计算机 类型
可以朗读 语音朗读
278千字 字数
2022-02-01 发行日期
展开全部

主编推荐语

基于TensorFlow2，系统讲述如何搭建、训练和应用深度学习模型。

内容简介

本书首先介绍深度学习方面的数学知识与Python基础知识，线性模型中的线性回归模型和logistic模型，然后讲述正向传播算法、反向传播算法及深度神经网络的完整训练流程，输出层的激活函数和隐藏层的常见激活函数，深度学习的过拟合和欠拟合，应对过拟合的方法，以及使用TensorFlow2建立深度神经网络模型的步骤。接着介绍卷积神经网络及其两个重要的组成部分—卷积和池化，以及如何使用TensorFlow2建立卷积神经网络；后讨论如何从零开始实现循环神经网络，如何搭建深度学习框架，如何使用TensorFlow2建立循环神经网络模型。

本书既可供从事人工智能方面研究的专业人士阅读，也可供计算机专业的师生阅读。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 服务与支持
  • 第1章 深度学习简介
  • 1.1 什么是深度学习
  • 1.1.1 机器学习简介
  • 1.1.2 深度学习与传统机器学习算法的区别
  • 1.1.3 深度学习与人类神经网络的关系
  • 1.2 为什么需要学习深度学习
  • 1.3 谁需要学习深度学习
  • 1.4 学深度学习之后，你可以做什么
  • 1.5 本章小结
  • 第2章 数学和Python基础知识
  • 2.1 线性代数
  • 2.1.1 数、向量、矩阵和张量
  • 2.1.2 矩阵的转置
  • 2.1.3 矩阵的基本运算
  • 2.1.4 向量和矩阵的范数
  • 2.2 微积分
  • 2.2.1 导数的概念
  • 2.2.2 求导法则
  • 2.3 概率论
  • 2.3.1 随机变量
  • 2.3.2 随机变量的分布
  • 2.3.3 常见的概率分布
  • 2.3.4 条件概率
  • 2.4 Anaconda
  • 2.4.1 安装Anaconda
  • 2.4.2 包的管理
  • 2.4.3 环境的管理
  • 2.5 Jupyter Notebook
  • 2.5.1 安装Jupyter Notebook
  • 2.5.2 打开和关闭Jupyter Notebook
  • 2.5.3 代码框
  • 2.5.4 标记框
  • 2.6 Python
  • 2.6.1 Python基础
  • 2.6.2 Python基本数据结构
  • 2.6.3 控制结构和函数
  • 2.6.4 NumPy库
  • 2.6.5 Pandas
  • 2.6.6 画图工具
  • 2.7 本章小结
  • 第3章 线性模型
  • 3.1 线性回归模型
  • 3.1.1 线性回归模型简介
  • 3.1.2 随机梯度下降法
  • 3.1.3 全数据梯度下降法
  • 3.1.4 批量随机梯度下降法
  • 3.1.5 学习步长
  • 3.1.6 标准化和中心化
  • 3.1.7 3种梯度下降法的对比
  • 3.2 logistic模型
  • 3.2.1 logistic模型简介
  • 3.2.2 估计b和w1,w2,··· ,wp
  • 3.3 本章小结
  • 习题
  • 第4章 深度神经网络
  • 4.1 为什么需要深度神经网络
  • 4.1.1 简单神经网络
  • 4.1.2 具有隐藏层的神经网络
  • 4.2 正向传播算法
  • 4.3 反向传播算法
  • 4.4 深度神经网络的完整训练流程
  • 4.4.1 随机梯度下降法
  • 4.4.2 批量随机梯度下降法
  • 4.5 本章小结
  • 习题
  • 第5章 激活函数
  • 5.1 激活函数的基本要求
  • 5.2 输出层的激活函数
  • 5.2.1 因变量为定量数据
  • 5.2.2 因变量为二分类定性数据
  • 5.2.3 因变量为多分类定性数据
  • 5.2.4 识别MNIST数据集中的手写数字
  • 5.3 隐藏层的激活函数
  • 5.3.1 sigmoid函数
  • 5.3.2 tanh函数
  • 5.3.3 ReLU函数
  • 5.3.4 Leaky ReLU函数
  • 5.4 本章小结
  • 习题
  • 第6章 模型评估和正则化
  • 6.1 模型评估
  • 6.2 欠拟合和过拟合
  • 6.3 正则化
  • 6.3.1 早停法
  • 6.3.2 L2惩罚法
  • 6.3.3 丢弃法
  • 6.3.4 增加观测点
  • 6.4 本章小结
  • 习题
  • 第7章 基于TensorFlow 2建立深度学习模型
  • 7.1 安装TensorFlow
  • 7.2 TensorFlow 2基本用法
  • 7.2.1 tf.Tensor
  • 7.2.2 TensorFlow 2和NumPy的兼容性
  • 7.3 深度神经网络建模基本步骤
  • 7.3.1 创建模型结构
  • 7.3.2 训练模型
  • 7.3.3 评估和预测模型
  • 7.4 基于TensorFlow 2建立线性回归模型
  • 7.5 基于TensorFlow 2建立神经网络分类模型
  • 7.5.1 神经网络分类模型
  • 7.5.2 神经网络模型的正则化
  • 7.6 本章小结
  • 习题
  • 第8章 卷积神经网络
  • 8.1 卷积层
  • 8.1.1 卷积运算
  • 8.1.2 卷积层运算
  • 8.1.3 卷积运算的直观理解
  • 8.1.4 填充
  • 8.1.5 卷积层求导
  • 8.1.6 用Python实现卷积层的计算
  • 8.2 池化层
  • 8.2.1 池化运算
  • 8.2.2 池化层求导
  • 8.2.3 用Python实现池化层的计算
  • 8.3 卷积神经网络
  • 8.4 本章小结
  • 习题
  • 第9章 基于TensorFlow 2搭建卷积神经网络模型
  • 9.1 卷积层和池化层
  • 9.2 CNN实例
  • 9.2.1 关于MNIST数据集的实例
  • 9.2.2 关于CIFAR-10数据集的实例
  • 9.3 CNN建模技巧
  • 9.3.1 卷积神经网络的结构
  • 9.3.2 卷积层和池化层的超参数选择
  • 9.3.3 经典的卷积神经网络
  • 9.4 本章小结
  • 习题
  • 第10章 循环神经网络
  • 10.1 分析IMDB的数据
  • 10.1.1 IMDB的数据
  • 10.1.2 神经网络模型（IMDB）
  • 10.2 词嵌入
  • 10.3 循环神经网络
  • 10.4 从零开始实现循环神经网络
  • 10.4.1 莎士比亚作品应用示例
  • 10.4.2 正向传播算法
  • 10.4.3 反向传播算法
  • 10.5 本章小结
  • 习题
  • 第11章 搭建深度学习框架
  • 11.1 类Tensor和自动求导
  • 11.1.1 类
  • 11.1.2 类Tensor
  • 11.1.3 自动求导
  • 11.2 为Tensor类添加运算函数并建立神经网络模型
  • 11.2.1 为Tensor类添加运算函数
  • 11.2.2 使用Tensor类建立神经网络模型
  • 11.3 类SGD、类Layer和激活函数
  • 11.3.1 类SGD
  • 11.3.2 类Layer
  • 11.3.3 激活函数
  • 11.4 词嵌入和循环神经网络
  • 11.4.1 词嵌入
  • 11.4.2 循环神经网络
  • 11.5 本章小结
  • 习题
  • 第12章 长短期记忆模型与门控循环单元模型
  • 12.1 简单循环神经网络的主要缺陷
  • 12.2 长短期记忆模型
  • 12.2.1 LSTM模型的核心思想
  • 12.2.2 详解LSTM模型
  • 12.2.3 实现LSTM模型
  • 12.3 门控循环单元模型
  • 12.3.1 详解GRU模型
  • 12.3.2 实现GRU模型
  • 12.4 本章小结
  • 习题
  • 第13章 基于TensorFlow 2搭建循环神经网络模型
  • 13.1 建立LSTM模型
  • 13.1.1 预处理数据
  • 13.1.2 基于TensorFlow建立LSTM模型
  • 13.2 基于TensorFlow建立GRU模型
  • 13.3 本章小结
  • 习题
展开全部

评分及书评

评分不足
2个评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。