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
TensorFIow 2.x深度學習從入門到實踐 版權信息
- ISBN：9787576330007
- 條形碼：9787576330007 ; 978-7-5763-3000-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
TensorFIow 2.x深度學習從入門到實踐 本書特色
資深工程師多年從事人工智能算法研究和實踐的經驗總結 結合大量典型實例，通過“干中學”的方式講透復雜的算法理論 給出比較平滑的學習路線，極大地降低讀者的學習難度 從TensorFlow 2.x的基礎知識講起，逐步深入其高級技術與使用技巧 從理論講解、代碼實現和調試演示等多個角度，加深讀者對知識點的理解 結合近40個代碼示例進行講解，讓讀者通過編碼的方式理解所學的知識點 結合80余幅示意圖，詳解深度學習的相關算法邏輯與多種模型的原理
TensorFIow 2.x深度學習從入門到實踐 內容簡介
《TensorFlow 2.x深度學習從入門到實戰》是作者研究和實踐人工智能算法的經驗總結。本書通過圖表、案例和示例代碼相結合的方式，介紹TensorFlow 2.x框架的相關知識，幫助讀者打好扎實的人工智能理論基礎，并將理論付諸實踐，通過“干中學”的方式全面掌握復雜的算法理論。 《TensorFlow 2.x深度學習從入門到實戰》共3篇。第1篇“TensorFlow基礎”，主要介紹TensorFlow 2.x的基本開發方法及其重要接口的使用方法，讓讀者對其有較為全面的了解。第2篇“TensorFlow進階”，詳細介紹TensorFlow 2.x的高級開發功能，以及如何使用它開發基于深度學習的神經網絡。第3篇“TensorFlow實戰”，詳細介紹TensorFlow 2.x在增強學習和GAN兩個專業領域的強大應用，以及其*新調用接口和開發模式，幫助讀者有效地將其應用到具體的項目實踐中。 《TensorFlow 2.x深度學習從入門到實戰》內容豐富，講解透徹，適合對人工智能感興趣的人員閱讀，尤其是需要學習TensorFlow 2.x深度學習框架的入門與進階人員，另外還適合相關培訓機構作為培訓教材使用。
TensorFIow 2.x深度學習從入門到實踐 目錄
第1篇 TensorFlow基礎
第1章 安裝TensorFlow 2
1.1 TensorFlow的安裝流程 2
1.2 運行TensorFlow的**個程序 3
第2章 張量及其運算 4
2.1 常量張量的創建 4
2.2 張量維度的轉換 9
2.3 張量的運算 12
第3章 運算圖和會話管理 15
3.1 運算圖的形成 15
3.2 運算圖的數據結構 17
3.3 使用會話對象執行運算圖 19
3.3.1 交互式會話執行流程 19
3.3.2 使用會話日志 20
3.4 使用TensorBoard實現數據可視化 20
3.4.1 啟動TensorBoard組件 21
3.4.2 顯示TensorBoard中的數據 22
第4章 模型訓練 24
4.1 變量張量 24
4.2 損失函數 25
4.3 漸進下降法 26
4.3.1 如何將數據讀入模型 27
4.3.2 模型訓練的基本流程 28
4.3.3 漸進下降法運行實例 29
4.3.4 漸進下降法的缺陷和應對 30
4.4 運算圖的存儲和加載 32
第2篇 TensorFlow進階
第5章 機器學習的基本概念 34
5.1 使用TensorFlow實現線性回歸 34
5.2 使用TensorFlow實現多項式回歸 36
5.3 使用邏輯回歸實現數據二元分類 38
5.3.1 邏輯函數 38
5.3.2 *大概率估計 39
5.3.3 用代碼實現邏輯回歸 40
5.4 使用多元邏輯回歸實現數據的多種分類 41
5.4.1 多元分類示例——識別手寫數字圖像 41
5.4.2 多元交叉熵 41
5.4.3 多元回歸模型代碼示例 43
第6章 使用TensorFlow開發神經網絡 44
6.1 神經元和感知器 44
6.1.1 神經元的基本原理 44
6.1.2 感知器的基本原理 45
6.1.3 鏈路權重 46
6.1.4 激活函數 46
6.2 神經網絡的運行原理 47
6.2.1 神經網絡層 47
6.2.2 誤差反向傳播 48
6.3 構造神經網絡識別手寫數字圖像 50
第7章 使用TensorFlow實現卷積網絡 53
7.1 卷積運算 53
7.2 卷積運算的本質 54
7.3 卷積運算的相關參數和操作說明 55
7.4 使用TensorFlow開發卷積網絡實例 56
7.5 卷積網絡的訓練與應用 59
第8章 構造重定向網絡 61
8.1 什么是重定向網絡 61
8.1.1 重定向網絡的基本結構 61
8.1.2 cell部件的運算原理 62
8.2 使用TensorFlow構建RNN層 63
8.2.1 cell組件類簡介 63
8.2.2 創建RNN層接口調用簡介 64
8.3 使用RNN實現文本識別 65
8.3.1 文本數據預處理 65
8.3.2 網絡模型的構建和訓練 66
8.4 長短程記憶組件 68
8.4.1 長短程記憶組件的內部原理 68
8.4.2 使用接口創建LSTM節點 70
8.4.3 使用LSTM網絡實現文本識別 72
第9章 數據集的讀取與操作 74
9.1 TensorFlow的數據集對象 74
9.1.1 創建數值型數據集 74
9.1.2 數據生成器 75
9.1.3 從文本中讀入數據集 76
9.2 數據集的處理和加工 77
9.2.1 數據集的分批處理 77
9.2.2 基于數據集的若干操作 78
9.2.3 數據集條目的遍歷訪問 80
第10章 使用多線程、多設備和機器集群 84
10.1 多線程的配置 84
10.2 多處理器分發執行 85
10.3 集群分發控制 86
第11章 TensorFlow的高級接口Estimator 88
11.1 運行Estimator的基本流程 88
11.2 Estimator的初始化配置 90
11.3 Estimator導出模型應用實例 91
11.3.1 使用線性模型實例 91
11.3.2 使用神經網絡分類器 93
11.3.3 使用線性回歸——深度網絡混合模型 94
11.3.4 給Estimator添加自己的網絡模型 99
第3篇 TensorFlow實戰
第12章 實現編解碼器網絡 104
12.1 自動編解碼器的原理 104
12.2 一個簡單的編解碼器網絡 105
12.3 使用多層編解碼器實現圖像重構 107
12.4 使用編解碼網絡實現圖像去噪 112
12.5 可變編解碼器 115
12.5.1 可變編解碼器的基本原理 115
12.5.2 編解碼器的數學原理 117
12.5.3 用代碼實現編解碼網絡 123
第13章 使用TensorFlow實現增強學習 127
13.1 搭建開發環境 127
13.2 增強學習的基本概念 129
13.3 馬爾可夫過程 132
13.4 馬爾可夫決策模型 133
13.5 開發一個增強學習示例 135
13.5.1 示例簡介 135
13.5.2 使用神經網絡實現*優策略 136
13.6 冰凍湖問題 139
13.6.1 狀態值優化 141
13.6.2 貝爾曼函數 142
13.6.3 編碼解決冰凍湖問題 145
第14章 使用TensorFlow實現深Q網絡 148
14.1 深Q算法的基本原理 149
14.2 深Q算法項目實踐 150
14.2.1 算法的基本原則 151
14.2.2 深Q網絡模型 155
第15章 TensorFlow與策略下降法 163
15.1 策略導數 164
15.1.1 策略導數的底層原理 164
15.1.2 策略導數算法應用實例 166
15.1.3 策略導數的缺點 169
15.2 Actor-Critic算法 169
15.2.1 Actor-Critic算法的底層原理 169
15.2.2 Actor-Critic算法的實現 171
15.3 A3C算法原理 173
15.3.1 改變量回傳模式的代碼實現 175
15.3.2 訓練數據回傳模式的代碼實現 187
15.4 使用PPO算法玩轉《超級瑪麗》 192
15.4.1 PPO算法簡介 192
15.4.2 PPO算法的數學原理 193
15.4.3 PPO算法的代碼實現 194
第16章 使用TensorFlow 2.x的Eager模式開發高級增強學習算法 201
16.1 TensorFlow 2.x Eager模式簡介 201
16.2 使用Eager模式快速構建神經網絡 202
16.3 在Eager模式下使用DDPG算法實現機械模擬控制 204
16.3.1 DDPG算法的基本原理 204
16.3.2 DDPG算法的代碼實現 206
16.4 DDPG算法改進——TD3算法的原理與實現 211
16.4.1 TD3算法的基本原理 212
16.4.2 TD3算法的代碼實現 213
16.5 TD3算法的升級版——SAC算法 218
16.5.1 SAC算法的基本原理 218
16.5.2 SAC算法的代碼實現 221
16.6 概率化深Q網絡算法 226
16.6.1 連續概率函數的離散化表示 226
16.6.2 算法的基本原理 228
16.6.3 讓算法玩轉《雷神之錘》 229
16.7 D4PG——概率化升級的DDPG算法 236
16.7.1 D4PG算法的基本原理 236
16.7.2 通過代碼實現D4GP算法 237
第17章 使用TensorFlow 2.x實現生成型對抗性網絡 245
17.1 生成型對抗性網絡的基本原理與代碼實戰 245
17.2 WGAN——讓對抗性網絡生成更復雜的圖像 253
17.2.1 推土距離 253
17.2.2 WGAN算法的基本原理 255
17.2.3 WGAN算法的代碼實現 256
17.3 WGAN_PG——讓網絡生成細膩的人臉圖像 262
17.3.1 WGAN_PG算法的基本原理 262
17.3.2 WGAN_GP算法的代碼實現 263
17.4 使用CycleGAN實現“指鹿為馬” 269
17.4.1 CycleGAN技術的基本原理 269
17.4.2 用代碼實現CycleGAN 272
17.5 使用CycleGAN實現“無痛變性” 284
17.5.1 TensorFlow 2.x的數據集接口 284
17.5.2 網絡代碼的實現 290
17.6 利用Attention機制實現自動譜曲 297
17.6.1 樂理的基本知識 298
17.6.2 網絡訓練的數據準備 299
17.6.3 Attention網絡結構說明 302
17.6.4 用代碼實現預測網絡 304
17.7 使用MuseGAN生成多聲道音樂 310
17.7.1 樂理的基本知識補充 310
17.7.2 曲譜與圖像的共性 311
17.7.3 MuseGAN的基本原理 313
17.7.4 MuseGAN的代碼實現 314
17.8 使用自關注機制提升網絡人臉的生成能力 322
17.8.1 Self-Attention機制的算法原理 322
17.8.2 引入spectral norm以保證訓練的穩定性 324
17.8.3 用代碼實現自關注網絡 330
17.9 實現黑白圖像自動上色 338
17.9.1 算法的基本原理 338
17.9.2 網絡內部結構設計 339
17.9.3 代碼實現 340
展開全部
TensorFIow 2.x深度學習從入門到實踐 作者簡介
陳屹 海南康康餅網絡科技有限公司CEO。畢業于數學專業，擁有十幾年的軟件開發經驗。曾經任職于聯想、微軟和RealNetworks等國內外知名公司，從事客戶端及服務端開發工作。熟練掌握C 、Java和Python等開發語言，擅長算法邏輯和架構設計。目前致力于人工智能技術的研究，并運營B站視頻號coding迪斯尼。
書友推薦
- >
二體千字文
- >
伊索寓言-世界文學名著典藏-全譯本
- >
回憶愛瑪儂
- >
朝聞道
- >
姑媽的寶刀
- >
羅庸西南聯大授課錄
- >
我與地壇
- >
巴金－再思錄
本類暢銷
