-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習之TensorFlow:入門、原理與進階實戰

( 簡體 字)
作者:李金洪類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:機械工業出版社深度學習之TensorFlow:入門、原理與進階實戰 3dWoo書號: 48489
詢問書籍請說出此書號!

有庫存
NT售價: 495

出版日:2/6/2018
頁數:508
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111590057
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書通過96個案例,全面講解了深度學習神經網絡原理和TensorFlow使用方法。全書共分為3篇,第1篇深度學習與TensorFlow基礎,包括快速了解人工智能與TensorFlow、搭建開發環境、TensorFlow基本開發步驟、TensorFlow編程基礎、識別圖中模糊的手寫數字等內容;第2篇深度學習基礎——神經網絡,介紹了神經網絡的基礎模型,包括單個神經元、多層神經網絡、卷積神經網絡、循環神經網絡、自編碼網絡等內容;第3篇深度學習進階,是對基礎網絡模型的靈活運用與自由組合,是對前面知識的綜合及拔高,包括深度神經網絡和對抗神經網絡兩章內容。本書特別適合TensorFlow深度學習的初學者和進階讀者閱讀,也適合社會培訓班和各大院校對深度學習有興趣的學生閱讀。
目錄:

第1篇 深度學習與TensorFlow基礎
第1章 快速了解人工智能與TensorFlow2
1.1 什么是深度學習2
1.2 TensorFlow是做什么的3
1.3 TensorFlow的特點4
1.4 其他深度學習框架特點及介紹5
1.5 如何通過本書學好深度學習6
1.5.1 深度學習怎么學6
1.5.2 如何學習本書7
第2章 搭建開發環境8
2.1 下載及安裝Anaconda開發工具8
2.2 在Windows平臺下載及安裝TensorFlow11
2.3 GPU版本的安裝方法12
2.3.1 安裝CUDA軟件包12
2.3.2 安裝cuDNN庫13
2.3.3 測試顯卡14
2.4 熟悉Anaconda 3開發工具15
2.4.1 快速了解Spyder16
2.4.2 快速了解Jupyter Notebook18
第3章 TensorFlow基本開發步驟——以邏輯回歸擬合二維數據為例19
3.1 實例1:從一組看似混亂的數據中找出y?2x的規律19
3.1.1 準備數據20
3.1.2 搭建模型21
3.1.3 迭代訓練模型23
3.1.4 使用模型25
3.2 模型是如何訓練出來的25
3.2.1 模型里的內容及意義25
3.2.2 模型內部的數據流向26
3.3 了解TensorFlow開發的基本步驟27
3.3.1 定義輸入節點的方法27
3.3.2 實例2:通過字典類型定義輸入節點28
3.3.3 實例3:直接定義輸入節點28
3.3.4 定義“學習參數”的變量29
3.3.5 實例4:通過字典類型定義“學習參數”29
3.3.6 定義“運算”29
3.3.7 優化函數,優化目標30
3.3.8 初始化所有變量30
3.3.9 迭代更新參數到最優解31
3.3.10 測試模型31
3.3.11 使用模型31
第4章 TensorFlow編程基礎32
4.1 編程模型32
4.1.1 了解模型的運行機制33
4.1.2 實例5:編寫hello world程序演示session的使用34
4.1.3 實例6:演示with session的使用35
4.1.4 實例7:演示注入機制35
4.1.5 建立session的其他方法36
4.1.6 實例8:使用注入機制獲取節點36
4.1.7 指定GPU運算37
4.1.8 設置GPU使用資源37
4.1.9 保存和載入模型的方法介紹38
4.1.10 實例9:保存/載入線性回歸模型38
4.1.11 實例10:分析模型內容,演示模型的其他保存方法40
4.1.12 檢查點(Checkpoint)41
4.1.13 實例11:為模型添加保存檢查點41
4.1.14 實例12:更簡便地保存檢查點44
4.1.15 模型操作常用函數總結45
4.1.16 TensorBoard可視化介紹45
4.1.17 實例13:線性回歸的TensorBoard可視化46
4.2 TensorFlow基礎類型定義及操作函數介紹48
4.2.1 張量及操作49
4.2.2 算術運算函數55
4.2.3 矩陣相關的運算56
4.2.4 復數操作函數58
4.2.5 規約計算59
4.2.6 分割60
4.2.7 序列比較與索引提取61
4.2.8 錯誤類62
4.3 共享變量62
4.3.1 共享變量用途62
4.3.2 使用get-variable獲取變量63
4.3.3 實例14:演示get_variable和Variable的區別63
4.3.4 實例15:在特定的作用域下獲取變量65
4.3.5 實例16:共享變量功能的實現66
4.3.6 實例17:初始化共享變量的作用域67
4.3.7 實例18:演示作用域與操作符的受限范圍68
4.4 實例19:圖的基本操作70
4.4.1 建立圖70
4.4.2 獲取張量71
4.4.3 獲取節點操作72
4.4.4 獲取元素列表73
4.4.5 獲取對象73
4.4.6 練習題74
4.5 配置分布式TensorFlow74
4.5.1 分布式TensorFlow的角色及原理74
4.5.2 分布部署TensorFlow的具體方法75
4.5.3 實例20:使用TensorFlow實現分布式部署訓練75
4.6 動態圖(Eager)81
4.7 數據集(tf.data)82
第5章 識別圖中模糊的手寫數字(實例21)83
5.1 導入圖片數據集84
5.1.1 MNIST數據集介紹84
5.1.2 下載并安裝MNIST數據集85
5.2 分析圖片的特點,定義變量87
5.3 構建模型87
5.3.1 定義學習參數87
5.3.2 定義輸出節點88
5.3.3 定義反向傳播的結構88
5.4 訓練模型并輸出中間狀態參數89
5.5 測試模型90
5.6 保存模型91
5.7 讀取模型92
第2篇 深度學習基礎——神經網絡
第6章 單個神經元96
6.1 神經元的擬合原理96
6.1.1 正向傳播98
6.1.2 反向傳播98
6.2 激活函數——加入非線性因素,解決線性模型缺陷99
6.2.1 Sigmoid函數99
6.2.2 Tanh函數100
6.2.3 ReLU函數101
6.2.4 Swish函數103
6.2.5 激活函數總結103
6.3 softmax算法——處理分類問題103
6.3.1 什么是softmax104
6.3.2 softmax原理104
6.3.3 常用的分類函數105
6.4 損失函數——用真實值與預測值的距離來指導模型的收斂方向105
6.4.1 損失函數介紹105
6.4.2 TensorFlow中常見的loss函數106
6.5 softmax算法與損失函數的綜合應用108
6.5.1 實例22:交叉熵實驗108
6.5.2 實例23:one_hot實驗109
6.5.3 實例24:sparse交叉熵的使用110
6.5.4 實例25:計算loss值110
6.5.5 練習題111
6.6 梯度下降——讓模型逼近最小偏差111
6.6.1 梯度下降的作用及分類111
6.6.2 TensorFlow中的梯度下降函數112
6.6.3 退化學習率——在訓練的速度與精度之間找到平衡113
6.6.4 實例26:退化學習率的用法舉例114
6.7 初始化學習參數115
6.8 單個神經元的擴展——Maxout網絡116
6.8.1 Maxout介紹116
6.8.2 實例27:用Maxout網絡實現MNIST分類117
6.9 練習題118
第7章 多層神經網絡——解決非線性問題119
7.1 線性問題與非線性問題119
7.1.1 實例28:用線性單分邏輯回歸分析腫瘤是良性還是惡性的119
7.1.2 實例29:用線性邏輯回歸處理多分類問題123
7.1.3 認識非線性問題129
7.2 使用隱藏層解決非線性問題130
7.2.1 實例30:使用帶隱藏層的神經網絡擬合異或操作130
7.2.2 非線性網絡的可視化及其意義133
7.2.3 練習題135
7.3 實例31:利用全連接網絡將圖片進行分類136
7.4 全連接網絡訓練中的優化技巧137
7.4.1 實例32:利用異或數據集演示過擬合問題138
7.4.2 正則化143
7.4.3 實例33:通過正則化改善過擬合情況144
7.4.4 實例34:通過增大數據集改善過擬合145
7.4.5 練習題146
7.4.6 dropout——訓練過程中,將部分神經單元暫時丟棄146
7.4.7 實例35:為異或數據集模型添加dropout147
7.4.8 實例36:基于退化學習率dropout技術來擬合異或數據集149
7.4.9 全連接網絡的深淺關系150
7.5 練習題150
第8章 卷積神經網絡——解決參數太多問題151
8.1 全連接網絡的局限性151
8.2 理解卷積神經網絡152
8.3 網絡結構153
8.3.1 網絡結構描述153
8.3.2 卷積操作155
8.3.3 池化層157
8.4 卷積神經網絡的相關函數158
8.4.1 卷積函數tf.nn.conv2d158
8.4.2 padding規則介紹159
8.4.3 實例37:卷積函數的使用160
8.4.4 實例38:使用卷積提取圖片的輪廓165
8.4.5 池化函數tf.nn.max_pool(avg_pool)167
8.4.6 實例39:池化函數的使用167
8.5 使用卷積神經網絡對圖片分類170
8.5.1 CIFAR介紹171
8.5.2 下載CIFAR數據172
8.5.3 實例40:導入并顯示CIFAR數據集173
8.5.4 實例41:顯示CIFAR數據集的原始圖片174
8.5.5 cifar10_input的其他功能176
8.5.6 在TensorFlow中使用queue176
8.5.7 實例42:協調器的用法演示178
8.5.8 實例43:為session中的隊列加上協調器179
8.5.9 實例44:建立一個帶有全局平均池化層的卷積神經網絡180
8.5.10 練習題183
8.6 反卷積神經網絡183
8.6.1 反卷積神經網絡的應用場景184
8.6.2 反卷積原理184
8.6.3 實例45:演示反卷積的操作185
8.6.4 反池化原理188
8.6.5 實例46:演示反池化的操作189
8.6.6 實例47:演示gradients基本用法192
8.6.7 實例48:使用gradients對多個式子求多變量偏導192
8.6.8 實例49:演示梯度停止的實現193
8.7 實例50:用反卷積技術復原卷積網絡各層圖像195
8.8 善用函數封裝庫198
8.8.1 實例51:使用函數封裝庫重寫CIFAR卷積網絡198
8.8.2 練習題201
8.9 深度學習的模型訓練技巧201
8.9.1 實例52:優化卷積核技術的演示201
8.9.2 實例53:多通道卷積技術的演示202
8.9.3 批量歸一化204
8.9.4 實例54:為CIFAR圖片分類模型添加BN207
8.9.5 練習題209
第9章 循環神經網絡——具有記憶功能的網絡210
9.1 了解RNN的工作原理210
9.1.1 了解人的記憶原理210
9.1.2 RNN網絡的應用領域212
9.1.3 正向傳播過程212
9.1.4 隨時間反向傳播213
9.2 簡單RNN215
9.2.1 實例55:簡單循環神經網絡實現——裸寫一個退位減法器215
9.2.2 實例56:使用RNN網絡擬合回聲信號序列220
9.3 循環神經網絡(RNN)的改進225
9.3.1 LSTM網絡介紹225
9.3.2 窺視孔連接(Peephole)228
9.3.3 帶有映射輸出的STMP230
9.3.4 基于梯度剪輯的cell230
9.3.5 GRU網絡介紹230
9.3.6 Bi-RNN網絡介紹231
9.3.7 基于神經網絡的時序類分類CTC232
9.4 TensorFlow實戰RNN233
9.4.1 TensorFlow中的cell類233
9.4.2 通過cell類構建RNN234
9.4.3 實例57:構建單層LSTM網絡對MNIST數據集分類239
9.4.4 實例58:構建單層GRU網絡對MNIST數據集分類240
9.4.5 實例59:創建動態單層RNN網絡對MNIST數據集分類240
9.4.6 實例60:靜態多層LSTM對MNIST數據集分類241
9.4.7 實例61:靜態多層RNN-LSTM連接GRU對MNIST數據集分類242
9.4.8 實例62:動態多層RNN對MNIST數據集分類242
9.4.9 練習題243
9.4.10 實例63:構建單層動態雙向RNN對MNIST數據集分類243
9.4.11 實例64:構建單層靜態雙向RNN對MNIST數據集分類244
9.4.12 實例65:構建多層雙向RNN對MNIST數據集分類246
9.4.13 實例66:構建動態多層雙向RNN對MNIST數據集分類247
9.4.14 初始化RNN247
9.4.15 優化RNN248
9.4.16 實例67:在GRUCell中實現LN249
9.4.17 CTC網絡的loss——ctc_loss251
9.4.18 CTCdecoder254
9.5 實例68:利用BiRNN實現語音識別255
9.5.1 語音識別背景255
9.5.2 獲取并整理樣本256
9.5.3 訓練模型265
9.5.4 練習題272
9.6 實例69:利用RNN訓練語言模型273
9.6.1 準備樣本273
9.6.2 構建模型275
9.7 語言模型的系統學習279
9.7.1 統計語言模型279
9.7.2 詞向量279
9.7.3 word2vec281
9.7.4 實例70:用CBOW模型訓練自己的word2vec283
9.7.5 實例71:使用指定侯選采樣本訓練word2vec293
9.7.6 練習題296
9.8 處理Seq2Seq任務296
9.8.1 Seq2Seq任務介紹296
9.8.2 Encoder-Decoder框架297
9.8.3 實例72:使用basic_rnn_seq2seq擬合曲線298
9.8.4 實例73:預測當天的股票價格306
9.8.5 基于注意力的Seq2Seq310
9.8.6 實例74:基于Seq2Seq注意力模型實現中英文機器翻譯313
9.9 實例75:制作一個簡單的聊天機器人339
9.9.1 構建項目框架340
9.9.2 準備聊天樣本340
9.9.3 預處理樣本340
9.9.4 訓練樣本341
9.9.5 測試模型342
9.10 時間序列的高級接口TFTS344
第10章 自編碼網絡——能夠自學習樣本特征的網絡346
10.1 自編碼網絡介紹及應用346
10.2 最簡單的自編碼網絡347
10.3 自編碼網絡的代碼實現347
10.3.1 實例76:提取圖片的特征,并利用特征還原圖片347
10.3.2 線性解碼器351
10.3.3 實例77:提取圖片的二維特征,并利用二維特征還原圖片351
10.3.4 實例78:實現卷積網絡的自編碼356
10.3.5 練習題358
10.4 去噪自編碼359
10.5 去噪自編碼網絡的代碼實現359
10.5.1 實例79:使用去噪自編碼網絡提取MNIST特征359
10.5.2 練習題363
10.6 棧式自編碼364
10.6.1 棧式自編碼介紹364
10.6.2 棧式自編碼在深度學習中的意義365
10.7 深度學習中自編碼的常用方法366
10.7.1 代替和級聯366
10.7.2 自編碼的應用場景366
10.8 去噪自編碼與棧式自編碼的綜合實現366
10.8.1 實例80:實現去噪自編碼367
10.8.2 實例81:添加模型存儲支持分布訓練375
10.8.3 小心分布訓練中的“坑”376
10.8.4 練習題377
10.9 變分自編碼377
10.9.1 什么是變分自編碼377
10.9.2 實例82:使用變分自編碼模擬生成MNIST數據377
10.9.3 練習題384
10.10 條件變分自編碼385
10.10.1 什么是條件變分自編碼385
10.10.2 實例83:使用標簽指導變分自編碼網絡生成MNIST數據385
第3篇 深度學習進階
第11章 深度神經網絡392
11.1 深度神經網絡介紹392
11.1.1 深度神經網絡起源392
11.1.2 經典模型的特點介紹393
11.2 GoogLeNet模型介紹394
11.2.1 MLP卷積層394
11.2.2 全局均值池化395
11.2.3 Inception 原始模型396
11.2.4 Inception v1模型396
11.2.5 Inception v2模型397
11.2.6 Inception v3模型397
11.2.7 Inception v4模型399
11.3 殘差網絡(ResNet)399
11.3.1 殘差網絡結構399
11.3.2 殘差網絡原理400
11.4 Inception-ResNet-v2結構400
11.5 TensorFlow中的圖片分類模型庫——slim400
11.5.1 獲取models中的slim模塊代碼401
11.5.2 models中的Slim目錄結構401
11.5.3 slim中的數據集處理403
11.5.4 實例84:利用slim讀取TFRecord中的數據405
11.5.5 在slim中訓練模型407
11.6 使用slim中的深度網絡模型進行圖像的識別與檢測410
11.6.1 實例85:調用Inception_ResNet_v2模型進行圖像識別410
11.6.2 實例86:調用VGG模型進行圖像檢測413
11.7 實物檢測模型庫——Object Detection API417
11.7.1 準備工作418
11.7.2 實例87:調用Object Detection API進行實物檢測421
11.8 實物檢測領域的相關模型425
11.8.1 RCNN基于卷積神經網絡特征的區域方法426
11.8.2 SPP-Net:基于空間金字塔池化的優化RCNN方法426
11.8.3 Fast-R-CNN快速的RCNN模型426
11.8.4 YOLO:能夠一次性預測多個位置和類別的模型427
11.8.5 SSD:比YOLO更快更準的模型428
11.8.6 YOLO2:YOLO的升級版模型428
11.9 機器自己設計的模型(NASNet)428 
第12章 對抗神經網絡(GAN)430
12.1 GAN的理論知識430
12.1.1 生成式模型的應用431
12.1.2 GAN的訓練方法431
12.2 DCGAN——基于深度卷積的GAN432
12.3 InfoGAN和ACGAN:指定類別生成模擬樣本的GAN432
12.3.1 InfoGAN:帶有隱含信息的GAN432
12.3.2 AC-GAN:帶有輔助分類信息的GAN433
12.3.3 實例88:構建InfoGAN生成MNIST模擬數據434
12.3.4 練習題440
12.4 AEGAN:基于自編碼器的GAN441
12.4.1 AEGAN原理及用途介紹441
12.4.2 實例89:使用AEGAN對MNIST數據集壓縮特征及重建442
12.5 WGAN-GP:更容易訓練的GAN447
12.5.1 WGAN:基于推土機距離原理的GAN448
12.5.2 WGAN-GP:帶梯度懲罰項的WGAN449
12.5.3 實例90:構建WGAN-GP生成MNIST數據集451
12.5.4 練習題455
12.6 LSGAN(最小乘二GAN):具有WGAN 同樣效果的GAN455
12.6.1 LSGAN介紹455
12.6.2 實例91:構建LSGAN生成MNIST模擬數據456
12.7 GAN-cls:具有匹配感知的判別器457
12.7.1 GAN-cls的具體實現458
12.7.2 實例92:使用GAN-cls技術實現生成標簽匹配的模擬數據458
12.8 SRGAN——適用于超分辨率重建的GAN461
12.8.1 超分辨率技術461
12.8.2 實例93:ESPCN實現MNIST數據集的超分辨率重建463
12.8.3 實例94:ESPCN實現flowers數據集的超分辨率重建466
12.8.4 實例95:使用殘差網絡的ESPCN472
12.8.5 SRGAN的原理477
12.8.6 實例96:使用SRGAN實現flowers數據集的超分辨率修復477
12.9 GAN網絡的高級接口TFGAN485
12.10 總結486
序: