中圖網(wǎng)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(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(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(shù)：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(fā)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(yōu)化。
本書共12章，主要內容包括深度學習基礎、深度學習的環(huán)境準備、深度學習的知識準備、神經(jīng)網(wǎng)絡基礎知識、使用Keras構建神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡的進一步優(yōu)化、卷積神經(jīng)網(wǎng)絡、使用Keras構建卷積神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡可視化、遷移學習、循環(huán)神經(jīng)網(wǎng)絡和使用Keras構建循環(huán)神經(jīng)網(wǎng)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(fā)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(yōu)化。本書共12章，主要內容包括深度學習基礎、深度學習的環(huán)境準備、深度學習的知識準備、神經(jīng)網(wǎng)絡基礎知識、使用Keras構建神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡的進一步優(yōu)化、卷積神經(jīng)網(wǎng)絡、使用Keras構建卷積神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡可視化、遷移學習、循環(huán)神經(jīng)網(wǎng)絡和使用Keras構建循環(huán)神經(jīng)網(wǎng)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(shù)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(fā)展6
1.3 認識當前的深度學習7
1.3.1 為什么是現(xiàn)在8
1.3.2 當數(shù)據(jù)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(huán)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(huán)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(shù)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(shù)47
3.3.1 什么是導數(shù)48
3.3.2 鏈式法則49
3.4 機器學習基礎50
3.4.1 監(jiān)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(jīng)網(wǎng)絡56
4.1 神經(jīng)網(wǎng)絡與深度學習56
4.1.1 生物學中的神經(jīng)網(wǎng)絡56
4.1.2 深度學習網(wǎng)絡58
4.2 前向傳播算法60
4.2.1 神經(jīng)網(wǎng)絡的表示60
4.2.2 神經(jīng)元的計算61
4.2.3 激活函數(shù)62
4.2.4 神經(jīng)網(wǎng)絡的前向傳播64
4.3 反向傳播算法67
4.3.1 神經(jīng)網(wǎng)絡的訓練68
4.3.2 損失函數(shù)69
4.3.3 梯度下降71
4.3.4 神經(jīng)網(wǎng)絡的反向傳播73
4.4 更好地訓練神經(jīng)網(wǎng)絡75
4.4.1 選擇正確的損失函數(shù)75
4.4.2 選擇通用的激活函數(shù)76
4.4.3 更合適的優(yōu)化算法76
4.4.4 選擇合適的批量77
4.4.5 參數(shù)初始化78
第5章 使用Keras構建神經(jīng)網(wǎng)絡80
5.1 Keras中的模型81
5.2 Keras中的網(wǎng)絡層82
5.3 模型的編譯83
5.3.1 優(yōu)化器83
5.3.2 損失函數(shù)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(shù)據(jù)92
5.8 在Keras中重復使用模型97
第6章 神經(jīng)網(wǎng)絡的進一步優(yōu)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(yōu)110
6.4 批量歸一化111
第7章 卷積神經(jīng)網(wǎng)絡115
7.1 計算機視覺和圖像識別115
7.2 卷積神經(jīng)網(wǎng)絡基礎118
7.2.1 卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的設計126
7.3 為什么要使用卷積神經(jīng)網(wǎng)絡128
7.4 圖像處理數(shù)據(jù)集130
7.5 CNN發(fā)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(jīng)網(wǎng)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(jīng)網(wǎng)絡處理手寫體分類問題148
8.5 實例2：重復使用已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡模型152
8.6 圖像的數(shù)據(jù)增強158
8.6.1 使用ImageDataGenerator進行數(shù)據(jù)增強158
8.6.2 使用增強數(shù)據(jù)進行模型訓練163
第9章 卷積神經(jīng)網(wǎng)絡可視化166
9.1 概述166
9.2 對神經(jīng)網(wǎng)絡進行可視化168
9.2.1 可視化神經(jīng)網(wǎng)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(huán)神經(jīng)網(wǎng)絡205
11.1 神經(jīng)網(wǎng)絡中的序列問題205
11.2 循環(huán)神經(jīng)網(wǎng)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(wǎng)絡215
11.4 應用場景217
第12章 使用Keras構建循環(huán)神經(jīng)網(wǎng)絡221
12.1 Keras中的循環(huán)層221
12.2 Keras中的嵌入層224
12.3 IMDB實例226
12.3.1 全連接網(wǎng)絡227
12.3.2 SimpleRNN229
12.3.3 LSTM231
12.3.4 雙向循環(huán)神經(jīng)網(wǎng)絡232
12.3.5 用了卷積層的循環(huán)網(wǎng)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(tài)的循環(huán)神經(jīng)網(wǎng)絡247
12.5.1 字母預測問題248
12.5.2 有狀態(tài)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(shù)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(fā)展6
1.3 認識當前的深度學習7
1.3.1 為什么是現(xiàn)在8
1.3.2 當數(shù)據(jù)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(huán)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(huán)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(shù)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(shù)47
3.3.1 什么是導數(shù)48
3.3.2 鏈式法則49
3.4 機器學習基礎50
3.4.1 監(jiān)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(jīng)網(wǎng)絡56
4.1 神經(jīng)網(wǎng)絡與深度學習56
4.1.1 生物學中的神經(jīng)網(wǎng)絡56
4.1.2 深度學習網(wǎng)絡58
4.2 前向傳播算法60
4.2.1 神經(jīng)網(wǎng)絡的表示60
4.2.2 神經(jīng)元的計算61
4.2.3 激活函數(shù)62
4.2.4 神經(jīng)網(wǎng)絡的前向傳播64
4.3 反向傳播算法67
4.3.1 神經(jīng)網(wǎng)絡的訓練68
4.3.2 損失函數(shù)69
4.3.3 梯度下降71
4.3.4 神經(jīng)網(wǎng)絡的反向傳播73
4.4 更好地訓練神經(jīng)網(wǎng)絡75
4.4.1 選擇正確的損失函數(shù)75
4.4.2 選擇通用的激活函數(shù)76
4.4.3 更合適的優(yōu)化算法76
4.4.4 選擇合適的批量77
4.4.5 參數(shù)初始化78
第5章 使用Keras構建神經(jīng)網(wǎng)絡80
5.1 Keras中的模型81
5.2 Keras中的網(wǎng)絡層82
5.3 模型的編譯83
5.3.1 優(yōu)化器83
5.3.2 損失函數(shù)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(shù)據(jù)92
5.8 在Keras中重復使用模型97
第6章 神經(jīng)網(wǎng)絡的進一步優(yōu)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(yōu)110
6.4 批量歸一化111
第7章 卷積神經(jīng)網(wǎng)絡115
7.1 計算機視覺和圖像識別115
7.2 卷積神經(jīng)網(wǎng)絡基礎118
7.2.1 卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的設計126
7.3 為什么要使用卷積神經(jīng)網(wǎng)絡128
7.4 圖像處理數(shù)據(jù)集130
7.5 CNN發(fā)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(jīng)網(wǎng)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(jīng)網(wǎng)絡處理手寫體分類問題148
8.5 實例2：重復使用已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡模型152
8.6 圖像的數(shù)據(jù)增強158
8.6.1 使用ImageDataGenerator進行數(shù)據(jù)增強158
8.6.2 使用增強數(shù)據(jù)進行模型訓練163
第9章 卷積神經(jīng)網(wǎng)絡可視化166
9.1 概述166
9.2 對神經(jīng)網(wǎng)絡進行可視化168
9.2.1 可視化神經(jīng)網(wǎng)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(huán)神經(jīng)網(wǎng)絡205
11.1 神經(jīng)網(wǎng)絡中的序列問題205
11.2 循環(huán)神經(jīng)網(wǎng)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(wǎng)絡215
11.4 應用場景217
第12章 使用Keras構建循環(huán)神經(jīng)網(wǎng)絡221
12.1 Keras中的循環(huán)層221
12.2 Keras中的嵌入層224
12.3 IMDB實例226
12.3.1 全連接網(wǎng)絡227
12.3.2 SimpleRNN229
12.3.3 LSTM231
12.3.4 雙向循環(huán)神經(jīng)網(wǎng)絡232
12.3.5 用了卷積層的循環(huán)網(wǎng)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(tài)的循環(huán)神經(jīng)網(wǎng)絡247
12.5.1 字母預測問題248
12.5.2 有狀態(tài)的LSTM252
展開全部
書友推薦
- >
巴金－再思錄
- >
伯納黛特,你要去哪(2021新版)
- >
羅庸西南聯(lián)大授課錄
- >
月亮與六便士
- >
中國歷史的瞬間
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
本類暢銷
