 |
-- 會員 / 註冊 --
|
 |
|
|
|
TensorFlow神經網絡編程 ( 簡體 字) |
| 作者：[印度]曼普里特·辛格·古特（Manpreet Singh Ghotra）,拉蒂普·杜瓦（Rajdeep Dua） | 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： 50138
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：10/29/2018 |
| 頁數：220 |
| 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：9787111611783 |
| 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：本書首先簡要介紹流行的TensorFlow庫，并講解如何用它訓練不同的神經網絡。 你將深入了解神經網絡的基礎知識和它背后的數學原理，以及為什么我們會選擇TensorFlow訓練神經網絡。然后，你將實現一個簡單的前饋神經網絡。接下來，你將使用TensorFlow掌握神經網絡的優化技術和算法，以及一些更復雜的神經網絡的實現。*后，你將對如何利用TensorFlow的強大功能來訓練各種復雜的神經網絡有一個正確的理解。
|
目錄：譯者序
作者簡介
審校者簡介
前言
第1 章 神經網絡的數學原理 1
1.1 理解線性代數 1
1.1.1 環境設置 2
1.1.2 線性代數的數據結構 3
1.1.3 線性代數運算 4
1.1.4 求解線性方程 · 9
1.1.5 奇異值分解 11
1.1.6 特征值分解 14
1.1.7 主成分分析 14
1.2 微積分 15
1.2.1 梯度 16
1.2.2 Hessian 矩陣 23
1.2.3 行列式 24
1.3 最優化 25
1.4 總結 28
第2 章 深度前饋神經網絡 29
2.1 定義前饋神經網絡 29
2.2 理解反向傳播 30
2.3 在TensorFlow 中實現前饋神經網絡 · 31
2.4 分析Iris 數據集 · 34
2.5 使用前饋網絡進行圖像分類 40
2.6 總結 54
第3 章 神經網絡的優化 · 55
3.1 什么是優化 55
3.2 優化器的類型 56
3.3 梯度下降 57
3.3.1 梯度下降的變體 58
3.3.2 優化梯度下降的算法 59
3.4 優化器的選擇 61
3.5 總結 64
第4 章 卷積神經網絡 · 65
4.1 卷積神經網絡概述和直觀理解 66
4.1.1 單個卷積層的計算 66
4.1.2 TensorFlow 中的CNN 70
4.2 卷積操作 · 72
4.2.1 對圖像進行卷積 73
4.2.2 步長 75
4.3 池化 · 76
4.3.1 最大池化 77
4.3.2 示例代碼 78
4.4 使用卷積網絡進行圖像分類 80
4.5 總結 · 102
第5 章 遞歸神經網絡 · 103
5.1 遞歸神經網絡介紹 103
5.1.1 RNN 實現 105
5.1.2 TensorFlow RNN 實現 110
5.2 長短期記憶網絡簡介 114
5.2.1 LSTM 的生命周期 115
5.2.2 LSTM 實現 117
5.3 情感分析 122
5.3.1 詞嵌入 122
5.3.2 使用RNN 進行情感分析 · 128
5.4 總結 134
第6 章 生成模型 135
6.1 生成模型簡介 135
6.1.1 判別模型對生成模型 136
6.1.2 生成模型的類型 137
6.2 GAN · 140
6.2.1 GAN 示例 141
6.2.2 GAN 的種類 150
6.3 總結 · 152
第7 章 深度信念網絡 · 153
7.1 理解深度信念網絡 154
7.2 訓練模型 161
7.3 標簽預測 162
7.4 探索模型的準確度 162
7.5 DBN 在MNIST 數據集上的應用 · 163
7.5.1 加載數據集 163
7.5.2 具有256 個神經元的RBM層的DBN 的輸入參數 · 163
7.5.3 具有256 個神經元的RBM層的DBN 的輸出 · 165
7.6 DBN 中RBM 層的神經元數量的影響 · 165
7.6.1 具有512 個神經元的RBM 層 · 165
7.6.2 具有128 個神經元的RBM 層 · 166
7.6.3 準確度指標對比 166
7.7 具有兩個RBM 層的DBN 167
7.8 用DBN 對NotMNIST 數據集進行分類 · 169
7.9 總結 172
第8 章 自編碼器 173
8.1 自編碼算法 174
8.2 欠完備自編碼器 175
8.3 數據集 · 175
8.4 基本自編碼器 177
8.4.1 自編碼器的初始化 177
8.4.2 AutoEncoder 類 178
8.4.3 應用于MNIST 數據集的基本自編碼器 180
8.4.4 基本自編碼器的完整代碼 · 184
8.4.5 基本自編碼器小結 186
8.5 加性高斯噪聲自編碼器 186
8.5.1 自編碼器類 187
8.5.2 應用于MNIST 數據集的加性高斯自編碼器 188
8.5.3 繪制重建的圖像 191
8.5.4 加性高斯自編碼器的完整代碼 · 192
8.5.5 比較基本自編碼器和加性高斯噪聲自編碼器 193
8.5.6 加性高斯噪聲自編碼器小結 · 194
8.6 稀疏自編碼器 194
8.6.1 KL 散度 194
8.6.2 稀疏自編碼器的完整代碼 · 196
8.6.3 應用于MNIST 數據集的稀疏自編碼器 198
8.6.4 比較稀疏自編碼器和加性高斯噪聲自編碼器 200
8.7 總結 200
第9 章 神經網絡研究 · 201
9.1 神經網絡中避免過擬合 201
9.1.1 過擬合問題闡述 201
9.1.2 過擬合解決方案 202
9.1.3 影響效果 203
9.2 使用神經網絡進行大規模視頻處理 204
9.2.1 分辨率改進方案 204
9.2.2 特征直方圖基線 205
9.2.3 定量結果 205
9.3 使用雙分支互向神經網絡進行命名實體識別 206
9.3.1 命名實體識別的例子 206
9.3.2 定義Twinet 207
9.3.3 結果 208
9.4 雙向遞歸神經網絡 208
9.5 總結 209
第10 章 開始使用TensorFlow 211
10.1 環境搭建 211
10.2 比較TensorFlow 和Numpy 212
10.3 計算圖 213
10.3.1 圖 213
10.3.2 會話對象 214
10.3.3 變量 215
10.3.4 域 216
10.3.5 數據輸入 217
10.3.6 占位符和輸入字典 217
10.4 自動微分 218
10.5 TensorBoard · 219
|
| 序： |
|
