 |
-- 會員 / 註冊 --
|
 |
|
|
|
TensorFlow深度學習實戰 ( 簡體 字) |
| 作者：[美]安東尼奧·古利（Antonio Gulli） 阿米塔·卡普爾（ Amita Kapoor） | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 50547
詢問書籍請說出此書號！【有庫存】
NT售價： 495 元 |
| 出版日：1/12/2019 |
| 頁數：352 |
| 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：9787111615750 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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：本書將介紹如何有效地使用Google的開源框架TensorFlow進行深度學習。通過學習，你將實現不同的深度學習網絡，如卷積神經網絡（CNN）、循環神經網絡（RNN）、深度Q learning網絡（DQN）和生成對抗網絡（GAN），以及如何使用TensorFlow的高級封裝Keras工具。 |
目錄：譯者序
前言
作者簡介
審校者簡介
第1章 TensorFlow簡介 1
1.1 引言 1
1.2 TensorFlow安裝 2
1.3 Hello world 6
1.4 理解TensorFlow程序結構 8
1.5 常量、變量和占位符 10
1.6 使用TensorFlow 執行矩陣操作 15
1.7 使用數據流圖 17
1.8 從0.x遷移到1.x 18
1.9 使用XLA提升運算性能 19
1.10 調用CPU/GPU設備 21
1.11 TensorFlow與深度學習 24
1.12 DNN問題需要的Python包 28
第2章 回歸 30
2.1 引言 30
2.2 選擇損失函數 31
2.3 TensorFlow中的優化器 33
2.4 讀取CSV文件和數據預處理 36
2.5 房價估計——簡單線性回歸 39
2.6 房價估計——多元線性回歸 42
2.7 MNIST數據集的邏輯回歸 45
第3章 神經網絡——感知機 50
3.1 引言 50
3.2 激活函數 52
3.3 單層感知機 58
3.4 計算反向傳播算法的梯度 60
3.5 使用MLP實現MNIST分類器 63
3.6 使用MLP逼近函數來預測波士頓房價 66
3.7 調整超參數 71
3.8 高級API——Keras 72
第4章 卷積神經網絡 75
4.1 引言 75
4.2 創建一個ConvNet來分類手寫MNIST數字 79
4.3 創建一個ConvNet來分類CIFAR-10數據集 84
4.4 用VGG19做風格遷移的圖像重繪 87
4.5 使用預訓練的VGG16網絡進行遷移學習 96
4.6 創建DeepDream網絡 100
第5章 高級卷積神經網絡 105
5.1 引言 105
5.2 為情感分析創建一個ConvNet 106
5.3 檢驗VGG預建網絡學到的濾波器 109
5.4 使用 VGGNet、ResNet、Inception和Xception分類圖像 113
5.5 重新利用預建深度學習模型進行特征提取 125
5.6 用于遷移學習的深層InceptionV3網絡 126
5.7 使用擴張ConvNet、WaveNet和 NSynth生成音樂 129
5.8 關于圖像的問答 134
5.9 利用預訓練網絡進行視頻分類的6種方法 140
第6章 循環神經網絡 144
6.1 引言 144
6.2 神經機器翻譯——seq2seq RNN訓練 150
6.3 神經機器翻譯——seq2seq RNN推理 156
6.4 你所需要的是注意力—另一個seq2seq RNN例子 157
6.5 使用RNN像莎士比亞一樣寫作 161
6.6 基于RNN學習預測比特幣價格 165
6.7 多對一和多對多的RNN例子 174
第7章 無監督學習 176
7.1 引言 176
7.2 主成分分析 176
7.3 k均值聚類 181
7.4 自組織映射 186
7.5 受限玻爾茲曼機 191
7.6 基于RBM的推薦系統 196
7.7 用DBN進行情緒檢測 198
第8章 自動編碼機 205
8.1 引言 205
8.2 標準自動編碼機 207
8.3 稀疏自動編碼機 212
8.4 去噪自動編碼機 217
8.5 卷積自動編碼機 221
8.6 堆疊自動編碼機 225
第9章 強化學習 231
9.1 引言 231
9.2 學習OpenAI Gym 232
9.3 用神經網絡智能體玩Pac-Man游戲 235
9.4 用Q learning玩Cart-Pole平衡游戲 238
9.5 用DQN玩Atari游戲 244
9.6 用策略梯度網絡玩Pong游戲 252
第10章 移動端計算 259
10.1 引言 259
10.2 安裝適用于macOS和Android的TensorFlow mobile 260
10.3 玩轉TensorFlow和Android的示例 265
10.4 安裝適用于macOS和iPhone的TensorFlow mobile 268
10.5 為移動設備優化TensorFlow計算圖 271
10.6 為移動設備分析TensorFlow計算圖 273
10.7 為移動設備轉換TensorFlow計算圖 275
第11章 生成式模型和CapsNet 278
11.1 引言 278
11.2 學習使用簡單GAN虛構MNIST圖像 284
11.3 學習使用DCGAN虛構MNIST圖像 289
11.4 學習使用DCGAN虛構名人面孔和其他數據集 294
11.5 實現變分自動編碼機 297
11.6 學習使用膠囊網絡擊敗MNIST前期的最新成果 305
第12章 分布式TensorFlow和云深度學習 319
12.1 引言 319
12.2 在GPU上使用TensorFlow 322
12.3 玩轉分布式TensorFlow：多個GPU和一個CPU 323
12.4 玩轉分布式TensorFlow：多服務器 324
12.5 訓練分布式TensorFlow MNIST分類器 326
12.6 基于Docker使用TensorFlow Serving 328
12.7 使用計算引擎在谷歌云平臺上運行分布式TensorFlow 330
12.8 在谷歌CloudML上運行分布式TensorFlow 333
12.9 在Microsoft Azure上運行分布式TensorFlow 334
12.10 在Amazon AWS上運行分布式TensorFlow 337
附錄A 利用AutoML學會學習（元學習） 342
附錄B TensorFlow處理器 350 |
| 序： |
|
