掃一掃
關(guān)注中圖網(wǎng)
官方微博
TensorFlow深度學(xué)習(xí)
開本：
16開
頁數(shù)：
227
本類五星書更多>
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(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.含語音視頻教學(xué)+辦公模板+PDF電子書)
中圖價(jià):¥38.2
加入購物車
TensorFlow深度學(xué)習(xí) 版權(quán)信息
- ISBN：9787115478771
- 條形碼：9787115478771 ; 978-7-115-47877-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
TensorFlow深度學(xué)習(xí) 本書特色
本書共分5方面內(nèi)容：基礎(chǔ)知識(shí)、關(guān)鍵模塊、算法模型、內(nèi)核揭秘、生態(tài)發(fā)展。前兩方面由淺入深地介紹了TensorFlow 平臺(tái)，算法模型方面依托TensorFlow 講解深度學(xué)習(xí)模型，內(nèi)核揭秘方面主要分析C 內(nèi)核中的通信原理、消息管理機(jī)制等，* 后從生態(tài)發(fā)展的角度講解以TensorFlow 為中心的一套開源大數(shù)據(jù)分析解決方案。 本書適合所有對(duì)深度學(xué)習(xí)和TensorFlow感興趣的開發(fā)人員和數(shù)據(jù)分析師閱讀。
TensorFlow深度學(xué)習(xí) 內(nèi)容簡(jiǎn)介
本書介紹關(guān)于機(jī)器學(xué)習(xí)系統(tǒng)的深度學(xué)習(xí)算法，使你可以在搜索、圖像識(shí)別、語言處理等產(chǎn)品中實(shí)現(xiàn)這些算法。你將學(xué)習(xí)如何分析并改進(jìn)深度學(xué)習(xí)模型的表現(xiàn)，通過與標(biāo)準(zhǔn)算法進(jìn)行比較，借助機(jī)器智慧，在特定文本中從信息和決策行為中學(xué)習(xí)。讀完本書后，你將熟悉機(jī)器學(xué)習(xí)技術(shù)，尤其是使用TensorFlow進(jìn)行深度學(xué)習(xí)，并將所學(xué)知識(shí)用于研究或商業(yè)項(xiàng)目。本書適合想要探索數(shù)據(jù)抽象層的數(shù)據(jù)科學(xué)家，展現(xiàn)了如何在實(shí)際中使用TensorFlow處理復(fù)雜且未經(jīng)加工的數(shù)據(jù)。 ?訪問并使用公共數(shù)據(jù)集，通過TensorFlow下載、處理、傳輸數(shù)據(jù) ?在實(shí)際數(shù)據(jù)集中應(yīng)用TensorFlow，包括圖像、文本等 ?學(xué)習(xí)如何評(píng)估深度學(xué)習(xí)模型的表現(xiàn) ?使用深度學(xué)習(xí)完成可擴(kuò)展對(duì)象檢測(cè)和移動(dòng)計(jì)算 ?訓(xùn)練機(jī)器通過探索加強(qiáng)學(xué)習(xí)技術(shù)從數(shù)據(jù)中進(jìn)行快速學(xué)習(xí)
TensorFlow深度學(xué)習(xí) 目錄
目 錄
* 1章 深度學(xué)習(xí)入門 1
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1.1 監(jiān)督學(xué)習(xí) 2
1.1.2 無監(jiān)督學(xué)習(xí) 2
1.1.3 強(qiáng)化學(xué)習(xí) 3
1.2 深度學(xué)習(xí)定義 3
1.2.1 人腦的工作機(jī)制 3
1.2.2 深度學(xué)習(xí)歷史 4
1.2.3 應(yīng)用領(lǐng)域 5
1.3 神經(jīng)網(wǎng)絡(luò) 5
1.3.1 生物神經(jīng)元 5
1.3.2 人工神經(jīng)元 6
1.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式 8
1.4.1 反向傳播算法 8
1.4.2 權(quán)重優(yōu)化 8
1.4.3 隨機(jī)梯度下降法 9
1.5 神經(jīng)網(wǎng)絡(luò)架構(gòu) 10
1.5.1 多層感知器 10
1.5.2 DNN架構(gòu) 11
1.5.3 卷積神經(jīng)網(wǎng)絡(luò) 12
1.5.4 受限玻爾茲曼機(jī) 12
1.6 自編碼器 13
1.7 循環(huán)神經(jīng)網(wǎng)絡(luò) 14
1.8 幾種深度學(xué)習(xí)框架對(duì)比 14
1.9 小結(jié) 16
* 2章 TensorFlow初探 17
2.1 總覽 17
2.1.1 TensorFlow 1.x版本特性 18
2.1.2 使用上的改進(jìn) 18
2.1.3 TensorFlow安裝與入門 19
2.2 在Linux上安裝TensorFlow 19
2.3 為TensorFlow啟用NVIDIA GPU 20
2.3.1 * 1步：安裝NVIDIA CUDA 20
2.3.2 * 2步：安裝NVIDIA cuDNN v5.1 21
2.3.3 第3步：確定GPU卡的CUDA計(jì)算能力為3.0 22
2.3.4 第4步：安裝libcupti-dev庫 22
2.3.5 第5步：安裝Python（或Python3） 22
2.3.6 第6步：安裝并升級(jí)PIP（或PIP3） 22
2.3.7 第7步：安裝TensorFlow 23
2.4 如何安裝TensorFlow 23
2.4.1 直接使用pip安裝 23
2.4.2 使用virtualenv安裝 24
2.4.3 從源代碼安裝 26
2.5 在Windows上安裝TensorFlow 27
2.5.1 在虛擬機(jī)上安裝TensorFlow 27
2.5.2 直接安裝到Windows 27
2.6 測(cè)試安裝是否成功 28
2.7 計(jì)算圖 28
2.8 為何采用計(jì)算圖 29
2.9 編程模型 30
2.10 數(shù)據(jù)模型 33
2.10.1 階 33
2.10.2 形狀 33
2.10.3 數(shù)據(jù)類型 34
2.10.4 變量 36
2.10.5 取回 37
2.10.6 注入 38
2.11 TensorBoard 38
2.12 實(shí)現(xiàn)一個(gè)單輸入神經(jīng)元 39
2.13 單輸入神經(jīng)元源代碼 43
2.14 遷移到TensorFlow 1.x版本 43
2.14.1 如何用腳本升級(jí) 44
2.14.2 局限 47
2.14.3 手動(dòng)升級(jí)代碼 47
2.14.4 變量 47
2.14.5 匯總函數(shù) 47
2.14.6 簡(jiǎn)化的數(shù)學(xué)操作 48
2.14.7 其他事項(xiàng) 49
2.15 小結(jié) 49
第3章 用TensorFlow構(gòu)建前饋
神經(jīng)網(wǎng)絡(luò) 51
3.1 前饋神經(jīng)網(wǎng)絡(luò)介紹 51
3.1.1 前饋和反向傳播 52
3.1.2 權(quán)重和偏差 53
3.1.3 傳遞函數(shù) 53
3.2 手寫數(shù)字分類 54
3.3 探究MNIST數(shù)據(jù)集 55
3.4 Softmax分類器 57
3.5 TensorFlow模型的保存和還原 63
3.5.1 保存模型 63
3.5.2 還原模型 63
3.5.3 Softmax源代碼 65
3.5.4 Softmax啟動(dòng)器源代碼 66
3.6 實(shí)現(xiàn)一個(gè)五層神經(jīng)網(wǎng)絡(luò) 67
3.6.1 可視化 69
3.6.2 五層神經(jīng)網(wǎng)絡(luò)源代碼 70
3.7 ReLU分類器 72
3.8 可視化 73
3.9 Dropout優(yōu)化 76
3.10 可視化 78
3.11 小結(jié) 80
第4章 TensorFlow與卷積神經(jīng)網(wǎng)絡(luò) 82
4.1 CNN簡(jiǎn)介 82
4.2 CNN架構(gòu) 84
4.3 構(gòu)建你的* 一個(gè)CNN 86
4.4 CNN表情識(shí)別 95
4.4.1 表情分類器源代碼 104
4.4.2 使用自己的圖像測(cè)試模型 107
4.4.3 源代碼 109
4.5 小結(jié) 111
第5章 優(yōu)化TensorFlow自編碼器 112
5.1 自編碼器簡(jiǎn)介 112
5.2 實(shí)現(xiàn)一個(gè)自編碼器 113
5.3 增強(qiáng)自編碼器的魯棒性 119
5.4 構(gòu)建去噪自編碼器 120
5.5 卷積自編碼器 127
5.5.1 編碼器 127
5.5.2 解碼器 128
5.5.3 卷積自編碼器源代碼 134
5.6 小結(jié) 138
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò) 139
6.1 RNN的基本概念 139
6.2 RNN的工作機(jī)制 140
6.3 RNN的展開 140
6.4 梯度消失問題 141
6.5 LSTM網(wǎng)絡(luò) 142
6.6 RNN圖像分類器 143
6.7 雙向RNN 149
6.8 文本預(yù)測(cè) 155
6.8.1 數(shù)據(jù)集 156
6.8.2 困惑度 156
6.8.3 PTB模型 156
6.8.4 運(yùn)行例程 157
6.9 小結(jié) 158
第7章 GPU計(jì)算 160
7.1 GPGPU計(jì)算 160
7.2 GPGPU的歷史 161
7.3 CUDA架構(gòu) 161
7.4 GPU編程模型 162
7.5 TensorFlow中GPU的設(shè)置 163
7.6 TensorFlow的GPU管理 165
7.7 GPU內(nèi)存管理 168
7.8 在多GPU系統(tǒng)上分配單個(gè)GPU 168
7.9 使用多個(gè)GPU 170
7.10 小結(jié) 171
第8章 TensorFlow高 級(jí)編程 172
8.1 Keras簡(jiǎn)介 172
8.2 構(gòu)建深度學(xué)習(xí)模型 174
8.3 影評(píng)的情感分類 175
8.4 添加一個(gè)卷積層 179
8.5 Pretty Tensor 181
8.6 數(shù)字分類器 182
8.7 TFLearn 187
8.8 泰坦尼克號(hào)幸存者預(yù)測(cè)器 188
8.9 小結(jié) 191
第9章 TensorFlow高 級(jí)多媒體編程 193
9.1 多媒體分析簡(jiǎn)介 193
9.2 基于深度學(xué)習(xí)的大型對(duì)象檢測(cè) 193
9.2.1 瓶頸層 195
9.2.2 使用重訓(xùn)練的模型 195
9.3 加速線性代數(shù) 197
9.3.1 TensorFlow的核心優(yōu)勢(shì) 197
9.3.2 加速線性代數(shù)的準(zhǔn)時(shí)編譯 197
9.4 TensorFlow和Keras 202
9.4.1 Keras簡(jiǎn)介 202
9.4.2 擁有Keras的好處 203
9.4.3 視頻問答系統(tǒng) 203
9.5 Android上的深度學(xué)習(xí) 209
9.5.1 TensorFlow演示程序 209
9.5.2 Android入門 211
9.6 小結(jié) 214
* 10章 強(qiáng)化學(xué)習(xí) 215
10.1 強(qiáng)化學(xué)習(xí)基本概念 216
10.2 Q-learning算法 217
10.3 OpenAI Gym框架簡(jiǎn)介 218
10.4 FrozenLake-v0實(shí)現(xiàn)問題 220
10.5 使用TensorFlow實(shí)現(xiàn)Q-learning 223
10.6 小結(jié) 227
* 1章 深度學(xué)習(xí)入門 1
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1.1 監(jiān)督學(xué)習(xí) 2
1.1.2 無監(jiān)督學(xué)習(xí) 2
1.1.3 強(qiáng)化學(xué)習(xí) 3
1.2 深度學(xué)習(xí)定義 3
1.2.1 人腦的工作機(jī)制 3
1.2.2 深度學(xué)習(xí)歷史 4
1.2.3 應(yīng)用領(lǐng)域 5
1.3 神經(jīng)網(wǎng)絡(luò) 5
1.3.1 生物神經(jīng)元 5
1.3.2 人工神經(jīng)元 6
1.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式 8
1.4.1 反向傳播算法 8
1.4.2 權(quán)重優(yōu)化 8
1.4.3 隨機(jī)梯度下降法 9
1.5 神經(jīng)網(wǎng)絡(luò)架構(gòu) 10
1.5.1 多層感知器 10
1.5.2 DNN架構(gòu) 11
1.5.3 卷積神經(jīng)網(wǎng)絡(luò) 12
1.5.4 受限玻爾茲曼機(jī) 12
1.6 自編碼器 13
1.7 循環(huán)神經(jīng)網(wǎng)絡(luò) 14
1.8 幾種深度學(xué)習(xí)框架對(duì)比 14
1.9 小結(jié) 16
* 2章 TensorFlow初探 17
2.1 總覽 17
2.1.1 TensorFlow 1.x版本特性 18
2.1.2 使用上的改進(jìn) 18
2.1.3 TensorFlow安裝與入門 19
2.2 在Linux上安裝TensorFlow 19
2.3 為TensorFlow啟用NVIDIA GPU 20
2.3.1 * 1步：安裝NVIDIA CUDA 20
2.3.2 * 2步：安裝NVIDIA cuDNN v5.1 21
2.3.3 第3步：確定GPU卡的CUDA計(jì)算能力為3.0 22
2.3.4 第4步：安裝libcupti-dev庫 22
2.3.5 第5步：安裝Python（或Python3） 22
2.3.6 第6步：安裝并升級(jí)PIP（或PIP3） 22
2.3.7 第7步：安裝TensorFlow 23
2.4 如何安裝TensorFlow 23
2.4.1 直接使用pip安裝 23
2.4.2 使用virtualenv安裝 24
2.4.3 從源代碼安裝 26
2.5 在Windows上安裝TensorFlow 27
2.5.1 在虛擬機(jī)上安裝TensorFlow 27
2.5.2 直接安裝到Windows 27
2.6 測(cè)試安裝是否成功 28
2.7 計(jì)算圖 28
2.8 為何采用計(jì)算圖 29
2.9 編程模型 30
2.10 數(shù)據(jù)模型 33
2.10.1 階 33
2.10.2 形狀 33
2.10.3 數(shù)據(jù)類型 34
2.10.4 變量 36
2.10.5 取回 37
2.10.6 注入 38
2.11 TensorBoard 38
2.12 實(shí)現(xiàn)一個(gè)單輸入神經(jīng)元 39
2.13 單輸入神經(jīng)元源代碼 43
2.14 遷移到TensorFlow 1.x版本 43
2.14.1 如何用腳本升級(jí) 44
2.14.2 局限 47
2.14.3 手動(dòng)升級(jí)代碼 47
2.14.4 變量 47
2.14.5 匯總函數(shù) 47
2.14.6 簡(jiǎn)化的數(shù)學(xué)操作 48
2.14.7 其他事項(xiàng) 49
2.15 小結(jié) 49
第3章 用TensorFlow構(gòu)建前饋
神經(jīng)網(wǎng)絡(luò) 51
3.1 前饋神經(jīng)網(wǎng)絡(luò)介紹 51
3.1.1 前饋和反向傳播 52
3.1.2 權(quán)重和偏差 53
3.1.3 傳遞函數(shù) 53
3.2 手寫數(shù)字分類 54
3.3 探究MNIST數(shù)據(jù)集 55
3.4 Softmax分類器 57
3.5 TensorFlow模型的保存和還原 63
3.5.1 保存模型 63
3.5.2 還原模型 63
3.5.3 Softmax源代碼 65
3.5.4 Softmax啟動(dòng)器源代碼 66
3.6 實(shí)現(xiàn)一個(gè)五層神經(jīng)網(wǎng)絡(luò) 67
3.6.1 可視化 69
3.6.2 五層神經(jīng)網(wǎng)絡(luò)源代碼 70
3.7 ReLU分類器 72
3.8 可視化 73
3.9 Dropout優(yōu)化 76
3.10 可視化 78
3.11 小結(jié) 80
第4章 TensorFlow與卷積神經(jīng)網(wǎng)絡(luò) 82
4.1 CNN簡(jiǎn)介 82
4.2 CNN架構(gòu) 84
4.3 構(gòu)建你的* 一個(gè)CNN 86
4.4 CNN表情識(shí)別 95
4.4.1 表情分類器源代碼 104
4.4.2 使用自己的圖像測(cè)試模型 107
4.4.3 源代碼 109
4.5 小結(jié) 111
第5章 優(yōu)化TensorFlow自編碼器 112
5.1 自編碼器簡(jiǎn)介 112
5.2 實(shí)現(xiàn)一個(gè)自編碼器 113
5.3 增強(qiáng)自編碼器的魯棒性 119
5.4 構(gòu)建去噪自編碼器 120
5.5 卷積自編碼器 127
5.5.1 編碼器 127
5.5.2 解碼器 128
5.5.3 卷積自編碼器源代碼 134
5.6 小結(jié) 138
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò) 139
6.1 RNN的基本概念 139
6.2 RNN的工作機(jī)制 140
6.3 RNN的展開 140
6.4 梯度消失問題 141
6.5 LSTM網(wǎng)絡(luò) 142
6.6 RNN圖像分類器 143
6.7 雙向RNN 149
6.8 文本預(yù)測(cè) 155
6.8.1 數(shù)據(jù)集 156
6.8.2 困惑度 156
6.8.3 PTB模型 156
6.8.4 運(yùn)行例程 157
6.9 小結(jié) 158
第7章 GPU計(jì)算 160
7.1 GPGPU計(jì)算 160
7.2 GPGPU的歷史 161
7.3 CUDA架構(gòu) 161
7.4 GPU編程模型 162
7.5 TensorFlow中GPU的設(shè)置 163
7.6 TensorFlow的GPU管理 165
7.7 GPU內(nèi)存管理 168
7.8 在多GPU系統(tǒng)上分配單個(gè)GPU 168
7.9 使用多個(gè)GPU 170
7.10 小結(jié) 171
第8章 TensorFlow高 級(jí)編程 172
8.1 Keras簡(jiǎn)介 172
8.2 構(gòu)建深度學(xué)習(xí)模型 174
8.3 影評(píng)的情感分類 175
8.4 添加一個(gè)卷積層 179
8.5 Pretty Tensor 181
8.6 數(shù)字分類器 182
8.7 TFLearn 187
8.8 泰坦尼克號(hào)幸存者預(yù)測(cè)器 188
8.9 小結(jié) 191
第9章 TensorFlow高 級(jí)多媒體編程 193
9.1 多媒體分析簡(jiǎn)介 193
9.2 基于深度學(xué)習(xí)的大型對(duì)象檢測(cè) 193
9.2.1 瓶頸層 195
9.2.2 使用重訓(xùn)練的模型 195
9.3 加速線性代數(shù) 197
9.3.1 TensorFlow的核心優(yōu)勢(shì) 197
9.3.2 加速線性代數(shù)的準(zhǔn)時(shí)編譯 197
9.4 TensorFlow和Keras 202
9.4.1 Keras簡(jiǎn)介 202
9.4.2 擁有Keras的好處 203
9.4.3 視頻問答系統(tǒng) 203
9.5 Android上的深度學(xué)習(xí) 209
9.5.1 TensorFlow演示程序 209
9.5.2 Android入門 211
9.6 小結(jié) 214
* 10章 強(qiáng)化學(xué)習(xí) 215
10.1 強(qiáng)化學(xué)習(xí)基本概念 216
10.2 Q-learning算法 217
10.3 OpenAI Gym框架簡(jiǎn)介 218
10.4 FrozenLake-v0實(shí)現(xiàn)問題 220
10.5 使用TensorFlow實(shí)現(xiàn)Q-learning 223
10.6 小結(jié) 227
展開全部
TensorFlow深度學(xué)習(xí) 作者簡(jiǎn)介
[意]Giancarlo Zaccone 在并行計(jì)算和可視化方向擁有豐富經(jīng)驗(yàn)，目前于某咨詢公司擔(dān)任系統(tǒng)和軟件工程師。 [孟加拉]Md. Rezaul Karim 擁有近10年軟件研發(fā)經(jīng)驗(yàn)，具備扎實(shí)的算法和數(shù)據(jù)結(jié)構(gòu)知識(shí)，研究興趣包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、語義網(wǎng)絡(luò)等。 [埃及]Ahmed Menshawy 愛爾蘭都柏林三一學(xué)院研究工程師，主要工作是使用ADAPT中心的機(jī)器學(xué)習(xí)和自然語言處理技術(shù)成果構(gòu)建原型和應(yīng)用，在機(jī)器學(xué)習(xí)和自然語言處理領(lǐng)域擁有多年工作經(jīng)驗(yàn)。
書友推薦
- >
莉莉和章魚
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
月亮虎
- >
經(jīng)典常談
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
上帝之肋:男人的真實(shí)旅程
- >
名家?guī)阕x魯迅:朝花夕拾
- >
朝聞道
本類暢銷
