编辑推荐
本书基于使用Python语言的TensorFlow深度学习框架进行讲解，帮助你快速入门。
内容简介
人工智能极简历史、开发环境准备、初识TensorFlow、简化神经网络模型、用神经网络解决非线性问题、从文件中载入训练数据、多层全连接神经网络、保存和载入训练过程、查看图形化的模型、用训练好的模型进行预测、用高层工具简化建模和训练过程、在其它语言中调用TensorFlow模型、用卷积神经网络进行图像识别、循环神经网络初步、下一步学习方向指南
展开全文
- 扉页
- 版权页
- 内容提要
- 前言
- 第1章 人工智能极简历史
- 1.1 重要的奠基时期
- 1.1.1 神经元的研究和人工神经元模型的提出
- 1.1.2 计算机和程序的出现
- 1.1.3 图灵测试的提出
- 1.2 人工智能的诞生
- 1.3 第一个快速发展期
- 1.4 人工智能的第一个寒冬
- 1.5 人工智能研究的沉默探索与复苏
- 1.6 人工智能的第二个冬天
- 1.7 再一次腾飞
- 1.7.1 计算机综合计算能力的大幅提升
- 1.7.2 大数据的出现
- 1.7.3 神经网络研究的成熟化
- 1.8 未来展望
- 1.9 本章小结：历史指引未来
- 第2章 开发环境准备
- 2.1 安装Python
- 2.1.1 Windows操作系统下安装Python
- 2.1.2 Mac OS X操作系统下安装Python
- 2.1.3 Linux操作系统下安装Python
- 2.2 安装TensorFlow
- 2.3 打造更舒适的开发环境
- 2.3.1 修改Windows资源管理器的一些显示设置
- 2.3.2 命令提示符CMD的替代方案
- 2.3.3 文本文件编辑器
- 2.3.4 Python语言专用的开发工具
- 2.4 知识背景准备
- 2.4.1 怎样输入Python程序
- 2.4.2 怎样执行Python程序
- 2.4.3 变量
- 2.4.4 函数（方法）
- 2.4.5 对象
- 2.4.6 条件判断与分支
- 2.4.7 循环
- 2.4.8 注释
- 2.4.9 程序运行时出现错误怎么办
- 2.4.10 本章小结：一段示例代码
- 第3章 初识TensorFlow
- 3.1 三好学生成绩问题的引入
- 3.2 搭建解决三好学生成绩问题的神经网络
- 3.3 训练神经网络
- 3.4 本章小结：解决的第一个问题
- 3.5 练习
- 第4章 简化神经网络模型
- 4.1 在程序运行中查看变量取值
- 4.2 张量概念的引入
- 4.3 用向量重新组织输入数据
- 4.4 简化的神经网络模型
- 4.5 概念补充——标量、多维数组等
- 4.5.1 标量
- 4.5.2 多维数组
- 4.5.3 张量的阶和形态
- 4.6 在TensorFlow中查看和设定张量的形态
- 4.7 用softmax函数来规范可变参数
- 4.8 本章小结：线性问题
- 4.9 练习
- 第5章 用神经网络解决非线性问题
- 5.1 非线性问题的引入
- 5.1.1 三好学生评选结果问题
- 5.1.2 二分类问题：是否为三好学生
- 5.1.3 非线性问题
- 5.2 设计神经网络模型
- 5.2.1 激活函数sigmoid
- 5.2.2 使用sigmoid函数后的神经网络模型
- 5.2.3 实现本模型的代码
- 5.3 准备训练数据
- 5.3.1 随机数
- 5.3.2 产生随机训练数据
- 5.4 完整的训练代码
- 5.4.1 使用随机数据进行训练
- 5.4.2 加入偏移量b加快训练过程
- 5.5 进阶：批量生成随机训练数据
- 5.6 本章小结：非线性问题
- 5.7 练习
- 第6章 从文件中载入训练数据
- 6.1 用纯文本文件准备训练数据
- 6.1.1 数据的数字化
- 6.1.2 训练数据的格式
- 6.1.3 数据整理
- 6.1.4 使用CSV格式文件辅助处理数据
- 6.2 加载文件中的训练数据
- 6.2.1 加载函数
- 6.2.2 非数字列的舍弃
- 6.2.3 非数字列与数字列的转换
- 6.2.4 行数据的分拆及如何“喂”给训练过程
- 6.3 本章小结：读取训练数据最常用的方式
- 6.4 练习
- 第7章 多层全连接神经网络
- 7.1 身份证问题的引入
- 7.2 问题分析
- 7.3 单层网络的模型
- 7.4 多层全连接神经网络
- 7.4.1 矩阵乘法
- 7.4.2 如何用矩阵乘法实现全连接层
- 7.4.3 使用均方误差作为计算误差的方法
- 7.4.4 激活函数tanh
- 7.4.5 新的模型
- 7.5 身份证问题新模型的代码实现
- 7.6 进一步优化模型和代码
- 7.7 本章小结：多层、全连接、线性与非线性
- 7.8 练习
- 第8章 保存和载入训练过程
- 8.1 保存训练过程
- 8.2 载入保存的训练过程并继续训练
- 8.3 通过命令行参数控制是否强制重新开始训练
- 8.4 训练过程中手动保存
- 8.5 保存训练过程前征得同意
- 8.6 本章小结：善于利用保存和载入训练过程
- 8.7 练习
- 第9章查看图形化的模型
- 9.1 数据流图的概念
- 9.2 用TensorBoard查看数据流图
- 9.3 控制TensorBoard图中对象的名称
- 9.4 本章小结：图形化的模型
- 9.5 练习
- 第10章 用训练好的模型进行预测
- 10.1 从命令行参数读取需要预测的数据
- 10.2 从文件中读取数据进行预测
- 10.3 从任意字符串中读取数据进行预测
- 10.4 本章小结：预测与训练的区别
- 10.5 练习
- 第11章 用高级工具简化建模和训练过程
- 11.1 Keras框架介绍
- 11.2 用Keras实现神经网络模型
- 11.3 用Keras进行预测
- 11.4 保存和载入Keras模型
- 11.5 本章小结：方便与灵活度的取舍
- 11.6 练习
- 第12章 在其他语言中调用TensorFlow模型
- 12.1 如何保存模型
- 12.2 在Java语言中载入TensorFlow模型并进行预测计算
- 12.3 在Go语言中载入TensorFlow模型并进行预测计算
- 12.4 本章小结：仅能预测
- 第13章 用卷积神经网络进行图像识别
- 13.1 情凭谁来定错对——一首歌引出的对错问题
- 13.2 卷积神经网络介绍
- 13.2.1 卷积神经网络的基本概念
- 13.2.2 数字图片在计算机中的表达形式
- 13.2.3 卷积层的具体计算过程
- 13.2.4 卷积层的原理和优点
- 13.2.5 卷积神经网络的典型结构
- 13.3 用卷积网络实现图像识别
- 13.3.1 钩叉问题的图像数据格式
- 13.3.2 准备钩叉问题的训练数据
- 13.3.3 设计钩叉问题的神经网络模型并实现
- 13.4 本章小结：进一步优化的方向
- 13.5 练习
- 第14章 循环神经网络初探
- 14.1 循环神经网络简介
- 14.2 长短期记忆模型LSTM的作用
- 14.3 汇率预测问题的引入
- 14.4 用于汇率预测的LSTM神经网络模型
- 14.5 实现汇率预测LSTM网络的代码
- 14.6 用循环神经网络来进行自然语言处理
- 14.7 本章小结：时序有关问题
- 14.8 练习
- 第15章 优化器的选择与设置
- 15.1 优化器的作用
- 15.2 梯度下降算法
- 15.3 学习率的影响
- 15.4 主流优化方法介绍
- 15.5 优化器效率对比
- 15.6 本章小结：渡河之筏
- 第16章 下一步学习方向指南
- 16.1 更多的激活函数
- 16.2 更多的隐藏层类型
- 16.3 确定最适合的神经网络类型
- 16.4 GPU版本
- 16.5 有监督学习与无监督学习
- 16.6 深度学习进阶
- 16.7 升级到最新的TensorFlow版本
- 16.8 本章小结：最后的实例
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2018
作者：谢琼
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习：基于Python语言和TensorFlow平台（视频讲解版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2018
作者：谢琼
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习：基于Python语言和TensorFlow平台（视频讲解版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
深度学习：基于Python语言和TensorFlow平台（视频讲解版）
免费读 (VIP)