掃一掃
關(guān)注中圖網(wǎng)
官方微博
白話深度學(xué)習(xí)與TensorFlow
開本：
32開
頁(yè)數(shù)：
304
本類五星書更多>
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈(zèng)1DVD.含語(yǔ)音視頻教學(xué)+辦公模板+PDF電子書)
中圖價(jià):¥33.8
加入購(gòu)物車
白話深度學(xué)習(xí)與TensorFlow 版權(quán)信息
- ISBN：9787111574576
- 條形碼：9787111574576 ; 978-7-111-57457-6
- 裝幀：暫無(wú)
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
白話深度學(xué)習(xí)與TensorFlow 本書特色
基礎(chǔ)篇(1-3章)：介紹深度學(xué)習(xí)的基本概念和Tensorflow的基本介紹。原理與實(shí)踐篇（4-8章）：大量的關(guān)于深度學(xué)習(xí)中BP、CNN以及RNN網(wǎng)絡(luò)等概念的數(shù)學(xué)知識(shí)解析，加以更樸素的語(yǔ)言與類比，使得非數(shù)學(xué)專業(yè)的程序員還是能夠比較容易看懂。擴(kuò)展篇（9-13章）：介紹新增的深度學(xué)習(xí)網(wǎng)絡(luò)變種與較新的深度學(xué)習(xí)特性，并給出有趣的深度學(xué)習(xí)應(yīng)用。讀完本書，基本具備了搭建全套Tensorflow應(yīng)用環(huán)境的能力，掌握深度學(xué)習(xí)算法和思路，以及進(jìn)行一般性的文章分類、音頻分類或視頻分類的能力。
白話深度學(xué)習(xí)與TensorFlow 內(nèi)容簡(jiǎn)介
基礎(chǔ)篇(1-3章)：介紹深度學(xué)習(xí)的基本概念和Tensorflow的基本介紹。原理與實(shí)踐篇（4-8章）：大量的關(guān)于深度學(xué)習(xí)中BP、CNN以及RNN網(wǎng)絡(luò)等概念的數(shù)學(xué)知識(shí)解析，加以更樸素的語(yǔ)言與類比，使得非數(shù)學(xué)專業(yè)的程序員還是能夠比較容易看懂。擴(kuò)展篇（9-13章）：介紹新增的深度學(xué)習(xí)網(wǎng)絡(luò)變種與較新的深度學(xué)習(xí)特性，并給出有趣的深度學(xué)習(xí)應(yīng)用。讀完本書，基本具備了搭建全套Tensorflow應(yīng)用環(huán)境的能力，掌握深度學(xué)習(xí)算法和思路，以及進(jìn)行一般性的文章分類、音頻分類或視頻分類的能力。
白話深度學(xué)習(xí)與TensorFlow 目錄
目 錄?Contents
本書贊譽(yù)
序
前 言
基 礎(chǔ) 篇
第1章 機(jī)器學(xué)習(xí)是什么 2
1.1 聚類 4
1.2 回歸 5
1.3 分類 8
1.4 綜合應(yīng)用 10
1.5 小結(jié) 14
第2章 深度學(xué)習(xí)是什么 15
2.1 神經(jīng)網(wǎng)絡(luò)是什么 15
2.1.1 神經(jīng)元 16
2.1.2 激勵(lì)函數(shù) 19
2.1.3 神經(jīng)網(wǎng)絡(luò) 24
2.2 深度神經(jīng)網(wǎng)絡(luò) 25
2.3 深度學(xué)習(xí)為什么這么強(qiáng) 28
2.3.1 不用再提取特征 28
2.3.2 處理線性不可分 29
2.4 深度學(xué)習(xí)應(yīng)用 30
2.4.1 圍棋機(jī)器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結(jié) 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡(jiǎn)介 38
3.2 與其他框架的對(duì)比 39
3.3 其他特點(diǎn) 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結(jié) 46
原理與實(shí)踐篇
第4章 前饋神經(jīng)網(wǎng)絡(luò) 50
4.1 網(wǎng)絡(luò)結(jié)構(gòu) 50
4.2 線性回歸的訓(xùn)練 51
4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 75
4.4 小結(jié) 79
第5章 手寫板功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實(shí)驗(yàn) 86
5.3 神經(jīng)網(wǎng)絡(luò)為什么那么強(qiáng) 92
5.3.1 處理線性不可分 93
5.3.2 挑戰(zhàn)“與或非” 95
5.3.3 豐富的VC——強(qiáng)大的空間
劃分能力 98
5.4 驗(yàn)證集、測(cè)試集與防止過(guò)擬合 99
5.5 小結(jié) 102
第6章 卷積神經(jīng)網(wǎng)絡(luò) 103
6.1 與全連接網(wǎng)絡(luò)的對(duì)比 103
6.2 卷積是什么 104
6.3 卷積核 106
6.4 卷積層其他參數(shù) 108
6.5 池化層 109
6.6 典型CNN網(wǎng)絡(luò) 110
6.7 圖片識(shí)別 114
6.8 輸出層激勵(lì)函數(shù)——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——卷積網(wǎng)絡(luò)做圖片分類 124
6.10 小結(jié) 138
第7章 綜合問(wèn)題 139
7.1 并行計(jì)算 139
7.2 隨機(jī)梯度下降 142
7.3 梯度消失問(wèn)題 144
7.4 歸一化 147
7.5 參數(shù)初始化問(wèn)題 149
7.6 正則化 151
7.7 其他超參數(shù) 155
7.8 不唯一的模型 156
7.9 DropOut 157
7.10 小結(jié) 158
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò) 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結(jié)構(gòu) 163
8.2.2 訓(xùn)練過(guò)程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 應(yīng)用場(chǎng)景 171
8.5 實(shí)踐案例——自動(dòng)文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學(xué)習(xí)莎士比亞劇本 183
8.5.3 利用RNN學(xué)習(xí)維基百科 184
8.6 實(shí)踐案例——聊天機(jī)器人 185
8.7 小結(jié) 196
擴(kuò) 展 篇
第9章 深度殘差網(wǎng)絡(luò) 198
9.1 應(yīng)用場(chǎng)景 198
9.2 結(jié)構(gòu)解釋與數(shù)學(xué)推導(dǎo) 200
9.3 拓?fù)浣忉? 205
9.4 Github示例 207
9.5 小結(jié) 207
第10章 受限玻爾茲曼機(jī) 209
10.1 結(jié)構(gòu) 209
10.2 邏輯回歸 210
10.3 *大似然度 212
10.4 *大似然度示例 214
10.5 損失函數(shù) 215
10.6 應(yīng)用場(chǎng)景 216
10.7 小結(jié) 216
第11章 強(qiáng)化學(xué)習(xí) 217
11.1 模型核心 218
11.2 馬爾可夫決策過(guò)程 219
11.2.1 用游戲開刀 221
11.2.2 準(zhǔn)備工作 223
11.2.3 訓(xùn)練過(guò)程 224
11.2.4 問(wèn)題 226
11.2.5 Q-Learning算法 228
11.3 深度學(xué)習(xí)中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari游戲 237
11.4 小結(jié) 238
第12章 對(duì)抗學(xué)習(xí) 239
12.1 目的 239
12.2 訓(xùn)練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓(xùn)練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結(jié) 252
第13章 有趣的深度學(xué)習(xí)應(yīng)用 254
13.1 人臉識(shí)別 254
13.2 作詩(shī)姬 259
13.3 梵高附體 264
13.3.1 網(wǎng)絡(luò)結(jié)構(gòu) 265
13.3.2 內(nèi)容損失 268
13.3.3 風(fēng)格損失 270
13.3.4 系數(shù)比例 271
13.3.5 代碼分析 272
13.4 小結(jié) 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機(jī)的安裝 284
附錄C Python語(yǔ)言簡(jiǎn)介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻(xiàn) 303
本書贊譽(yù)
序
前 言
基 礎(chǔ) 篇
第1章 機(jī)器學(xué)習(xí)是什么 2
1.1 聚類 4
1.2 回歸 5
1.3 分類 8
1.4 綜合應(yīng)用 10
1.5 小結(jié) 14
第2章 深度學(xué)習(xí)是什么 15
2.1 神經(jīng)網(wǎng)絡(luò)是什么 15
2.1.1 神經(jīng)元 16
2.1.2 激勵(lì)函數(shù) 19
2.1.3 神經(jīng)網(wǎng)絡(luò) 24
2.2 深度神經(jīng)網(wǎng)絡(luò) 25
2.3 深度學(xué)習(xí)為什么這么強(qiáng) 28
2.3.1 不用再提取特征 28
2.3.2 處理線性不可分 29
2.4 深度學(xué)習(xí)應(yīng)用 30
2.4.1 圍棋機(jī)器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結(jié) 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡(jiǎn)介 38
3.2 與其他框架的對(duì)比 39
3.3 其他特點(diǎn) 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結(jié) 46
原理與實(shí)踐篇
第4章 前饋神經(jīng)網(wǎng)絡(luò) 50
4.1 網(wǎng)絡(luò)結(jié)構(gòu) 50
4.2 線性回歸的訓(xùn)練 51
4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 75
4.4 小結(jié) 79
第5章 手寫板功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實(shí)驗(yàn) 86
5.3 神經(jīng)網(wǎng)絡(luò)為什么那么強(qiáng) 92
5.3.1 處理線性不可分 93
5.3.2 挑戰(zhàn)“與或非” 95
5.3.3 豐富的VC——強(qiáng)大的空間
劃分能力 98
5.4 驗(yàn)證集、測(cè)試集與防止過(guò)擬合 99
5.5 小結(jié) 102
第6章 卷積神經(jīng)網(wǎng)絡(luò) 103
6.1 與全連接網(wǎng)絡(luò)的對(duì)比 103
6.2 卷積是什么 104
6.3 卷積核 106
6.4 卷積層其他參數(shù) 108
6.5 池化層 109
6.6 典型CNN網(wǎng)絡(luò) 110
6.7 圖片識(shí)別 114
6.8 輸出層激勵(lì)函數(shù)——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——卷積網(wǎng)絡(luò)做圖片分類 124
6.10 小結(jié) 138
第7章 綜合問(wèn)題 139
7.1 并行計(jì)算 139
7.2 隨機(jī)梯度下降 142
7.3 梯度消失問(wèn)題 144
7.4 歸一化 147
7.5 參數(shù)初始化問(wèn)題 149
7.6 正則化 151
7.7 其他超參數(shù) 155
7.8 不唯一的模型 156
7.9 DropOut 157
7.10 小結(jié) 158
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò) 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結(jié)構(gòu) 163
8.2.2 訓(xùn)練過(guò)程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 應(yīng)用場(chǎng)景 171
8.5 實(shí)踐案例——自動(dòng)文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學(xué)習(xí)莎士比亞劇本 183
8.5.3 利用RNN學(xué)習(xí)維基百科 184
8.6 實(shí)踐案例——聊天機(jī)器人 185
8.7 小結(jié) 196
擴(kuò) 展 篇
第9章 深度殘差網(wǎng)絡(luò) 198
9.1 應(yīng)用場(chǎng)景 198
9.2 結(jié)構(gòu)解釋與數(shù)學(xué)推導(dǎo) 200
9.3 拓?fù)浣忉? 205
9.4 Github示例 207
9.5 小結(jié) 207
第10章 受限玻爾茲曼機(jī) 209
10.1 結(jié)構(gòu) 209
10.2 邏輯回歸 210
10.3 *大似然度 212
10.4 *大似然度示例 214
10.5 損失函數(shù) 215
10.6 應(yīng)用場(chǎng)景 216
10.7 小結(jié) 216
第11章 強(qiáng)化學(xué)習(xí) 217
11.1 模型核心 218
11.2 馬爾可夫決策過(guò)程 219
11.2.1 用游戲開刀 221
11.2.2 準(zhǔn)備工作 223
11.2.3 訓(xùn)練過(guò)程 224
11.2.4 問(wèn)題 226
11.2.5 Q-Learning算法 228
11.3 深度學(xué)習(xí)中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari游戲 237
11.4 小結(jié) 238
第12章 對(duì)抗學(xué)習(xí) 239
12.1 目的 239
12.2 訓(xùn)練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓(xùn)練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結(jié) 252
第13章 有趣的深度學(xué)習(xí)應(yīng)用 254
13.1 人臉識(shí)別 254
13.2 作詩(shī)姬 259
13.3 梵高附體 264
13.3.1 網(wǎng)絡(luò)結(jié)構(gòu) 265
13.3.2 內(nèi)容損失 268
13.3.3 風(fēng)格損失 270
13.3.4 系數(shù)比例 271
13.3.5 代碼分析 272
13.4 小結(jié) 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機(jī)的安裝 284
附錄C Python語(yǔ)言簡(jiǎn)介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻(xiàn) 303
展開全部
白話深度學(xué)習(xí)與TensorFlow 作者簡(jiǎn)介
西山居的大數(shù)據(jù)架構(gòu)師與大數(shù)據(jù)專家，有多年編程經(jīng)驗(yàn)（多年日本和澳洲工作經(jīng)驗(yàn)）、多年大數(shù)據(jù)架構(gòu)設(shè)計(jì)與數(shù)據(jù)分析、處理經(jīng)驗(yàn)，目前負(fù)責(zé)西山居的市場(chǎng)戰(zhàn)略與產(chǎn)品戰(zhàn)略。專注于大數(shù)據(jù)系統(tǒng)架構(gòu)以及變現(xiàn)研究。擅長(zhǎng)數(shù)據(jù)挖掘、數(shù)據(jù)建模、關(guān)系型數(shù)據(jù)庫(kù)應(yīng)用（Hadoop、Spark、Cassandra、Prestodb應(yīng)用）。負(fù)責(zé)西山居紫霞系統(tǒng)——大數(shù)據(jù)日志處理系統(tǒng)的系統(tǒng)架構(gòu)與設(shè)計(jì)工作。同時(shí)，也是重慶工商大學(xué)管理科學(xué)與工程專業(yè)，碩士研究生事業(yè)導(dǎo)師。
書友推薦
- >
中國(guó)歷史的瞬間
- >
二體千字文
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
隨園食單
- >
月亮與六便士
- >
龍榆生：詞曲概論/大家小書
- >
我從未如此眷戀人間
- >
巴金－再思錄
本類暢銷
