人工智能
类型
7.2
豆瓣评分
可以朗读
语音朗读
479千字
字数
2018-03-01
发行日期
展开全部
主编推荐语
96个案例，全面讲解了深度学习神经网络原理和TensorFlow使用方法。
内容简介
本书共分为3篇，靠前篇深度学习与TensorFlow基础，包括快速了解人工智能与TensorFlow、搭建开发环境、TensorFlow基本开发步骤、TensorFlow编程基础、识别图中模糊的手写数字等内容；第2篇深度学习基础——神经网络，介绍了神经网络的基础模型，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、自编码网络等内容；第3篇深度学习进阶，是对基础网络模型的灵活运用与自由组合，是对前面知识的综合及拔高，包括深度神经网络和对抗神经网络两章内容。本书特别适合TensorFlow深度学习的初学者和进阶读者阅读，也适合社会培训班和各大院校对深度学习有兴趣的学生阅读。
目录
- 版权信息
- 配套学习资源
- 前言
- 第1篇 深度学习与TensorFlow基础
- 第1章 快速了解人工智能与TensorFlow
- 1.1 什么是深度学习
- 1.2 TensorFlow是做什么的
- 1.3 TensorFlow的特点
- 1.4 其他深度学习框架特点及介绍
- 1.5 如何通过本书学好深度学习
- 第2章 搭建开发环境
- 2.1 下载及安装Anaconda开发工具
- 2.2 在Windows平台下载及安装TensorFlow
- 2.3 GPU版本的安装方法
- 2.4 熟悉Anaconda 3开发工具
- 第3章 TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例
- 3.1 实例1：从一组看似混乱的数据中找出y≈2x的规律
- 3.2 模型是如何训练出来的
- 3.3 了解TensorFlow开发的基本步骤
- 第4章 TensorFlow编程基础
- 4.1 编程模型
- 4.2 TensorFlow基础类型定义及操作函数介绍
- 4.3 共享变量
- 4.4 实例19：图的基本操作
- 4.5 配置分布式TensorFlow
- 4.6 动态图（Eager）
- 4.7 数据集（tf.data）
- 第5章 识别图中模糊的手写数字（实例21）
- 5.1 导入图片数据集
- 5.2 分析图片的特点，定义变量
- 5.3 构建模型
- 5.4 训练模型并输出中间状态参数
- 5.5 测试模型
- 5.6 保存模型
- 5.7 读取模型
- 第2篇 深度学习基础——神经网络
- 第6章 单个神经元
- 6.1 神经元的拟合原理
- 6.2 激活函数——加入非线性因素，解决线性模型缺陷
- 6.3 softmax算法——处理分类问题
- 6.4 损失函数——用真实值与预测值的距离来指导模型的收敛方向
- 6.5 softmax算法与损失函数的综合应用
- 6.6 梯度下降——让模型逼近最小偏差
- 6.7 初始化学习参数
- 6.8 单个神经元的扩展——Maxout网络
- 6.9 练习题
- 第7章 多层神经网络——解决非线性问题
- 7.1 线性问题与非线性问题
- 7.2 使用隐藏层解决非线性问题
- 7.3 实例31：利用全连接网络将图片进行分类
- 7.4 全连接网络训练中的优化技巧
- 7.5 练习题
- 第8章 卷积神经网络——解决参数太多问题
- 8.1 全连接网络的局限性
- 8.2 理解卷积神经网络
- 8.3 网络结构
- 8.4 卷积神经网络的相关函数
- 8.5 使用卷积神经网络对图片分类
- 8.6 反卷积神经网络
- 8.7 实例50：用反卷积技术复原卷积网络各层图像
- 8.8 善用函数封装库
- 8.9 深度学习的模型训练技巧
- 第9章 循环神经网络——具有记忆功能的网络
- 9.1 了解RNN的工作原理
- 9.2 简单RNN
- 9.3 循环神经网络（RNN）的改进
- 9.4 TensorFlow实战RNN
- 9.5 实例68：利用BiRNN实现语音识别
- 9.6 实例69：利用RNN训练语言模型
- 9.7 语言模型的系统学习
- 9.8 处理Seq2Seq任务
- 9.9 实例75：制作一个简单的聊天机器人
- 9.10 时间序列的高级接口TFTS
- 第10章 自编码网络——能够自学习样本特征的网络
- 10.1 自编码网络介绍及应用
- 10.2 最简单的自编码网络
- 10.3 自编码网络的代码实现
- 10.4 去噪自编码
- 10.5 去噪自编码网络的代码实现
- 10.6 栈式自编码
- 10.7 深度学习中自编码的常用方法
- 10.8 去噪自编码与栈式自编码的综合实现
- 10.9 变分自编码
- 10.10 条件变分自编码
- 第3篇 深度学习进阶
- 第11章 深度神经网络
- 11.1 深度神经网络介绍
- 11.2 GoogLeNet模型介绍
- 11.3 残差网络（ResNet）
- 11.4 Inception-ResNet-v2结构
- 11.5 TensorFlow中的图片分类模型库——slim
- 11.6 使用slim中的深度网络模型进行图像的识别与检测
- 11.7 实物检测模型库——Object Detection API
- 11.8 实物检测领域的相关模型
- 11.9 机器自己设计的模型（NASNet）
- 第12章 对抗神经网络（GAN）
- 12.1 GAN的理论知识
- 12.2 DCGAN——基于深度卷积的GAN
- 12.3 InfoGAN和ACGAN：指定类别生成模拟样本的GAN
- 12.4 AEGAN：基于自编码器的GAN
- 12.5 WGAN-GP：更容易训练的GAN
- 12.6 LSGAN（最小乘二GAN）：具有WGAN
- 12.7 GAN-cls：具有匹配感知的判别器
- 12.8 SRGAN——适用于超分辨率重建的GAN
- 12.9 GAN网络的高级接口TFGAN
- 12.10 总结
展开全部
评分及书评
评分不足
1个评分
- 给这本书评了5.0
面对人工智能如火如荼的发展趋势，IT 领域也掀起了一波深度学习热潮，但是其海量的应用数学术语和公式，将不少爱好者拒之门外。本书由浅入深地讲解了深度学习的知识体系，将专业性较强的公式和理论转化成通俗易懂的简单逻辑描述语言，帮助非数学专业的爱好者搭上人工智能的 “列车”。
出版方
机械工业出版社有限公司
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
