 |
-- 會員 / 註冊 --
|
 |
|
|
|
TensorFlow深度學習——深入理解人工智能算法設計 ( 簡體 字) |
| 作者：龍良曲 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53379
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：8/1/2020 |
| 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：9787302553335 |
| 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：這是一本面向人工智能，特別是深度學習初學者的圖書，本書旨在幫助更多的讀者了解、喜歡并進入人工智能行業中，因此作者試圖從人工智能中的簡單問題入手，一步步地提出設想、分析以及實現方案，重溫當年科研工作者的探索之路，讓讀者身臨其境地感受算法設計思想，從而掌握分析和解決問題的方法。這種方式對讀者的基礎知識要求較少，讀者在學習本書的過程中會自然而然地了解算法的相關背景知識，體會到知識是為了解決問題而生的，避免出現為了學習而學習的窘境。
盡管作者試圖將讀者的基礎要求降到最低，但是人工智能不可避免地需要使用正式化的數學符號推導，其中涉及少量的概率與統計、線性代數、微積分等數學知識，一般要求讀者對這些數學知識有初步印象或了解即可。比起理論基礎，需要有少量的編程經驗，特別是Python語言編程經驗，因為本書更側重于實用性，而不是堆砌公式。
本書共15章，第1~3章主要介紹人工智能的初步認知，并引出相關問題； 第4、5章主要介紹TensorFlow相關基礎，為后續算法實現鋪墊； 第6~9章主要介紹神經網絡的核心理論和共性知識，讓讀者理解深度學習的本質； 第10~15章主要介紹常見的算法與模型，讓讀者能夠學有所用。
在本書的編寫過程中，很多英文詞匯尚無法在業界找到一個共識翻譯名，因此作者備注翻譯的英文原文，供讀者參考，同時也方便日后閱讀相關英文文獻時，不至于感到陌生。
盡管每天都有深度學習相關算法論文的發表，但是作者相信，深度學習的核心思想和基礎理論是共通的。本書已盡可能地涵蓋其中基礎、主流并且前沿的算法知識，但是仍然有很多算法無法涵蓋，讀者學習完本書后，可以自行搜索相關方向的研究論文或資料，進一步學習。
深度學習是一個非常前沿和廣袤的研究領域，鮮有人士能夠對每個研究方向都有深刻的理解。作者自認才疏學淺，略懂皮毛，同時也限于時間和篇幅關系，難免出現理解偏差之處，懇請讀者指出，作者將及時修正，不勝感激。
龍良曲
2020年3月 |
內容簡介：本書適合初學者快速入門深度學習算法和TensorFlow框架。我們已講故事的方式向讀者一步步地介紹每個核心算法，非常詳細地剖析算法原理，手把手實現每個算法實戰，不但讓讀者能夠了解算法的工作原理，更重要的是教會讀者如何一步步地思考問題并解決問題。具體地，我們會介紹目前深度學習的數學原理，反向傳播算法，卷積神經網絡，循環神經網絡，對抗生產網絡，自編碼器，神經網絡結構搜索，圖卷積網絡等等一系列前沿核心算法。使讀者不僅可以明白原理，還能學以致用。內容講解細致，沒有數學基礎的讀者也能輕松入門。 |
目錄：第1章人工智能緒論
1.1人工智能簡介
1.1.1人工智能
1.1.2機器學習
1.1.3神經網絡與深度學習
1.2神經網絡發展簡史
1.2.1淺層神經網絡
1.2.2深度學習
1.3深度學習特點
1.3.1數據量
1.3.2計算力
1.3.3網絡規模
1.3.4通用智能
1.4深度學習應用
1.4.1計算機視覺
1.4.2自然語言處理
1.4.3強化學習
1.5深度學習框架
1.5.1主流框架
1.5.2TensorFlow2與TensorFlow1.x
1.5.3功能演示
1.6開發環境安裝
1.6.1Anaconda安裝
1.6.2CUDA安裝
1.6.3TensorFlow安裝
1.6.4常用編輯器安裝
參考文獻
第2章回歸問題
2.1神經元模型
2.2優化方法
2.3線性模型實戰
2.4線性回歸
參考文獻
第3章分類問題
3.1手寫數字圖片數據集
3.2模型構建
3.3誤差計算
3.4真的解決了嗎
3.5非線性模型
3.6表達能力
3.7優化方法
3.8手寫數字圖片識別體驗
3.8.1網絡搭建
3.8.2模型訓練
參考文獻
第4章TensorFlow基礎
4.1數據類型
4.1.1數值類型
4.1.2字符串類型
4.1.3布爾類型
4.2數值精度
4.2.1讀取精度
4.2.2類型轉換
4.3待優化張量
4.4創建張量
4.4.1從數組、列表對象創建
4.4.2創建全0或全1張量
4.4.3創建自定義數值張量
4.4.4創建已知分布的張量
4.4.5創建序列
4.5張量的典型應用
4.5.1標量
4.5.2向量
4.5.3矩陣
4.5.4三維張量
4.5.5四維張量
4.6索引與切片
4.6.1索引
4.6.2切片
4.6.3小結
4.7維度變換
4.7.1改變視圖
4.7.2增加、刪除維度
4.7.3交換維度
4.7.4復制數據
4.8Broadcasting
4.9數學運算
4.9.1加、減、乘、除運算
4.9.2乘方運算
4.9.3指數和對數運算
4.9.4矩陣相乘運算
4.10前向傳播實戰
第5章TensorFlow進階
5.1合并與分割
5.1.1合并
5.1.2分割
5.2數據統計
5.2.1向量范數
5.2.2最值、均值、和
5.3張量比較
5.4填充與復制
5.4.1填充
5.4.2復制
5.5數據限幅
5.6高級操作
5.6.1tf.gather
5.6.2tf.gather_nd
5.6.3tf.boolean_mask
5.6.4tf.where
5.6.5scatter_nd
5.6.6meshgrid
5.7經典數據集加載
5.7.1隨機打散
5.7.2批訓練
5.7.3預處理
5.7.4循環訓練
5.8MNIST測試實戰
第6章神經網絡
6.1感知機
6.2全連接層
6.2.1張量方式實現
6.2.2層方式實現
6.3神經網絡
6.3.1張量方式實現
6.3.2層方式實現
6.3.3優化目標
6.4激活函數
6.4.1Sigmoid
6.4.2ReLU
6.4.3LeakyReLU
6.4.4tanh
6.5輸出層設計
6.5.1普通實數空間
6.5.2〔0,1〕區間
6.5.3〔0,1〕區間，和為1
6.5.4〔-1,1〕
6.6誤差計算
6.6.1均方差誤差函數
6.6.2交叉熵損失函數
6.7神經網絡類型
6.7.1卷積神經網絡
6.7.2循環神經網絡
6.7.3注意力(機制)網絡
6.7.4圖卷積神經網絡
6.8汽車油耗預測實戰
6.8.1數據集
6.8.2創建網絡
6.8.3訓練與測試
參考文獻
第7章反向傳播算法
7.1導數與梯度
7.2導數常見性質
7.2.1基本函數的導數
7.2.2常用導數性質
7.2.3導數求解實戰
7.3激活函數導數
7.3.1Sigmoid函數導數
7.3.2ReLU函數導數
7.3.3LeakyReLU函數導數
7.3.4tanh函數梯度
7.4損失函數梯度
7.4.1均方誤差函數梯度
7.4.2交叉熵函數梯度
7.5全連接層梯度
7.5.1單神經元梯度
7.5.2全連接層梯度
7.6鏈式法則
7.7反向傳播算法
7.8Himmelblau函數優化實戰
7.9反向傳播算法實戰
7.9.1數據集
7.9.2網絡層
7.9.3網絡模型
7.9.4網絡訓練
7.9.5網絡性能
參考文獻
第8章Keras高層接口
8.1常見功能模塊
8.1.1常見網絡層類
8.1.2網絡容器
8.2模型裝配、訓練與測試
8.2.1模型裝配
8.2.2模型訓練
8.2.3模型測試
8.3模型保存與加載
8.3.1張量方式
8.3.2網絡方式
8.3.3SavedModel方式
8.4自定義網絡簡介
8.4.1自定義網絡層
8.4.2自定義網絡
8.5模型樂園
8.6測量工具
8.6.1新建測量器
8.6.2寫入數據
8.6.3讀取統計信息
8.6.4清除狀態
8.6.5準確率統計實戰
8.7可視化
8.7.1模型端
8.7.2瀏覽器端
第9章過擬合
9.1模型的容量
9.2欠擬合與過擬合
9.2.1欠擬合
9.2.2過擬合
9.3數據集劃分
9.3.1驗證集與超參數
9.3.2提前停止
9.4模型設計
9.5正則化
9.5.1L0正則化
9.5.2L1正則化
9.5.3L2正則化
9.5.4正則化效果
9.6Dropout
9.7數據增強
9.7.1旋轉
9.7.2翻轉
9.7.3裁剪
9.7.4生成數據
9.7.5其他方式
9.8過擬合問題實戰
9.8.1構建數據集
9.8.2網絡層數的影響
9.8.3Dropout的影響
9.8.4正則化的影響
參考文獻
第10章卷積神經網絡
10.1全連接網絡的問題
10.1.1局部相關性
10.1.2權值共享
10.1.3卷積運算
10.2卷積神經網絡
10.2.1單通道輸入和單卷積核
10.2.2多通道輸入和單卷積核
10.2.3多通道輸入、多卷積核
10.2.4步長
10.2.5填充
10.3卷積層實現
10.3.1自定義權值
10.3.2卷積層類
10.4LeNet拟5實戰
10.5表示學習
10.6梯度傳播
10.7池化層
10.8BatchNorm層
10.8.1前向傳播
10.8.2反向更新
10.8.3BN層實現
10.9經典卷積網絡
10.9.1AlexNet
10.9.2VGG系列
10.9.3GoogLeNet
10.10CIFAR10與VGG13實戰
10.11卷積層變種
10.11.1空洞卷積
10.11.2轉置卷積
10.11.3分離卷積
10.12深度殘差網絡
10.12.1ResNet原理
10.12.2ResBlock實現
10.13DenseNet
10.14CIFAR10與ResNet18實戰
參考文獻
第11章循環神經網絡
11.1序列表示方法
11.1.1Embedding層
11.1.2預訓練的詞向量
11.2循環神經網絡
11.2.1全連接層可行嗎
11.2.2權值共享
11.2.3全局語義
11.2.4循環神經網絡原理
11.3梯度傳播
11.4RNN層使用方法
11.4.1SimpleRNNCell
11.4.2多層SimpleRNNCell網絡
11.4.3SimpleRNN層
11.5RNN情感分類問題實戰
11.5.1數據集
11.5.2網絡模型
11.5.3訓練與測試
11.6梯度彌散和梯度爆炸
11.6.1梯度裁剪
11.6.2梯度彌散
11.7RNN短時記憶
11.8LSTM原理
11.8.1遺忘門
11.8.2輸入門
11.8.3刷新Memory
11.8.4輸出門
11.8.5小結
11.9LSTM層使用方法
11.9.1LSTMCell
11.9.2LSTM層
11.10GRU簡介
11.10.1復位門
11.10.2更新門
11.10.3GRU使用方法
11.11LSTM/GRU情感分類問題再戰
11.11.1LSTM模型
11.11.2GRU模型
11.12預訓練的詞向量
參考文獻
第12章自編碼器
12.1自編碼器原理
12.2FashionMNIST圖片重建實戰
12.2.1FashionMNIST數據集
12.2.2編碼器
12.2.3解碼器
12.2.4自編碼器
12.2.5網絡訓練
12.2.6圖片重建
12.3自編碼器變種
12.3.1DenoisingAuto拟Encoder
12.3.2DropoutAuto拟Encoder
12.3.3AdversarialAuto拟Encoder
12.4變分自編碼器
12.4.1VAE原理
12.4.2ReparameterizationTrick
12.5VAE圖片生成實戰
12.5.1VAE模型
12.5.2Reparameterization技巧
12.5.3網絡訓練
12.5.4圖片生成
參考文獻
第13章生成對抗網絡
13.1博弈學習實例
13.2GAN原理
13.2.1網絡結構
13.2.2網絡訓練
13.2.3統一目標函數
13.3DCGAN實戰
13.3.1動漫圖片數據集
13.3.2生成器
13.3.3判別器
13.3.4訓練與可視化
13.4GAN變種
13.4.1DCGAN
13.4.2InfoGAN
13.4.3CycleGAN
13.4.4WGAN
13.4.5EqualGAN
13.4.6Self拟AttentionGAN
13.4.7BigGAN
13.5納什均衡
13.5.1判別器狀態
13.5.2生成器狀態
13.5.3納什均衡點
13.6GAN訓練難題
13.6.1超參數敏感
13.6.2模式崩塌
13.7WGAN原理
13.7.1JS散度的缺陷
13.7.2EM距離
13.7.3WGAN拟GP
13.8WGAN拟GP實戰
參考文獻
第14章強化學習
14.1先睹為快
14.1.1平衡桿游戲
14.1.2Gym平臺
14.1.3策略網絡
14.1.4梯度更新
14.1.5平衡桿游戲實戰
14.2強化學習問題
14.2.1馬爾科夫決策過程
14.2.2目標函數
14.3策略梯度方法
14.3.1REINFORCE算法
14.3.2原始策略梯度的改進
14.3.3帶基準的REINFORCE算法
14.3.4重要性采樣
14.3.5PPO算法
14.3.6PPO實戰
14.4值函數方法
14.4.1值函數
14.4.2值函數估計
14.4.3策略改進
14.4.4SARSA算法
14.4.5DQN算法
14.4.6DQN變種
14.4.7DQN實戰
14.5Actor拟Critic方法
14.5.1AdvantageAC算法
14.5.2A3C算法
14.5.3A3C實戰
參考文獻
第15章自定義數據集
15.1精靈寶可夢數據集
15.2自定義數據集加載
15.2.1創建編碼表
15.2.2創建樣本和標簽表格
15.2.3數據集劃分
15.3寶可夢數據集實戰
15.3.1創建Dataset對象
15.3.2數據預處理
15.3.3創建模型
15.3.4網絡訓練與測試
15.4遷移學習
15.4.1遷移學習原理
15.4.2遷移學習實戰 |
| 序： |
|
