编辑推荐
基于TensorFlow2，系统讲述如何搭建、训练和应用深度学习模型。
内容简介
本书首先介绍深度学习、线性代数、微积分和概率论相关知识，讨论Python编程相关的基础知识，线性模型中的线性回归模型和logistic模型，梯度下降法，然后讲述深度学习的正向传播算法、反向传播算法及完整训练流程，输出层的激活函数，应用于隐藏层的4个常见激活函数，深度学习的过拟合和欠拟合，以及3种应对过拟合的方法，以及使用TensorFlow 2.0建立深度学习模型，接着介绍卷积神经网络(CNN)及其两个最重要的组成部分——卷积(convolution)和池化(pooling)，如何使用TensorFlow 2.0建立卷积神经网络，最后讨论如何从零开始实现循环神经网络，如何搭建深度学习框架，如何使用TensorFlow 2.0建立循环神经网络模型。
展开全文
- 版权信息
- 版 权
- 内容提要
- 前 言
- 服务与支持
- 第1章 深度学习简介
- 1.1 什么是深度学习
- 1.1.1 机器学习简介
- 1.1.2 深度学习与传统机器学习算法的区别
- 1.1.3 深度学习与人类神经网络的关系
- 1.2 为什么需要学习深度学习
- 1.3 谁需要学习深度学习
- 1.4 学深度学习之后，你可以做什么
- 1.5 本章小结
- 第2章 数学和Python基础知识
- 2.1 线性代数
- 2.1.1 数、向量、矩阵和张量
- 2.1.2 矩阵的转置
- 2.1.3 矩阵的基本运算
- 2.1.4 向量和矩阵的范数
- 2.2 微积分
- 2.2.1 导数的概念
- 2.2.2 求导法则
- 2.3 概率论
- 2.3.1 随机变量
- 2.3.2 随机变量的分布
- 2.3.3 常见的概率分布
- 2.3.4 条件概率
- 2.4 Anaconda
- 2.4.1 安装Anaconda
- 2.4.2 包的管理
- 2.4.3 环境的管理
- 2.5 Jupyter Notebook
- 2.5.1 安装Jupyter Notebook
- 2.5.2 打开和关闭Jupyter Notebook
- 2.5.3 代码框
- 2.5.4 标记框
- 2.6 Python
- 2.6.1 Python基础
- 2.6.2 Python基本数据结构
- 2.6.3 控制结构和函数
- 2.6.4 NumPy库
- 2.6.5 Pandas
- 2.6.6 画图工具
- 2.7 本章小结
- 第3章 线性模型
- 3.1 线性回归模型
- 3.1.1 线性回归模型简介
- 3.1.2 随机梯度下降法
- 3.1.3 全数据梯度下降法
- 3.1.4 批量随机梯度下降法
- 3.1.5 学习步长
- 3.1.6 标准化和中心化
- 3.1.7 3种梯度下降法的对比
- 3.2 logistic模型
- 3.2.1 logistic模型简介
- 3.2.2 估计和
- 3.3 本章小结
- 习题
- 第4章 深度神经网络
- 4.1 为什么需要深度神经网络
- 4.1.1 简单神经网络
- 4.1.2 具有隐藏层的神经网络
- 4.2 正向传播算法
- 4.3 反向传播算法
- 4.4 深度神经网络的完整训练流程
- 4.4.1 随机梯度下降法
- 4.4.2 批量随机梯度下降法
- 4.5 本章小结
- 习题
- 第5章 激活函数
- 5.1 激活函数的基本要求
- 5.2 输出层的激活函数
- 5.2.1 因变量为定量数据
- 5.2.2 因变量为二分类定性数据
- 5.2.3 因变量为多分类定性数据
- 5.2.4 识别MNIST数据集中的手写数字
- 5.3 隐藏层的激活函数
- 5.3.1 sigmoid函数
- 5.3.2 tanh函数
- 5.3.3 ReLU函数
- 5.3.4 Leaky ReLU函数
- 5.4 本章小结
- 习题
- 第6章 模型评估和正则化
- 6.1 模型评估
- 6.2 欠拟合和过拟合
- 6.3 正则化
- 6.3.1 早停法
- 6.3.2 惩罚法
- 6.3.3 丢弃法
- 6.3.4 增加观测点
- 6.4 本章小结
- 习题
- 第7章 基于TensorFlow 2建立深度学习模型
- 7.1 安装TensorFlow
- 7.2 TensorFlow 2基本用法
- 7.2.1 tf.Tensor
- 7.2.2 TensorFlow 2和NumPy的兼容性
- 7.3 深度神经网络建模基本步骤
- 7.3.1 创建模型结构
- 7.3.2 训练模型
- 7.3.3 评估和预测模型
- 7.4 基于TensorFlow 2建立线性回归模型
- 7.5 基于TensorFlow 2建立神经网络分类模型
- 7.5.1 神经网络分类模型
- 7.5.2 神经网络模型的正则化
- 7.6 本章小结
- 习题
- 第8章 卷积神经网络
- 8.1 卷积层
- 8.1.1 卷积运算
- 8.1.2 卷积层运算
- 8.1.3 卷积运算的直观理解
- 8.1.4 填充
- 8.1.5 卷积层求导
- 8.1.6 用Python实现卷积层的计算
- 8.2 池化层
- 8.2.1 池化运算
- 8.2.2 池化层求导
- 8.2.3 用Python实现池化层的计算
- 8.3 卷积神经网络
- 8.4 本章小结
- 习题
- 第9章 基于TensorFlow 2搭建卷积神经网络模型
- 9.1 卷积层和池化层
- 9.2 CNN实例——MNIST数据集和CIFAR-10数据集
- 9.2.1 关于MNIST数据集的实例
- 9.2.2 关于CIFAR-10数据集的实例
- 9.3 CNN建模技巧
- 9.3.1 卷积神经网络的结构
- 9.3.2 卷积层和池化层的超参数选择
- 9.3.3 经典的卷积神经网络
- 9.4 本章小结
- 习题
- 第10章 循环神经网络
- 10.1 分析IMDB的数据
- 10.1.1 IMDB的数据
- 10.1.2 神经网络模型（IMDB）
- 10.2 词嵌入
- 10.3 循环神经网络
- 10.4 从零开始实现循环神经网络
- 10.4.1 莎士比亚作品应用示例
- 10.4.2 正向传播算法
- 10.4.3 反向传播算法
- 10.5 本章小结
- 习题
- 第11章 搭建深度学习框架
- 11.1 类Tensor和自动求导
- 11.1.1 类
- 11.1.2 类Tensor
- 11.1.3 自动求导
- 11.2 为Tensor类添加运算函数并建立神经网络模型
- 11.2.1 为Tensor类添加运算函数
- 11.2.2 使用Tensor类建立神经网络模型
- 11.3 类SGD、类Layer和激活函数
- 11.3.1 类SGD
- 11.3.2 类Layer
- 11.3.3 激活函数
- 11.4 词嵌入和循环神经网络
- 11.4.1 词嵌入
- 11.4.2 循环神经网络
- 11.5 本章小结
- 习题
- 第12章 长短期记忆模型与门控循环单元模型
- 12.1 简单循环神经网络的主要缺陷
- 12.2 长短期记忆模型
- 12.2.1 LSTM模型的核心思想
- 12.2.2 详解LSTM模型
- 12.2.3 实现LSTM模型
- 12.3 门控循环单元模型
- 12.3.1 详解GRU模型
- 12.3.2 实现GRU模型
- 12.4 本章小结
- 习题
- 第13章 基于TensorFlow 2搭建循环神经网络模型
- 13.1 建立LSTM模型
- 13.1.1 预处理数据
- 13.1.2 基于TensorFlow建立LSTM模型
- 13.2 基于TensorFlow建立GRU模型
- 13.3 本章小结
- 习题
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2022
作者：林炳清
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《深度学习入门与TensorFlow实践》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：2022
作者：林炳清
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《深度学习入门与TensorFlow实践》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。
深度学习入门与TensorFlow实践
免费读 (VIP)