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
深度學習技術應用 版權信息
- ISBN：9787121428517
- 條形碼：9787121428517 ; 978-7-121-42851-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習技術應用 本書特色
本書結合了近期新的深度學習技術應用成果，充分考慮了大學生的知識結構和學習特點，結合各個專業特點介紹了深度學習的基本概念及TensorFlow框架，以及深度學習在各個領域的具體應用。
深度學習技術應用 內容簡介
本書是深度學習課程的入門教材，從原理、模型、應用3個維度指導讀者掌握深度學習技術及應用。本書共3個部分。第1部分為深度學習的基礎，包括第1章和第2章，分別介紹了深度學習的基本概念及其和神經網絡之間的關系；第2部分為深度學習的框架，包括第3章，介紹了深度學習的主流框架TensorFlow2.0的基本使用；第3部分是深度學習的不錯主題，即第4章、第5章和第6章，分別討論了卷積神經網絡、循環神經網絡及遷移學習。 全書所講解的案例均配有代碼實現，并對代碼進行了詳細注解，讀者通過對案例代碼的學習和實踐，可以深入了解全書講解的內容。本書適合對人工智能、深度學習技術感興趣的工程技術人員閱讀，也適合人工智能、計算機科學技術相關專業的學生學習參考。
深度學習技術應用 目錄
第1章 深度學習簡介 001
1．1 深度學習的起源與發展 001
1．2 深度學習的定義 004
1．3 深度學習的優勢 005
1．4 深度學習的應用 006
1．5 深度學習的主流框架 007
1．5．1 TensorFlow 007
1．5．2 Pytorch 008
1．5．3 Deeplearning4j(DL4J) 008
第2章 神經網絡與深度學習 010
2．1 人腦神經網絡 013
2．2 人工神經網絡 015
2．2．1 感知器 017
2．2．2 單層神經網絡 019
2．2．3 多層神經網絡 027
2．2．4 激活函數 037
2．3 走向深度學習 039
第3章 TensorFlow環境使用 043
3．1 TensorFlow 簡介 044
3．1．1 TensorFlow與Keras的關系 045
3．1．2 TensorFlow 1．x與2．x的區別 046
3．2 TensorFlow基礎 049
3．2．1 張量 050
3．2．2 變量 064
3．2．3 計算圖 066
3．3 基于TensorFlow的深度學習建模構建 070
3．3．1 建模目的 070
3．3．2 數據處理 071
3．3．3 模型搭建 080
3．3．4 模型編譯 085
3．3．5 模型訓練 091
3．3．6 模型驗證 093
3．3．7 模型保存 096
3．3．8 小結 096
3．4 基于TensorFlow的手寫數字識別 099
3．4．1 數據簡介 099
3．4．2 數據處理 103
3．4．3 模型搭建 106
3．4．4 模型調優 108
3．4．5 總結 114
第4章 卷積神經網絡 115
4．1 什么是卷積神經網絡 115
4．2 輸入層 116
4．3 卷積層 117
4．3．1 填充 118
4．3．2 步幅 125
4．4 池化層 126
4．5 全連接層 127
4．6 Dropout 128
4．7 數據增強 129
4．8 典型卷積神經網絡算法 132
4．8．1 LeNet-5網絡 132
4．8．2 AlexNet 133
4．8．3 VGG16 134
4．9 卷積神經網絡案例 136
4．9．1 數據簡介 136
4．9．2 數據處理 136
4．9．3 模型搭建 138
4．9．4 總結 140
第5章 循環神經網絡 143
5．1 什么是循環神經網絡 143
5．2 長短期記憶和門控循環單元 145
5．2．1 長短期記憶（LSTM） 145
5．2．2 門控循環單元（GRU） 149
5．3 雙向循環神經網絡 153
5．4 深度循環神經網絡案例 154
5．4．1 準備操作 154
5．4．2 數據簡介 154
5．4．3 數據處理 155
5．4．4 網絡模型搭建 157
5．4．5 模型訓練 159
5．4．6 小結 161
第6章 遷移學習 167
6．1 什么是遷移學習 167
6．2 遷移學習的工作原理 168
6．3 遷移學習的優勢 169
6．4 遷移學習的方法 170
6．5 微調 171
6．6 利用遷移學習對花進行分類 171
6．6．1 準備操作 172
6．6．2 數據處理 173
6．6．3 網絡模型搭建 173
6．6．4 模型訓練 175
6．6．5 微調 175
6．6．6 小結 176
1．1 深度學習的起源與發展 001
1．2 深度學習的定義 004
1．3 深度學習的優勢 005
1．4 深度學習的應用 006
1．5 深度學習的主流框架 007
1．5．1 TensorFlow 007
1．5．2 Pytorch 008
1．5．3 Deeplearning4j(DL4J) 008
第2章 神經網絡與深度學習 010
2．1 人腦神經網絡 013
2．2 人工神經網絡 015
2．2．1 感知器 017
2．2．2 單層神經網絡 019
2．2．3 多層神經網絡 027
2．2．4 激活函數 037
2．3 走向深度學習 039
第3章 TensorFlow環境使用 043
3．1 TensorFlow 簡介 044
3．1．1 TensorFlow與Keras的關系 045
3．1．2 TensorFlow 1．x與2．x的區別 046
3．2 TensorFlow基礎 049
3．2．1 張量 050
3．2．2 變量 064
3．2．3 計算圖 066
3．3 基于TensorFlow的深度學習建模構建 070
3．3．1 建模目的 070
3．3．2 數據處理 071
3．3．3 模型搭建 080
3．3．4 模型編譯 085
3．3．5 模型訓練 091
3．3．6 模型驗證 093
3．3．7 模型保存 096
3．3．8 小結 096
3．4 基于TensorFlow的手寫數字識別 099
3．4．1 數據簡介 099
3．4．2 數據處理 103
3．4．3 模型搭建 106
3．4．4 模型調優 108
3．4．5 總結 114
第4章 卷積神經網絡 115
4．1 什么是卷積神經網絡 115
4．2 輸入層 116
4．3 卷積層 117
4．3．1 填充 118
4．3．2 步幅 125
4．4 池化層 126
4．5 全連接層 127
4．6 Dropout 128
4．7 數據增強 129
4．8 典型卷積神經網絡算法 132
4．8．1 LeNet-5網絡 132
4．8．2 AlexNet 133
4．8．3 VGG16 134
4．9 卷積神經網絡案例 136
4．9．1 數據簡介 136
4．9．2 數據處理 136
4．9．3 模型搭建 138
4．9．4 總結 140
第5章 循環神經網絡 143
5．1 什么是循環神經網絡 143
5．2 長短期記憶和門控循環單元 145
5．2．1 長短期記憶（LSTM） 145
5．2．2 門控循環單元（GRU） 149
5．3 雙向循環神經網絡 153
5．4 深度循環神經網絡案例 154
5．4．1 準備操作 154
5．4．2 數據簡介 154
5．4．3 數據處理 155
5．4．4 網絡模型搭建 157
5．4．5 模型訓練 159
5．4．6 小結 161
第6章 遷移學習 167
6．1 什么是遷移學習 167
6．2 遷移學習的工作原理 168
6．3 遷移學習的優勢 169
6．4 遷移學習的方法 170
6．5 微調 171
6．6 利用遷移學習對花進行分類 171
6．6．1 準備操作 172
6．6．2 數據處理 173
6．6．3 網絡模型搭建 173
6．6．4 模型訓練 175
6．6．5 微調 175
6．6．6 小結 176
展開全部
深度學習技術應用 作者簡介
胡心雷（1983.12―）工學博士，畢業于四川大學計算機科學與技術專業。主要研究方向包括人工免疫、機器學習、信息安全和云計算技術等。有豐富的從事人工免疫在網絡安全應用的研究經驗和信息安全技術、人工智能方面的教學經驗。發表學術論文10余篇，其中EI及SCI論文6篇，主持及主研省部級項目3項，已獲得國家授權實用新型專利1項。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
姑媽的寶刀
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
經典常談
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
二體千字文
- >
中國歷史的瞬間
- >
巴金－再思錄
本類暢銷
