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
深度學習入門與TensorFlow實踐 版權信息
- ISBN：9787115575333
- 條形碼：9787115575333 ; 978-7-115-57533-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習入門與TensorFlow實踐 本書特色
基于TensorFlow 2，系統講述如何搭建、訓練和應用深度學習模型；本書旨在填補理論和應用的鴻溝，幫助讀者更好、更快地掌握深度學習的算法和原理。本書旨在講述深度學習的各種基本算法和原理，以及如何使用Python實現這些算法。本書首先介紹深度學習的相關基礎知識，然后討論深度神經網絡的訓練、激活函數與正則化等技術，接著講述卷積神經網絡及其搭建方法，*后闡述循環神經網絡及其搭建方法。通過本書，讀者可以深入理解如何基于TensorFlow 2搭建、訓練和應用深度學習模型。本書主要內容：·線性模型、激活函數；·深度神經網絡、卷積神經網絡、循環神經網絡；·模型評估和正則化；·搭建深度學習框架；·基于TensorFlow 2搭建卷積神經網絡模型；·基于TensorFlow 2搭建循環神經網絡模型。
深度學習入門與TensorFlow實踐 內容簡介
本書首先介紹深度學習方面的數學知識與Python基礎知識，線性模型中的線性回歸模型和logistic模型；然后講述正向傳播算法、反向傳播算法及深度神經網絡的完整訓練流程，輸出層的激活函數和隱藏層的常見激活函數，深度學習的過擬合和欠擬合，應對過擬合的方法，以及使用TensorFlow 2建立深度神經網絡模型的步驟；接著介紹卷積神經網絡及其兩個重要的組成部分—卷積和池化，以及如何使用TensorFlow 2建立卷積神經網絡；很后討論如何從零開始實現循環神經網絡，如何搭建深度學習框架，如何使用TensorFlow 2建立循環神經網絡模型。 本書既可供從事人工智能方面研究的專業人士閱讀，也可供計算機專業的師生閱讀。
深度學習入門與TensorFlow實踐 目錄
目 錄
第 1章 深度學習簡介 1
1．1 什么是深度學習 1
1．1．1 機器學習簡介 1
1．1．2 深度學習與傳統機器學習算法的區別 4
1．1．3 深度學習與人類神經網絡的關系 4
1．2 為什么需要學習深度學習 5
1．3 誰需要學習深度學習 6
1．4 學深度學習之后，你可以做什么 6
1．5 本章小結 6
第 2章 數學和Python基礎知識 7
2．1 線性代數 7
2．1．1 數、向量、矩陣和張量 7
2．1．2 矩陣的轉置 8
2．1．3 矩陣的基本運算 9
2．1．4 向量和矩陣的范數 10
2．2 微積分 10
2．2．1 導數的概念 10
2．2．2 求導法則 11
2．3 概率論 11
2．3．1 隨機變量 12
2．3．2 隨機變量的分布 12
2．3．3 常見的概率分布 13
2．3．4 條件概率 14
2．4 Anaconda 14
2．4．1 安裝Anaconda 14
2．4．2 包的管理 15
2．4．3 環境的管理 15
2．5 Jupyter Notebook 16
2．5．1 安裝Jupyter Notebook 16
2．5．2 打開和關閉Jupyter Notebook 17
2．5．3 代碼框 18
2．5．4 標記框 19
2．6 Python 22
2．6．1 Python基礎 22
2．6．2 Python基本數據結構 23
2．6．3 控制結構和函數 26
2．6．4 NumPy庫 28
2．6．5 Pandas 31
2．6．6 畫圖工具 32
2．7 本章小結 35
第3章 線性模型 36
3．1 線性回歸模型 36
3．1．1 線性回歸模型簡介 36
3．1．2 隨機梯度下降法 41
3．1．3 全數據梯度下降法 50
3．1．4 批量隨機梯度下降法 56
3．1．5 學習步長 59
3．1．6 標準化和中心化 61
3．1．7 3種梯度下降法的對比 62
3．2 logistic模型 63
3．2．1 logistic模型簡介 63
3．2．2 估計 和 66
3．3 本章小結 70
習題 70
第4章 深度神經網絡 72
4．1 為什么需要深度神經網絡 72
4．1．1 簡單神經網絡 72
4．1．2 具有隱藏層的神經網絡 78
4．2 正向傳播算法 83
4．3 反向傳播算法 87
4．4 深度神經網絡的完整訓練流程 96
4．4．1 隨機梯度下降法 96
4．4．2 批量隨機梯度下降法 98
4．5 本章小結 102
習題 103
第5章 激活函數 104
5．1 激活函數的基本要求 104
5．2 輸出層的激活函數 107
5．2．1 因變量為定量數據 107
5．2．2 因變量為二分類定性數據 108
5．2．3 因變量為多分類定性數據 108
5．2．4 識別MNIST數據集中的手寫數字 111
5．3 隱藏層的激活函數 116
5．3．1 sigmoid函數 116
5．3．2 tanh函數 118
5．3．3 ReLU函數 119
5．3．4 Leaky ReLU函數 121
5．4 本章小結 125
習題 126
第6章 模型評估和正則化 130
6．1 模型評估 130
6．2 欠擬合和過擬合 133
6．3 正則化 140
6．3．1 早停法 141
6．3．2 懲罰法 141
6．3．3 丟棄法 145
6．3．4 增加觀測點 151
6．4 本章小結 151
習題 152
第7章 基于TensorFlow 2建立深度學習模型 153
7．1 安裝TensorFlow 154
7．2 TensorFlow 2基本用法 154
7．2．1 tf．Tensor 154
7．2．2 TensorFlow 2和NumPy的兼容性 156
7．3 深度神經網絡建模基本步驟 156
7．3．1 創建模型結構 157
7．3．2 訓練模型 159
7．3．3 評估和預測模型 160
7．4 基于TensorFlow 2建立線性回歸模型 161
7．5 基于TensorFlow 2建立神經網絡分類模型 164
7．5．1 神經網絡分類模型 164
7．5．2 神經網絡模型的正則化 167
7．6 本章小結 169
習題 170
第8章 卷積神經網絡 171
8．1 卷積層 172
8．1．1 卷積運算 172
8．1．2 卷積層運算 173
8．1．3 卷積運算的直觀理解 175
8．1．4 填充 177
8．1．5 卷積層求導 178
8．1．6 用Python實現卷積層的計算 180
8．2 池化層 183
8．2．1 池化運算 183
8．2．2 池化層求導 185
8．2．3 用Python實現池化層的計算 187
8．3 卷積神經網絡 189
8．4 本章小結 196
習題 196
第9章 基于TensorFlow 2搭建卷積神經網絡模型 198
9．1 卷積層和池化層 199
9．2 CNN實例——MNIST數據集和CIFAR-10數據集 201
9．2．1 關于MNIST數據集的實例 201
9．2．2 關于CIFAR-10數據集的實例 207
9．3 CNN建模技巧 214
9．3．1 卷積神經網絡的結構 214
9．3．2 卷積層和池化層的超參數選擇 215
9．3．3 經典的卷積神經網絡 216
9．4 本章小結 219
習題 219
第 10章 循環神經網絡 221
10．1 分析IMDB的數據 221
10．1．1 IMDB的數據 221
10．1．2 神經網絡模型（IMDB） 225
10．2 詞嵌入 229
10．3 循環神經網絡 231
10．4 從零開始實現循環神經網絡 236
10．4．1 莎士比亞作品應用示例 236
10．4．2 正向傳播算法 239
10．4．3 反向傳播算法 241
10．5 本章小結 246
習題 247
第 11章 搭建深度學習框架 248
11．1 類Tensor和自動求導 248
11．1．1 類 248
11．1．2 類Tensor 250
11．1．3 自動求導 251
11．2 為Tensor類添加運算函數并建立神經網絡模型 258
11．2．1 為Tensor類添加運算函數 258
11．2．2 使用Tensor類建立神經網絡模型 264
11．3 類SGD、類Layer和激活函數 266
11．3．1 類SGD 266
11．3．2 類Layer 267
11．3．3 激活函數 270
11．4 詞嵌入和循環神經網絡 278
11．4．1 詞嵌入 278
11．4．2 循環神經網絡 285
11．5 本章小結 291
習題 291
第 12章 長短期記憶模型與門控循環單元模型 292
12．1 簡單循環神經網絡的主要缺陷 292
12．2 長短期記憶模型 298
12．2．1 LSTM模型的核心思想 299
12．2．2 詳解LSTM模型 299
12．2．3 實現LSTM模型 301
12．3 門控循環單元模型 306
12．3．1 詳解GRU模型 307
12．3．2 實現GRU模型 308
12．4 本章小結 311
習題 311
第 13章 基于TensorFlow 2搭建循環神經網絡模型 312
13．1 建立LSTM模型 312
13．1．1 預處理數據 313
13．1．2 基于TensorFlow建立LSTM模型 315
13．2 基于TensorFlow建立GRU模型 316
13．3 本章小結 325
習題 326
第 1章 深度學習簡介 1
1．1 什么是深度學習 1
1．1．1 機器學習簡介 1
1．1．2 深度學習與傳統機器學習算法的區別 4
1．1．3 深度學習與人類神經網絡的關系 4
1．2 為什么需要學習深度學習 5
1．3 誰需要學習深度學習 6
1．4 學深度學習之后，你可以做什么 6
1．5 本章小結 6
第 2章 數學和Python基礎知識 7
2．1 線性代數 7
2．1．1 數、向量、矩陣和張量 7
2．1．2 矩陣的轉置 8
2．1．3 矩陣的基本運算 9
2．1．4 向量和矩陣的范數 10
2．2 微積分 10
2．2．1 導數的概念 10
2．2．2 求導法則 11
2．3 概率論 11
2．3．1 隨機變量 12
2．3．2 隨機變量的分布 12
2．3．3 常見的概率分布 13
2．3．4 條件概率 14
2．4 Anaconda 14
2．4．1 安裝Anaconda 14
2．4．2 包的管理 15
2．4．3 環境的管理 15
2．5 Jupyter Notebook 16
2．5．1 安裝Jupyter Notebook 16
2．5．2 打開和關閉Jupyter Notebook 17
2．5．3 代碼框 18
2．5．4 標記框 19
2．6 Python 22
2．6．1 Python基礎 22
2．6．2 Python基本數據結構 23
2．6．3 控制結構和函數 26
2．6．4 NumPy庫 28
2．6．5 Pandas 31
2．6．6 畫圖工具 32
2．7 本章小結 35
第3章 線性模型 36
3．1 線性回歸模型 36
3．1．1 線性回歸模型簡介 36
3．1．2 隨機梯度下降法 41
3．1．3 全數據梯度下降法 50
3．1．4 批量隨機梯度下降法 56
3．1．5 學習步長 59
3．1．6 標準化和中心化 61
3．1．7 3種梯度下降法的對比 62
3．2 logistic模型 63
3．2．1 logistic模型簡介 63
3．2．2 估計 和 66
3．3 本章小結 70
習題 70
第4章 深度神經網絡 72
4．1 為什么需要深度神經網絡 72
4．1．1 簡單神經網絡 72
4．1．2 具有隱藏層的神經網絡 78
4．2 正向傳播算法 83
4．3 反向傳播算法 87
4．4 深度神經網絡的完整訓練流程 96
4．4．1 隨機梯度下降法 96
4．4．2 批量隨機梯度下降法 98
4．5 本章小結 102
習題 103
第5章 激活函數 104
5．1 激活函數的基本要求 104
5．2 輸出層的激活函數 107
5．2．1 因變量為定量數據 107
5．2．2 因變量為二分類定性數據 108
5．2．3 因變量為多分類定性數據 108
5．2．4 識別MNIST數據集中的手寫數字 111
5．3 隱藏層的激活函數 116
5．3．1 sigmoid函數 116
5．3．2 tanh函數 118
5．3．3 ReLU函數 119
5．3．4 Leaky ReLU函數 121
5．4 本章小結 125
習題 126
第6章 模型評估和正則化 130
6．1 模型評估 130
6．2 欠擬合和過擬合 133
6．3 正則化 140
6．3．1 早停法 141
6．3．2 懲罰法 141
6．3．3 丟棄法 145
6．3．4 增加觀測點 151
6．4 本章小結 151
習題 152
第7章 基于TensorFlow 2建立深度學習模型 153
7．1 安裝TensorFlow 154
7．2 TensorFlow 2基本用法 154
7．2．1 tf．Tensor 154
7．2．2 TensorFlow 2和NumPy的兼容性 156
7．3 深度神經網絡建模基本步驟 156
7．3．1 創建模型結構 157
7．3．2 訓練模型 159
7．3．3 評估和預測模型 160
7．4 基于TensorFlow 2建立線性回歸模型 161
7．5 基于TensorFlow 2建立神經網絡分類模型 164
7．5．1 神經網絡分類模型 164
7．5．2 神經網絡模型的正則化 167
7．6 本章小結 169
習題 170
第8章 卷積神經網絡 171
8．1 卷積層 172
8．1．1 卷積運算 172
8．1．2 卷積層運算 173
8．1．3 卷積運算的直觀理解 175
8．1．4 填充 177
8．1．5 卷積層求導 178
8．1．6 用Python實現卷積層的計算 180
8．2 池化層 183
8．2．1 池化運算 183
8．2．2 池化層求導 185
8．2．3 用Python實現池化層的計算 187
8．3 卷積神經網絡 189
8．4 本章小結 196
習題 196
第9章 基于TensorFlow 2搭建卷積神經網絡模型 198
9．1 卷積層和池化層 199
9．2 CNN實例——MNIST數據集和CIFAR-10數據集 201
9．2．1 關于MNIST數據集的實例 201
9．2．2 關于CIFAR-10數據集的實例 207
9．3 CNN建模技巧 214
9．3．1 卷積神經網絡的結構 214
9．3．2 卷積層和池化層的超參數選擇 215
9．3．3 經典的卷積神經網絡 216
9．4 本章小結 219
習題 219
第 10章 循環神經網絡 221
10．1 分析IMDB的數據 221
10．1．1 IMDB的數據 221
10．1．2 神經網絡模型（IMDB） 225
10．2 詞嵌入 229
10．3 循環神經網絡 231
10．4 從零開始實現循環神經網絡 236
10．4．1 莎士比亞作品應用示例 236
10．4．2 正向傳播算法 239
10．4．3 反向傳播算法 241
10．5 本章小結 246
習題 247
第 11章 搭建深度學習框架 248
11．1 類Tensor和自動求導 248
11．1．1 類 248
11．1．2 類Tensor 250
11．1．3 自動求導 251
11．2 為Tensor類添加運算函數并建立神經網絡模型 258
11．2．1 為Tensor類添加運算函數 258
11．2．2 使用Tensor類建立神經網絡模型 264
11．3 類SGD、類Layer和激活函數 266
11．3．1 類SGD 266
11．3．2 類Layer 267
11．3．3 激活函數 270
11．4 詞嵌入和循環神經網絡 278
11．4．1 詞嵌入 278
11．4．2 循環神經網絡 285
11．5 本章小結 291
習題 291
第 12章 長短期記憶模型與門控循環單元模型 292
12．1 簡單循環神經網絡的主要缺陷 292
12．2 長短期記憶模型 298
12．2．1 LSTM模型的核心思想 299
12．2．2 詳解LSTM模型 299
12．2．3 實現LSTM模型 301
12．3 門控循環單元模型 306
12．3．1 詳解GRU模型 307
12．3．2 實現GRU模型 308
12．4 本章小結 311
習題 311
第 13章 基于TensorFlow 2搭建循環神經網絡模型 312
13．1 建立LSTM模型 312
13．1．1 預處理數據 313
13．1．2 基于TensorFlow建立LSTM模型 315
13．2 基于TensorFlow建立GRU模型 316
13．3 本章小結 325
習題 326
展開全部
深度學習入門與TensorFlow實踐 作者簡介
林炳清，畢業于新加坡南洋理工大學，獲得統計學博士學位，現為深圳大學數學與統計學院副教授，碩士生導師，主要研究方向為機器學習、數據挖掘、生物信息學，在國內外權威期刊發表論文三十余篇，主持并參與多項國家自然科學基金項目。
書友推薦
- >
月亮與六便士
- >
山海經
- >
名家帶你讀魯迅:故事新編
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
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)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
詩經-先民的歌唱
- >
莉莉和章魚
本類暢銷
