TensorFlow深度學習及實踐 ( 簡體 字) |
| 作者：梁佩瑩 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 52889
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：6/1/2020 |
| 頁數： |
| 光碟數：0 |
|
站長推薦：   |
| 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：9787302543527 |
| 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：深度神經網絡（Deep Neural Network，DNN），也稱深度學習，是人工智能領域的重要分支，是目前許多AI應用的基礎。自從深度學習在語音識別和圖像識別任務中取得突破性成果后，使用深度學習的應用數量開始呈爆炸式增加。深度學習方法被大量應用在身份識別、無人駕駛、癌癥檢測、游戲AI等方面，甚至在許多領域，深度神經網絡的準確度已經超過人類自身的操作。
從2005年到2011年，出現了多種廉價的數據捕獲設備（具有集成GPS、數百萬像素相機和重力傳感器的手機）和新型高維數據捕獲裝置（3D LIDAR和光學系統，IoT設備等），它們使獲得前所未有的大量信息成為可能。
此外，在硬件領域，摩爾定律的盡頭已經近在咫尺，這促使了大量并行設備的開發，使其用于訓練同一模型的數據成倍增長。
硬件和數據可用性方面的進步使研究人員能夠重新審視先驅者基于視覺的神經網絡架構（卷積神經網絡等）的工作，將它們用于解決許多新的問題。
深度學習的數學原理并不復雜，但它的一些設計思想很巧妙。入門深度學習，在數學方面只要知道如何對函數求導以及知道與矩陣相乘相關的知識即可。深度學習的入門門檻甚至比傳統機器學習算法還要低。
TensorFlow在眾多開源框架中，幾乎一家獨大，使用TensorFlow的人越多，社區就越活躍，遇到問題就越容易解決，相關的開源項目也會越多。
本書以TensorFlow作為使用工具，從簡單的加法運算操作開始，介紹TensorFlow環境的搭建、基本使用方法，然后實現一個最簡單的只有兩個參數的模型，接著實現圖像識別、語音識別、自然語言處理等一些高級應用。書中還用4章內容介紹深度神經網絡的原理和應用。
本書特點
娒 書中內容由淺入深，既有原理介紹，又有實戰操作，使讀者可以學以致用。
娒 本書知識全面，介紹詳盡，即使沒有深度學習基礎的讀者，通過本書的學習也可以快速上手，掌握理論基礎知識。
娒 書中使用TensorFlow庫實現各種模型，這樣既可以降低讀者的學習門檻，又可以為解決問題提供詳細的方法。
娒 本書具有超強的實用性，書中提供了從單個神經元到對抗神經網絡，從有監督學習到半監督學習，從簡單的數據分類到語音、圖像分類等一系列前沿技術，讓讀者隨時可以查閱和參考。
本書主要內容
第1章 人工智能簡介，介紹什么是人工智能，什么是深度學習，以及深度學習有哪些方法等，讓讀者簡單了解人工智能。
第2章 TensorFlow環境搭建，介紹TensorFlow的安裝環境、安裝方法以及相關模塊等內容，向讀者展示TensorFlow的使用環境。
第3章 TensorFlow可視化，從PlayGround和TensorBoard這兩方面介紹可視化，帶讀者領略TensorFlow可視化功能。
第4章 TensorFlow基礎知識，從張量、數據流圖、會話、變量、矩陣操作等內容介紹TensorFlow基礎知識，讓讀者體會TensorFlow基本功能。
第5章 TensorFlow聚類分析，從k均值聚類算法、k最近鄰算法等內容，向讀者介紹聚類分析是什么，怎樣定義相似性標準。
第6章 TensorFlow回歸分析，通過矩陣分析、線性回歸、戴明回歸、邏輯回歸等內容介紹回歸分析，幫助讀者通過數學模型來解釋不同的現象。
第7章 TensorFlow支持向量機，從線性支持向量機、非線性支持向量機兩大方面向讀者詳細地介紹怎樣利用支持向量機方法尋求最優。
第8章 深度神經網絡基礎知識，通過神經元、簡單神經網絡、深度神經網絡、前向傳播、反射傳播等內容向讀者全面闡述神經網絡的發展動向。
第9章 TensorFlow實現卷積神經網絡，通過卷積神經網絡的概念、實現、相關函數以及反卷積神經網絡等內容，向讀者講解卷積神經網絡的功能和實際應用。
第10章 TensorFlow實現循環神經網絡，通過循環神經網絡的結構、實現、長短時記憶網絡、自然語言建模等內容，向讀者詳細地介紹這個對時序數據非常有用的框架。
第11章 TensorFlow實現深度神經網絡，通過深度神經網絡的起源、模型、藝術風格、生成式對抗網絡等內容，向讀者介紹各種深度模型，并由簡單神經元介紹到對抗神經網絡。
配套資源
本書提供PPT課件、源代碼、習題答案等資料，請掃描此處二維碼或到清華大學出版社官方網站本書頁面下載。
由于時間倉促，加之作者水平有限，錯誤和疏漏之處在所難免，誠懇期望得到各領域專家和廣大讀者的批評指正，請發送郵件。
作者
2020年4月 |
內容簡介：TensorFlow是2015年年底開源的一套深度學習框架，也是目前最活躍的深度學習框架之一。本書從深度學習的基礎講起，深入TensorFlow的基本框架、原理、源代碼和實現等各個方面，其目的在于降低學習門檻，為讀者解決問題提供詳細的方法和指導。本書主要內容包括：人工智能簡介，TesnorFlow的環境搭建、可視化、基礎知識、聚類分析、回歸分析、支持向量機，TensorFlow實現卷積神經網絡、循環神經網絡、深度神經網絡等。
本書適合作為對深度學習感興趣的初學者的參考用書，也適合作為人工智能、計算機等相關專業深度學習課程的教材。 |
目錄：第1章人工智能簡介
1.1什么是人工智能
1.2AlphaGo的原理簡介
1.2.1MCTS算法
1.2.2AlphaGo的基本原理
1.3什么是深度學習
1.4深度學習的方法
1.5TensorFlow是什么
1.5.1TensorFlow的特點
1.5.2TensorFlow的使用公司和使用對象
1.5.3為什么Google要開源這個神器
1.6其他深度學習框架
1.7小結
1.8習題
第2章TensorFlow環境搭建
2.1安裝環境介紹
2.1.1CUDA簡介
2.1.2cuDNN簡介
2.1.3查看GPU信息
2.2安裝TensorFlow
2.2.1下載TensorFlow
2.2.2基于pip的安裝
2.2.3基于Java的安裝
2.2.4從源代碼安裝
2.3其他模塊
2.3.1numpy模塊
2.3.2matplotlib模塊
2.3.3jupyter模塊
2.3.4scikit拟image模塊
2.3.5librosa模塊
2.3.6nltk模塊
2.3.7keras模塊
2.3.8tflearn模塊
2.4文本編輯器
2.4.1Geany
2.4.2SublimeText
2.4.3IDLE
2.4.4PyCharm
2.5TensorFlow測試樣本
2.6小結
2.7習題
第3章TensorFlow可視化
3.1PlayGround
3.1.1數據
3.1.2特征
3.1.3隱藏層
3.1.4輸出
3.2TensorBoard
3.3TensorBoard代碼
3.4小結
3.5習題
第4章TensorFlow基礎知識
4.1張量
4.1.1張量的屬性
4.1.2張量的創建
4.1.3TensorFlow的交互式運行
4.2數據流圖
4.3操作
4.4會話
4.5變量
4.5.1初始化
4.5.2形變
4.5.3數據類型與維度
4.5.4其他操作
4.5.5共享變量
4.6矩陣的創建與操作
4.7模型的保存與讀取
4.7.1保存模型
4.7.2載入模型
4.7.3從磁盤讀取信息
4.8批標準化
4.9使用GPU
4.9.1指定GPU設備
4.9.2指定GPU的顯存占用
4.10神經元函數
4.10.1激活函數
4.10.2卷積函數
4.10.3分類函數
4.11優化方法
4.12隊列與線程
4.12.1隊列
4.12.2隊列管理器
4.12.3線程和協調器
4.13讀取數據源
4.13.1placeholder填充數據
4.13.2文件讀入數據
4.13.3預先讀入內存方式
4.14創建分類器
4.15小結
4.16習題
第5章TensorFlow聚類分析
5.1無監督學習
5.2聚類的概念
5.3k均值聚類算法
5.3.1k均值聚類算法迭代判據
5.3.2k均值聚類算法的機制
5.3.3k均值聚類算法的優缺點
5.3.4k均值聚類算法的實現
5.4k最近鄰算法
5.4.1實例分析
5.4.2k最近鄰算法概述
5.4.3模型和三要素
5.4.4kNN算法的不足
5.5k均值聚類算法的典型應用
5.5.1實例：對人工數據集使用k均值聚類算法
5.5.2實例：對人工數據集使用k最近鄰算法
5.5.3實例：對圖像識別使用k最近鄰算法
5.6小結
5.7習題
第6章TensorFlow回歸分析
6.1求逆矩陣
6.2矩陣分解
6.3實例：TensorFlow實現線性回歸算法
6.4選擇損失函數
6.4.1最小化損失函數
6.4.2實例：TensorFlow實現線性回歸損失函數
6.5TensorFlow的其他回歸算法
6.5.1戴明回歸算法
6.5.2嶺回歸與lasso回歸算法
6.5.3彈性網絡回歸算法
6.6邏輯回歸分析
6.6.1邏輯回歸
6.6.2損失函數
6.6.3實例：TensorFlow實現邏輯回歸算法
6.7小結
6.8習題
第7章TensorFlow支持向量機
7.1支持向量機簡介
7.1.1幾何間隔和函數間隔
7.1.2最大化間隔
7.1.3軟間隔
7.1.4SMO算法
7.1.5核函數
7.1.6實例：TensorFlow實現支持向量機
7.2非線性支持向量機
7.2.1風險最小化
7.2.2VC維
7.2.3結構風險最小化
7.2.4松弛變量
7.2.5實例：TensorFlow實現非線性支持向量機
7.3實例：TensorFlow實現多類支持向量機
7.4小結
7.5習題
第8章深度神經網絡基礎知識
8.1神經元
8.1.1神經元的結構
8.1.2神經元的功能
8.2簡單神經網絡
8.3深度神經網絡
8.4梯度下降
8.4.1批量梯度下降法
8.4.2隨機梯度下降法
8.4.3小批量梯度下降法
8.4.4實例：梯度下降法
8.5前向傳播
8.5.1前向傳播算法數學原理
8.5.2DNN的前向傳播算法
8.6后向傳播
8.6.1求導鏈式法則
8.6.2后向傳播算法思路
8.6.3后向傳播算法的計算過程
8.6.4實例：實現一個簡單的二值分類算法
8.7優化函數
8.7.1隨機梯度下降優化法
8.7.2動量優化法
8.7.3Adagrad優化法
8.7.4Adadelta優化法
8.7.5Adam優化法
8.8實例：TensorFlow實現簡單深度神經網絡
8.9小結
8.10習題
第9章TensorFlow實現卷積神經網絡
9.1卷積神經網絡的概述
9.1.1什么是卷積神經網絡
9.1.2為什么要用卷積神經網絡
9.1.3卷積神經網絡的結構
9.1.4實例：簡單卷積神經網絡的實現
9.2卷積神經網絡的函數
9.3AlexNet
9.4TensorFlow實現ResNet
9.4.1ResNet的基本原理
9.4.2實例：TensorFlow實現ResNet
9.5TesnorFlow卷積神經網絡的典型應用
9.6反卷積神經網絡
9.6.1反卷積原理
9.6.2反卷積操作
9.6.3實例：TensorFlow實現反卷積
9.6.4反池化原理
9.6.5實例：TensorFlow實現反池化
9.6.6偏導計算
9.6.7梯度停止
9.7深度學習的訓練技巧
9.7.1優化卷積核技術
9.7.2多通道卷積技術
9.8小結
9.9習題
第10章TensorFlow實現循環神經網絡
10.1循環神經網絡的概述
10.1.1循環神經網絡的結構
10.1.2實例：簡單循環神經網絡的實現
10.2長短時記憶網絡
10.2.1LSTM的網絡結構
10.2.2LSTM的前向計算
10.2.3實例：LSTM的實現
10.3自然語言建模
10.4實例：BiRNN實現語音識別
10.4.1語音識別背景
10.4.2獲取并整理樣本
10.4.3訓練模型
10.5Seq2Seq任務
10.5.1Seq2Seq任務介紹
10.5.2Encoder拟Decoder框架
10.5.3實例：TensorFlow實現Seq2Seq翻譯
10.5.4實例：比特幣市場的分析與預測
10.6小結
10.7習題
第11章TensorFlow實現深度神經網絡
11.1深度神經網絡的起源
11.2模型介紹
11.2.1AlexNet模型
11.2.2VGG模型
11.2.3GoogleNet模型
11.2.4殘差網絡
11.2.5Inception拟ResNet拟v2結構
11.2.6其他的深度神經網絡結構
11.3實例：VGG藝術風格轉移
11.4生成式對抗網絡
11.4.1GAN的理論知識
11.4.2生成式模型的應用
11.4.3discriminator和generator損失計算
11.4.4基于深度卷積的GAN
11.4.5指定類別生成模擬樣本的GAN
11.5實例：構建InfoGAN生成MNIST模擬數據
11.6小結
11.7習題
參考文獻 |
| 序： |
