科技 类型
可以朗读 语音朗读
393千字 字数
2021-04-01 发行日期
展开全部

主编推荐语

由浅入深为你介绍TensorFlow平台。

内容简介

本书以TensorFlow为平台，从神经网络到深度学习由浅入深进行介绍，书中每章都以理论引出，以TensorFlow应用巩固结束，做到理论与实践相结合，使读者快速了解神经网络、深度学习等内容，同时领略利用TensorFlow解决这些问题的简单和快捷。

本书共12章，主要内容包括TensorFlow软件介绍、计算机视觉与深度学习、深度神经网络的基础、全连接神经网络、卷积神经网络、高级卷积神经网络、循环神经网络、对抗神经网络、其他监督学习、非监督学习、自动编码机、强化学习等。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 走进TensorFlow
  • 1.1 TensorFlow介绍
  • 1.1.1 TensorFlow特性
  • 1.1.2 谁可以使用TensorFlow
  • 1.1.3 为什么Google要开源这个神器
  • 1.2 TensorFlow的环境搭建
  • 1.2.1 安装环境介绍
  • 1.2.2 安装TensorFlow
  • 1.2.3 Cuda和CuDNN的安装
  • 1.2.4 Geany开发环境
  • 1.3 TensorFlow基本使用
  • 1.3.1 计算图
  • 1.3.2 构建图
  • 1.3.3 在一个会话中启动图
  • 1.3.4 交互式使用
  • 1.3.5 Fetch
  • 1.3.6 Feed
  • 1.4 变量
  • 1.5 TensorFlow的队列
  • 1.5.1 队列的创建
  • 1.5.2 线程同步与停止
  • 1.5.3 队列中数据的读取
  • 1.6 TensorBoard可视化
  • 1.6.1 在TensorBoard中查看图结构
  • 1.6.2 数据变化趋势
  • 第2章 计算机视觉与深度学习
  • 2.1 计算机视觉
  • 2.1.1 人类视觉的启迪
  • 2.1.2 计算机视觉的难点和人工神经网络
  • 2.1.3 深度学习
  • 2.1.4 前深度学习时代的计算机视觉
  • 2.1.5 仿生学角度看深度学习
  • 2.1.6 应用深度学习解决计算机视觉问题
  • 2.2 深度学习在视觉上的应用
  • 2.2.1 人脸识别
  • 2.2.2 图片问答问题
  • 2.2.3 物体检测问题
  • 2.2.4 物体跟踪
  • 2.3 计算机视觉的学习方式和未来趋势
  • 2.4 机器学习
  • 2.4.1 机器学习发展的历程
  • 2.4.2 机器学习的步骤
  • 2.4.3 机器学习的分类
  • 2.4.4 机器学习的基本算法
  • 第3章 深度神经网络的基础
  • 3.1 生物神经元
  • 3.2 人工神经元
  • 3.2.1 人工神经元的数学模型
  • 3.2.2 人工神经网络
  • 3.2.3 激活函数
  • 3.2.4 神经元之间的连接形式
  • 3.2.5 人工神经网络的分类
  • 3.3 激活函数
  • 3.3.1 sigmoid激活函数
  • 3.3.2 tanh激活函数
  • 3.3.3 relu激活函数
  • 3.3.4 dropout激活函数
  • 3.4 softmax处理分类问题
  • 3.4.1 什么是softmax
  • 3.4.2 softmax原理
  • 3.5 损失函数
  • 3.5.1 均值平方差
  • 3.5.2 交叉熵
  • 3.5.3 自定义损失函数
  • 3.6 梯度下降法
  • 3.6.1 梯度下降法的作用与分类
  • 3.6.2 退化学习率
  • 3.7 优化函数
  • 3.7.1 随机梯度下降优化算法
  • 3.7.2 基于冲量优化算法
  • 3.7.3 Adadelta优化算法
  • 3.7.4 Adam优化算法
  • 3.8 拟合
  • 3.8.1 过拟合和欠拟合
  • 3.8.2 正则化的方法
  • 第4章 全连接神经网络
  • 4.1 前馈神经网络简介
  • 4.2 感知机
  • 4.2.1 感知机定义
  • 4.2.2 学习策略
  • 4.2.3 感知机学习算法
  • 4.3 全连接
  • 4.3.1 全连接结构
  • 4.3.2 前向传播算法
  • 4.4 线性模型的局限性
  • 4.5 多层网络解决异域运算
  • 4.6 全连接神经网络的经典实战
  • 第5章 卷积神经网络
  • 5.1 人类视觉原理
  • 5.2 卷积运算
  • 5.2.1 卷积运算
  • 5.2.2 卷积函数实现
  • 5.2.3 标注图像感兴趣的区域
  • 5.2.4 池化运算
  • 5.2.5 加强卷积特征提取
  • 5.3 反卷积、反池化操作
  • 5.3.1 反卷积操作
  • 5.3.2 反池化操作
  • 5.4 卷积神经网络的介绍
  • 5.4.1 卷积神经网络的一般框架
  • 5.4.2 卷积神经网络的训练
  • 5.4.3 利用卷积神经网络实现数据集分类
  • 5.5 图像数据处理
  • 5.5.1 图像编码处理
  • 5.5.2 翻转图像
  • 5.5.3 图像色彩调整
  • 5.5.4 图像标准化处理
  • 5.5.5 调整图像大小
  • 5.5.6 图像的标注框
  • 第6章 高级卷积神经网络
  • 6.1 LeNet-5卷积神经网络
  • 6.1.1 LeNet-5模型
  • 6.1.2 TensorFlow 实现简单的卷积神经网络
  • 6.2 AlexNet卷积神经网络
  • 6.2.1 AlexNet概述
  • 6.2.2 AlexNet结构
  • 6.2.3 AlexNet实现
  • 6.3 VGGNet卷积神经网络
  • 6.3.1 VGGNet模型结构
  • 6.3.2 VGGNet实现
  • 6.4 Inceptionv3卷积神经网络
  • 6.4.1 几种 Inception模型
  • 6.4.2 Inception v3原理及实现
  • 6.5 ResNet卷积神经网络
  • 6.5.1 ResNet模型结构
  • 6.5.2 ResNet实现
  • 第7章 循环神经网络
  • 7.1 RNN基础概念和结构
  • 7.2 RNN前后向传播算法
  • 7.2.1 RNN前向传播
  • 7.2.2 RNN后向传播
  • 7.3 循环神经网络的梯度
  • 7.4 LSTM单元
  • 7.4.1 LSTM单元基本结构
  • 7.4.2 LSTM的变体
  • 7.5 RNN的实现
  • 7.6 自然语言建模与词向量
  • 7.6.1 统计学语言模型
  • 7.6.2 独热编码
  • 7.6.3 词向量与Word2vec
  • 7.7 LSTM实现语音识别
  • 7.7.1 语音特征介绍
  • 7.7.2 算法流程
  • 7.7.3 TensorFlow实现语音识别
  • 第8章 对抗神经网络
  • 8.1 理论知识
  • 8.1.1 GAN网络结构
  • 8.1.2 GAN原理
  • 8.1.3 基本架构
  • 8.1.4 GAN 的特点及优缺点
  • 8.2 DCGAN网络
  • 8.3 InfoGAN网络
  • 8.4 WGAN-GP网络
  • 8.4.1 WGAN网络的理论
  • 8.4.2 WGAN网络的改进WGAN-GP网络
  • 8.4.3 WGAN-GP网络的实现
  • 8.5 SRGAN网络
  • 8.5.1 超分辨率技术
  • 8.5.2 ESPCN网络实现数据的超分辨率重建
  • 第9章 其他监督学习
  • 9.1 支持向量机
  • 9.1.1 支持向量机的含义
  • 9.1.2 线性不可分支持向量机与核函数
  • 9.1.3 SMO原理及实现
  • 9.2 朴素贝叶斯
  • 9.2.1 统计学知识
  • 9.2.2 朴素贝叶斯的模型
  • 9.2.3 朴素贝叶斯的推断过程
  • 9.2.4 朴素贝叶斯的参数估计
  • 9.2.5 朴素贝叶斯算法过程
  • 9.2.6 朴素贝叶斯的实现
  • 9.3 决策树
  • 9.3.1 认识决策树
  • 9.3.2 ID3算法的介绍
  • 9.3.3 C4.5算法的介绍
  • 9.3.4 决策树的实现
  • 9.4 k近邻算法
  • 9.4.1 kNN算法三要素
  • 9.4.2 kd树实现原理
  • 9.4.3 kNN算法的优缺点
  • 9.4.4 kNN算法的实现
  • 第10章 非监督学习
  • 10.1 主成分分析
  • 10.1.1 PCA思想
  • 10.1.2 基于最小投影距离
  • 10.1.3 基于最大投影方差
  • 10.1.4 PCA算法流程
  • 10.1.5 PCA的优缺点
  • 10.1.6 PCA的实现
  • 10.2 k均值聚类
  • 10.2.1 距离测试
  • 10.2.2 k均值聚类原理
  • 10.2.3 传统k均值算法流程
  • 10.2.4 K-Means++聚类算法
  • 10.3 自组织映射神经网络
  • 10.3.1 自组织映射算法
  • 10.3.2 与k均值的比较
  • 10.4 受限玻尔兹曼机
  • 10.5 谱聚类
  • 10.5.1 谱聚类的基础知识
  • 10.5.2 谱聚类之切图聚类
  • 10.5.3 谱聚类算法的实现
  • 第11章 自动编码机
  • 11.1 自动编码机原理
  • 11.2 标准自动编码机
  • 11.3 稀疏自动编码机
  • 11.4 去噪自动编码机
  • 11.5 卷积自动编码机
  • 第12章 强化学习
  • 12.1 强化学习的概述
  • 12.2 强化学习的学习过程
  • 12.3 OpenAl Gym原理及应用
  • 12.4 Q learning原理及应用
  • 12.5 DQN原理及应用
  • 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。