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
深度學習快速實踐:基于TensorFlow和Kears的深度神經網絡優化與訓練 版權信息
- ISBN：9787111646273
- 條形碼：9787111646273 ; 978-7-111-64627-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習快速實踐:基于TensorFlow和Kears的深度神經網絡優化與訓練 本書特色
《深度學習快速實踐--——基于TensorFlow和Keras的深度神經網絡優化與訓練》內容包括神經網絡的基礎、深度神經網絡的優化和驗證、深度神經網絡開發和訓練環境的構建、使用Tensor-Board 進行網絡訓練的監控和模的超參數優化。本書詳細介紹的深度學習問題，包括基本的回歸問題、二元分類問題和多元分類問題，還包括較為復雜的卷積神經網絡對圖像的分類和使用預訓練CNN 進行的遷移學習；使用遞歸神經網絡進行時間序列預測、自然語言分類，以及通過sequence-to-sequence 模型進行機器翻譯；深度強化學習的智能體構建，以及生成對抗網絡的圖像生成。
深度學習快速實踐:基于TensorFlow和Kears的深度神經網絡優化與訓練 內容簡介
本書內容包括神經網絡的基礎，深度神經網絡的優化和驗證，深度神經網絡開發和訓練環境的構建，使用TensorBoard進行網絡訓練的監控，以及模的超參數優化。本書詳細介紹的深度學習問題，包括基本的回歸問題、二元分類問題和多元分類問題；還包括較為復雜的卷積神經網絡對圖像的分類和使用預訓練CNN進行的遷移學習；使用遞歸神經網絡進行時間序列預測、自然語言分類，以及通過sequence-to-sequence模型進行機器翻譯；深度強化學習的智能體構建，以及生成對抗網絡的圖像生成。
深度學習快速實踐:基于TensorFlow和Kears的深度神經網絡優化與訓練 目錄
目 錄
譯者序
原書序
原書前言
第1 章 深度學習的構建模塊 // 1
1.1 深度神經網絡的架構 // 1
1.1.1 神經元 // 1
1.1.2 深度學習中的代價函數和成本函數 // 4
1.1.3 前向傳播過程 // 5
1.1.4 反向傳播函數 // 5
1.1.5 隨機和小批量梯度下降 // 6
1.2 深度學習的優化算法 // 6
1.2.1 采用具有動量的梯度下降 // 6
1.2.2 RMSProp 算法 // 7
1.2.3 Adam 優化器 // 7
1.3 深度學習平臺架構 // 7
1.3.1 什么是TensorFlow ？ // 7
1.3.2 什么是Keras ？ // 8
1.3.3 TensorFlow 的熱門替代品 // 8
1.3.4 TensorFlow 和Keras 對GPU的要求 // 8
1.3.5 安裝Nvidia CUDA Toolkit 和cuDNN // 9
1.3.6 安裝Python // 10
1.3.7 安裝TensorFlow 和Keras // 11
1.4 深度學習數據集的構建 // 12
1.4.1 深度學習中的偏差和方差誤差 // 13
1.4.2 train、val 和test 數據集 // 13
1.4.3 深度神經網絡中的偏差和方差管理 // 14
1.4.4 K-Fold 交叉驗證 // 14
1.5 小結 // 15
第2 章 用深度學習解決回歸問題 // 16
2.1 回歸分析和深度神經網絡 // 16
2.1.1 使用神經網絡進行回歸的好處 // 16
2.1.2 使用神經網絡進行回歸時需要注意的問題 // 17
2.2 使用深度神經網絡進行回歸 // 17
2.2.1 如何規劃機器學習問題 // 17
2.2.2 定義示例問題 // 17
2.2.3 加載數據集 // 18
2.2.4 定義成本函數 // 19
2.3 在Keras 中建立MLP // 19
2.3.1 輸入層的構形 // 20
2.3.2 隱藏層的構形 // 20
2.3.3 輸出層的構形 // 20
2.3.4 神經網絡的架構 // 20
2.3.5 訓練Keras 模型 // 21
2.3.6 評測模型的性能 // 22
2.4 在Keras 中建立深度神經網絡 // 22
2.4.1 評測深度神經網絡的性能 // 24
2.4.2 模型超參數的調優 // 25
2.5 保存并加載經過訓練的Keras模型 // 25
2.6 小結 // 25
第3 章 用TensorBoard 監控網絡訓練 // 27
3.1 TensorBoard 的概述 // 27
3.2 設置TensorBoard // 27
3.2.1 安裝TensorBoard // 28
3.2.2 TensorBoard 如何與Keras /TensorFlow 會話 // 28
3.2.3 運行TensorBoard // 28
3.3 將Keras 連接到TensorBoard // 29
3.3.1 Keras 回調簡介 // 29
3.3.2 創建TensorBoard 回調函數 // 29
3.4 使用TensorBoard // 31
3.4.1 網絡訓練的可視化 // 31
3.4.2 網絡結構的可視化 // 32
3.4.3 網絡破碎的可視化 // 32
3.5 小結 // 33
第4 章 用深度學習解決二元分類問題 // 34
4.1 二元分類和深度神經網絡 // 34
4.1.1 深度神經網絡的優點 // 34
4.1.2 深度神經網絡的缺點 // 35
4.2 案例研究—癲癇發作識別 // 35
4.2.1 定義數據集 // 35
4.2.2 加載數據 // 35
4.2.3 模型的輸入和輸出 // 36
4.2.4 成本函數 // 36
4.2.5 性能評估所采用的度量指標 // 37
4.3 在Keras 中構建二元分類器 // 37
4.3.1 輸入層 // 38
4.3.2 隱藏層 // 38
4.3.3 輸出層 // 39
4.3.4 網絡層的合并 // 39
4.3.5 訓練模型 // 40
4.4 使用Keras 中的檢查點回調函數 // 40
4.5 在自定義回調函數中測量ROC AUC // 41
4.6 精度、召回率和f1 積分的測量 // 42
4.7 小結 // 43
第5 章 用Keras 解決多元分類問題 //44
5.1 多元分類和深度神經網絡 // 44
5.1.1 優勢 // 44
5.1.2 缺點 // 45
5.2 案例研究—手寫數字的分類 // 45
5.2.1 問題定義 // 45
5.2.2 模型的輸入和輸出 // 45
5.2.3 成本函數 // 46
5.2.4 度量 // 46
5.3 在Keras 中構建多元分類器 // 47
5.3.1 加載MNIST // 47
5.3.2 輸入層 // 47
5.3.3 隱藏層 // 47
5.3.4 輸出層 // 48
5.3.5 網絡的總體結構 // 49
5.3.6 訓練 // 49
5.3.7 多類模型中scikit-learn 度量指標的應用 // 50
5.4 通過Dropout 進行方差控制 // 51
5.5 采用正則化進行方差控制 // 54
5.6 小結 // 55
第6 章 超參數的優化 // 56
6.1 網絡體系結構應該被視為超參數嗎？ // 56
6.1.1 站在巨人的肩膀上 // 56
6.1.2 添加至過度擬合，然后進行正則化 // 57
6.1.3 實用建議 // 57
6.2 應該優化哪些超參數？ // 57
6.3 超參數優化策略 // 58
6.3.1 常用的策略 // 58
6.3.2 通過scikit-learn 使用隨機搜索 // 59
6.3.3 Hyperband // 60
6.4 小結 // 62
第7 章 從頭開始訓練CNN // 63
7.1 卷積的引入 // 63
7.1.1 卷積層的工作原理 // 64
7.1.2 卷積層的好處 // 65
7.1.3 匯集層 // 66
7.1.4 批量正則化 // 67
7.2 在Keras 中訓練卷積神經網絡 // 67
7.2.1 輸入 // 67
7.2.2 輸出 // 67
7.2.3 成本函數和度量指標 // 67
7.2.4 卷積層 // 68
7.2.5 全相連層 // 68
7.2.6 Keras 中的多GPU 模型 // 69
7.2.7 訓練 // 69
7.3 使用數據擴增 // 70
7.3.1 Keras 中的圖像數據擴增器（ImageDataGenerator 類） // 71
7.3.2 具有數據擴增的訓練 // 72
7.4 小結 // 72
第8 章 使用預訓練CNN 進行
遷移學習 // 73
8.1 遷移學習概述 // 73
8.2 何
譯者序
原書序
原書前言
第1 章 深度學習的構建模塊 // 1
1.1 深度神經網絡的架構 // 1
1.1.1 神經元 // 1
1.1.2 深度學習中的代價函數和成本函數 // 4
1.1.3 前向傳播過程 // 5
1.1.4 反向傳播函數 // 5
1.1.5 隨機和小批量梯度下降 // 6
1.2 深度學習的優化算法 // 6
1.2.1 采用具有動量的梯度下降 // 6
1.2.2 RMSProp 算法 // 7
1.2.3 Adam 優化器 // 7
1.3 深度學習平臺架構 // 7
1.3.1 什么是TensorFlow ？ // 7
1.3.2 什么是Keras ？ // 8
1.3.3 TensorFlow 的熱門替代品 // 8
1.3.4 TensorFlow 和Keras 對GPU的要求 // 8
1.3.5 安裝Nvidia CUDA Toolkit 和cuDNN // 9
1.3.6 安裝Python // 10
1.3.7 安裝TensorFlow 和Keras // 11
1.4 深度學習數據集的構建 // 12
1.4.1 深度學習中的偏差和方差誤差 // 13
1.4.2 train、val 和test 數據集 // 13
1.4.3 深度神經網絡中的偏差和方差管理 // 14
1.4.4 K-Fold 交叉驗證 // 14
1.5 小結 // 15
第2 章 用深度學習解決回歸問題 // 16
2.1 回歸分析和深度神經網絡 // 16
2.1.1 使用神經網絡進行回歸的好處 // 16
2.1.2 使用神經網絡進行回歸時需要注意的問題 // 17
2.2 使用深度神經網絡進行回歸 // 17
2.2.1 如何規劃機器學習問題 // 17
2.2.2 定義示例問題 // 17
2.2.3 加載數據集 // 18
2.2.4 定義成本函數 // 19
2.3 在Keras 中建立MLP // 19
2.3.1 輸入層的構形 // 20
2.3.2 隱藏層的構形 // 20
2.3.3 輸出層的構形 // 20
2.3.4 神經網絡的架構 // 20
2.3.5 訓練Keras 模型 // 21
2.3.6 評測模型的性能 // 22
2.4 在Keras 中建立深度神經網絡 // 22
2.4.1 評測深度神經網絡的性能 // 24
2.4.2 模型超參數的調優 // 25
2.5 保存并加載經過訓練的Keras模型 // 25
2.6 小結 // 25
第3 章 用TensorBoard 監控網絡訓練 // 27
3.1 TensorBoard 的概述 // 27
3.2 設置TensorBoard // 27
3.2.1 安裝TensorBoard // 28
3.2.2 TensorBoard 如何與Keras /TensorFlow 會話 // 28
3.2.3 運行TensorBoard // 28
3.3 將Keras 連接到TensorBoard // 29
3.3.1 Keras 回調簡介 // 29
3.3.2 創建TensorBoard 回調函數 // 29
3.4 使用TensorBoard // 31
3.4.1 網絡訓練的可視化 // 31
3.4.2 網絡結構的可視化 // 32
3.4.3 網絡破碎的可視化 // 32
3.5 小結 // 33
第4 章 用深度學習解決二元分類問題 // 34
4.1 二元分類和深度神經網絡 // 34
4.1.1 深度神經網絡的優點 // 34
4.1.2 深度神經網絡的缺點 // 35
4.2 案例研究—癲癇發作識別 // 35
4.2.1 定義數據集 // 35
4.2.2 加載數據 // 35
4.2.3 模型的輸入和輸出 // 36
4.2.4 成本函數 // 36
4.2.5 性能評估所采用的度量指標 // 37
4.3 在Keras 中構建二元分類器 // 37
4.3.1 輸入層 // 38
4.3.2 隱藏層 // 38
4.3.3 輸出層 // 39
4.3.4 網絡層的合并 // 39
4.3.5 訓練模型 // 40
4.4 使用Keras 中的檢查點回調函數 // 40
4.5 在自定義回調函數中測量ROC AUC // 41
4.6 精度、召回率和f1 積分的測量 // 42
4.7 小結 // 43
第5 章 用Keras 解決多元分類問題 //44
5.1 多元分類和深度神經網絡 // 44
5.1.1 優勢 // 44
5.1.2 缺點 // 45
5.2 案例研究—手寫數字的分類 // 45
5.2.1 問題定義 // 45
5.2.2 模型的輸入和輸出 // 45
5.2.3 成本函數 // 46
5.2.4 度量 // 46
5.3 在Keras 中構建多元分類器 // 47
5.3.1 加載MNIST // 47
5.3.2 輸入層 // 47
5.3.3 隱藏層 // 47
5.3.4 輸出層 // 48
5.3.5 網絡的總體結構 // 49
5.3.6 訓練 // 49
5.3.7 多類模型中scikit-learn 度量指標的應用 // 50
5.4 通過Dropout 進行方差控制 // 51
5.5 采用正則化進行方差控制 // 54
5.6 小結 // 55
第6 章 超參數的優化 // 56
6.1 網絡體系結構應該被視為超參數嗎？ // 56
6.1.1 站在巨人的肩膀上 // 56
6.1.2 添加至過度擬合，然后進行正則化 // 57
6.1.3 實用建議 // 57
6.2 應該優化哪些超參數？ // 57
6.3 超參數優化策略 // 58
6.3.1 常用的策略 // 58
6.3.2 通過scikit-learn 使用隨機搜索 // 59
6.3.3 Hyperband // 60
6.4 小結 // 62
第7 章 從頭開始訓練CNN // 63
7.1 卷積的引入 // 63
7.1.1 卷積層的工作原理 // 64
7.1.2 卷積層的好處 // 65
7.1.3 匯集層 // 66
7.1.4 批量正則化 // 67
7.2 在Keras 中訓練卷積神經網絡 // 67
7.2.1 輸入 // 67
7.2.2 輸出 // 67
7.2.3 成本函數和度量指標 // 67
7.2.4 卷積層 // 68
7.2.5 全相連層 // 68
7.2.6 Keras 中的多GPU 模型 // 69
7.2.7 訓練 // 69
7.3 使用數據擴增 // 70
7.3.1 Keras 中的圖像數據擴增器（ImageDataGenerator 類） // 71
7.3.2 具有數據擴增的訓練 // 72
7.4 小結 // 72
第8 章 使用預訓練CNN 進行
遷移學習 // 73
8.1 遷移學習概述 // 73
8.2 何
展開全部
深度學習快速實踐:基于TensorFlow和Kears的深度神經網絡優化與訓練 作者簡介
邁克·貝尼科（Mike Bernico），是State Farm Mutual Insurance Companies的首席數據科學家。他還是伊利諾伊（Illinois）大學斯普林菲爾德（Springfield）分校的兼職教授，在那里他教授數據科學基礎、高級神經網絡和深度學習。Mike在Illinois大學Springfield分校獲得了計算機科學碩士學位。他是開源軟件的倡導者，并相信開源能為世界帶來好處。作為一個有著無數愛好的終身學習者，Mike還喜歡騎自行車、旅游攝影和釀酒。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
伯納黛特,你要去哪(2021新版)
- >
上帝之肋:男人的真實旅程
- >
有舍有得是人生
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
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)
- >
月亮虎
本類暢銷
