4 實例1：使用卷積神經網絡處理手寫體分類問題148
8.5 實例2：重復使用已經訓練好的卷積神經網絡模型152
8.6 圖像的數據增強158
8.6.1 使用ImageDataGenerator進行數據增強158
8.6.2 使用增強數據進行模型訓練163
第9章 卷積神經網絡可視化166
9.1 概述166
9.2 對神經網絡進行可視化168
9.2.1 可視化神經網絡的中間層168
9.2.2 可視化過濾器173
9.3 對關注點進行可視化176
9.3.1 顯著圖177
9.3.2 類激活圖180
9.4 自動駕駛的應用182
第10章 遷移學習185
10.1 什么是遷移學習185
10.2 為什么要使用遷移學習186
10.3 遷移學習的適用性187
10.4 在Keras中進行遷移學習189
10.4.1 在MNIST上遷移學習的例子190
10.4.2 遷移學習的適用情況193
10.4.3 實例194
第11章 循環神經網絡205
11.1 神經網絡中的序列問題205
11.2 循環神經網絡的使用207
11.2.1 輸入/輸出207
11.2.2 前向傳播209
11.2.3 反向傳播213
11.3 長短期記憶網絡215
11.4 應用場景217
第12章 使用Keras構建循環神經網絡221
12.1 Keras中的循環層221
12.2 Keras中的嵌入層224
12.3 IMDB實例226
12.3.1 全連接網絡227
12.3.2 SimpleRNN229
12.3.3 LSTM231
12.3.4 雙向循環神經網絡232
12.3.5 用了卷積層的循環網絡結構234
12.4 LSTM實例237
12.4.1 深度學習中的時間序列問題237
12.4.2 使用更多的歷史信息242
12.4.3 多個時間步長的預測244
12.5 有狀態的循環神經網絡247
12.5.1 字母預測問題248
12.5.2 有狀態的LSTM252
第1章 深度學習入門1
1.1 什么是深度學習1
1.1.1 深度學習是一種特定類型的機器學習2
1.1.2 深度學習是數學問題3
1.1.3 深度學習是一個黑箱5
1.2 深度學習的發展6
1.3 認識當前的深度學習7
1.3.1 為什么是現在8
1.3.2 當數據成為“燃料”8
1.3.3 深度學習的突破10
1.4 深度學習的應用領域12
1.4.1 深度學習適合做什么12
1.4.2 深度學習的應用場景14
1.5 如何入門深度學習15
第2章 深度學習的環境準備17
2.1 選擇Python作為深度學習的編程語言17
2.2 深度學習常用框架介紹18
2.3 選擇適合自己的框架21
2.4 Python的安裝25
2.4.1 概述25
2.4.2 安裝Anaconda26
2.4.3 使用conda進行環境管理和包管理27
2.5 Keras的安裝29
2.5.1 什么是Keras29
2.5.2 安裝TensorFlow30
2.5.3 安裝Keras31
第3章 深度學習的知識準備32
3.1 概率論33
3.1.1 什么是概率33
3.1.2 概率分布35
3.1.3 信息論38
3.2 線性代數40
3.2.1 矩陣40
3.2.2 矩陣的運算43
3.2.3 從矩陣中取值45
3.2.4 相關術語46
3.3 導數47
3.3.1 什么是導數48
3.3.2 鏈式法則49
3.4 機器學習基礎50
3.4.1 監督學習50
3.4.2 分類和回歸51
3.4.3 訓練、驗證和預測53
第4章 神經網絡56
4.1 神經網絡與深度學習56
4.1.1 生物學中的神經網絡56
4.1.2 深度學習網絡58
4.2 前向傳播算法60
4.2.1 神經網絡的表示60
4.2.2 神經元的計算61
4.2.3 激活函數62
4.2.4 神經網絡的前向傳播64
4.3 反向傳播算法67
4.3.1 神經網絡的訓練68
4.3.2 損失函數69
4.3.3 梯度下降71
4.3.4 神經網絡的反向傳播73
4.4 更好地訓練神經網絡75
4.4.1 選擇正確的損失函數75
4.4.2 選擇通用的激活函數76
4.4.3 更合適的優化算法76
4.4.4 選擇合適的批量77
4.4.5 參數初始化78
第5章 使用Keras構建神經網絡80
5.1 Keras中的模型81
5.2 Keras中的網絡層82
5.3 模型的編譯83
5.3.1 優化器83
5.3.2 損失函數84
5.3.3 性能評估85
5.4 訓練模型85
5.5 使用訓練好的模型86
5.6 實例：手寫體分類問題86
5.7 Keras批量訓練大量數據92
5.8 在Keras中重復使用模型97
第6章 神經網絡的進一步優化100
6.1 過擬合100
6.2 梯度消失和梯度爆炸106
6.3 局部*優110
6.4 批量歸一化111
第7章 卷積神經網絡115
7.1 計算機視覺和圖像識別115
7.2 卷積神經網絡基礎118
7.2.1 卷積神經網絡的結構118
7.2.2 卷積層119
7.2.3 池化層125
7.2.4 卷積神經網絡的設計126
7.3 為什么要使用卷積神經網絡128
7.4 圖像處理數據集130
7.5 CNN發展歷程133
7.5.1 AlexNet134
7.5.2 VGG136
7.5.3 Inception138
7.5.4 ResNet139
第8章 使用Keras構建卷積神經網絡144
8.1 Keras中的卷積層144
8.2 Keras中的池化層147
8.3 Keras中的全連接層148
8.4 實例1：使用卷積神經網絡處理手寫體分類問題148
8.5 實例2：重復使用已經訓練好的卷積神經網絡模型152
8.6 圖像的數據增強158
8.6.1 使用ImageDataGenerator進行數據增強158
8.6.2 使用增強數據進行模型訓練163
第9章 卷積神經網絡可視化166
9.1 概述166
9.2 對神經網絡進行可視化168
9.2.1 可視化神經網絡的中間層168
9.2.2 可視化過濾器173
9.3 對關注點進行可視化176
9.3.1 顯著圖177
9.3.2 類激活圖180
9.4 自動駕駛的應用182
第10章 遷移學習185
10.1 什么是遷移學習185
10.2 為什么要使用遷移學習186
10.3 遷移學習的適用性187
10.4 在Keras中進行遷移學習189
10.4.1 在MNIST上遷移學習的例子190
10.4.2 遷移學習的適用情況193
10.4.3 實例194
第11章 循環神經網絡205
11.1 神經網絡中的序列問題205
11.2 循環神經網絡的使用207
11.2.1 輸入/輸出207
11.2.2 前向傳播209
11.2.3 反向傳播213
11.3 長短期記憶網絡215
11.4 應用場景217
第12章 使用Keras構建循環神經網絡221
12.1 Keras中的循環層221
12.2 Keras中的嵌入層224
12.3 IMDB實例226
12.3.1 全連接網絡227
12.3.2 SimpleRNN229
12.3.3 LSTM231
12.3.4 雙向循環神經網絡232
12.3.5 用了卷積層的循環網絡結構234
12.4 LSTM實例237
12.4.1 深度學習中的時間序列問題237
12.4.2 使用更多的歷史信息242
12.4.3 多個時間步長的預測244
12.5 有狀態的循環神經網絡247
12.5.1 字母預測問題248
12.5.2 有狀態的LSTM252
展開全部
書友推薦
- >
煙與鏡
- >
我與地壇
- >
朝聞道
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
經典常談
- >
名家帶你讀魯迅:故事新編
- >
有舍有得是人生
- >
月亮與六便士
本類暢銷
