类似推荐
编辑推荐
由浅入深为你介绍TensorFlow平台。
内容简介
本书以TensorFlow为平台，从神经网络到深度学习由浅入深进行介绍，书中每章都以理论引出，以TensorFlow应用巩固结束，做到理论与实践相结合，使读者快速了解神经网络、深度学习等内容，同时领略利用TensorFlow解决这些问题的简单和快捷。
本书共12章，主要内容包括TensorFlow软件介绍、计算机视觉与深度学习、深度神经网络的基础、全连接神经网络、卷积神经网络、高级卷积神经网络、循环神经网络、对抗神经网络、其他监督学习、非监督学习、自动编码机、强化学习等。
作者简介
作者张德丰，男，1963年9月生，辽宁大连人。1993年毕业于哈尔滨工业大学航天学院，获得工学硕士学位。现佛山科学技术学院，电子信息工程学院计算机系，计算机应用技术教授，学院数字图像处理与识别学术带头人。
章节目录
版权信息
内容简介
前言
第1章 走进TensorFlow
1.1 TensorFlow介绍
1.1.1 TensorFlow特性
1.1.2 谁可以使用TensorFlow
1.1.3 为什么Google要开源这个神器
1.2 TensorFlow的环境搭建
1.2.1 安装环境介绍
1.2.2 安装TensorFlow
1.2.3 Cuda和CuDNN的安装
1.2.4 Geany开发环境
1.3 TensorFlow基本使用
1.3.1 计算图
1.3.2 构建图
1.3.3 在一个会话中启动图
1.3.4 交互式使用
1.3.5 Fetch
1.3.6 Feed
1.4 变量
1.5 TensorFlow的队列
1.5.1 队列的创建
1.5.2 线程同步与停止
1.5.3 队列中数据的读取
1.6 TensorBoard可视化
1.6.1 在TensorBoard中查看图结构
1.6.2 数据变化趋势
第2章 计算机视觉与深度学习
2.1 计算机视觉
2.1.1 人类视觉的启迪
2.1.2 计算机视觉的难点和人工神经网络
2.1.3 深度学习
2.1.4 前深度学习时代的计算机视觉
2.1.5 仿生学角度看深度学习
2.1.6 应用深度学习解决计算机视觉问题
2.2 深度学习在视觉上的应用
2.2.1 人脸识别
2.2.2 图片问答问题
2.2.3 物体检测问题
2.2.4 物体跟踪
2.3 计算机视觉的学习方式和未来趋势
2.4 机器学习
2.4.1 机器学习发展的历程
2.4.2 机器学习的步骤
2.4.3 机器学习的分类
2.4.4 机器学习的基本算法
第3章 深度神经网络的基础
3.1 生物神经元
3.2 人工神经元
3.2.1 人工神经元的数学模型
3.2.2 人工神经网络
3.2.3 激活函数
3.2.4 神经元之间的连接形式
3.2.5 人工神经网络的分类
3.3 激活函数
3.3.1 sigmoid激活函数
3.3.2 tanh激活函数
3.3.3 relu激活函数
3.3.4 dropout激活函数
3.4 softmax处理分类问题
3.4.1 什么是softmax
3.4.2 softmax原理
3.5 损失函数
3.5.1 均值平方差
3.5.2 交叉熵
3.5.3 自定义损失函数
3.6 梯度下降法
3.6.1 梯度下降法的作用与分类
3.6.2 退化学习率
3.7 优化函数
3.7.1 随机梯度下降优化算法
3.7.2 基于冲量优化算法
3.7.3 Adadelta优化算法
3.7.4 Adam优化算法
3.8 拟合
3.8.1 过拟合和欠拟合
3.8.2 正则化的方法
第4章 全连接神经网络
4.1 前馈神经网络简介
4.2 感知机
4.2.1 感知机定义
4.2.2 学习策略
4.2.3 感知机学习算法
4.3 全连接
4.3.1 全连接结构
4.3.2 前向传播算法
4.4 线性模型的局限性
4.5 多层网络解决异域运算
4.6 全连接神经网络的经典实战
第5章 卷积神经网络
5.1 人类视觉原理
5.2 卷积运算
5.2.1 卷积运算
5.2.2 卷积函数实现
5.2.3 标注图像感兴趣的区域
5.2.4 池化运算
5.2.5 加强卷积特征提取
5.3 反卷积、反池化操作
5.3.1 反卷积操作
5.3.2 反池化操作
5.4 卷积神经网络的介绍
5.4.1 卷积神经网络的一般框架
5.4.2 卷积神经网络的训练
5.4.3 利用卷积神经网络实现数据集分类
5.5 图像数据处理
5.5.1 图像编码处理
5.5.2 翻转图像
5.5.3 图像色彩调整
5.5.4 图像标准化处理
5.5.5 调整图像大小
5.5.6 图像的标注框
第6章 高级卷积神经网络
6.1 LeNet-5卷积神经网络
6.1.1 LeNet-5模型
6.1.2 TensorFlow 实现简单的卷积神经网络
6.2 AlexNet卷积神经网络
6.2.1 AlexNet概述
6.2.2 AlexNet结构
6.2.3 AlexNet实现
6.3 VGGNet卷积神经网络
6.3.1 VGGNet模型结构
6.3.2 VGGNet实现
6.4 Inceptionv3卷积神经网络
6.4.1 几种 Inception模型
6.4.2 Inception v3原理及实现
6.5 ResNet卷积神经网络
6.5.1 ResNet模型结构
6.5.2 ResNet实现
第7章 循环神经网络
7.1 RNN基础概念和结构
7.2 RNN前后向传播算法
7.2.1 RNN前向传播
7.2.2 RNN后向传播
7.3 循环神经网络的梯度
7.4 LSTM单元
7.4.1 LSTM单元基本结构
7.4.2 LSTM的变体
7.5 RNN的实现
7.6 自然语言建模与词向量
7.6.1 统计学语言模型
7.6.2 独热编码
7.6.3 词向量与Word2vec
7.7 LSTM实现语音识别
7.7.1 语音特征介绍
7.7.2 算法流程
7.7.3 TensorFlow实现语音识别
第8章 对抗神经网络
8.1 理论知识
8.1.1 GAN网络结构
8.1.2 GAN原理
8.1.3 基本架构
8.1.4 GAN 的特点及优缺点
8.2 DCGAN网络
8.3 InfoGAN网络
8.4 WGAN-GP网络
8.4.1 WGAN网络的理论
8.4.2 WGAN网络的改进WGAN-GP网络
8.4.3 WGAN-GP网络的实现
8.5 SRGAN网络
8.5.1 超分辨率技术
8.5.2 ESPCN网络实现数据的超分辨率重建
第9章 其他监督学习
9.1 支持向量机
9.1.1 支持向量机的含义
9.1.2 线性不可分支持向量机与核函数
9.1.3 SMO原理及实现
9.2 朴素贝叶斯
9.2.1 统计学知识
9.2.2 朴素贝叶斯的模型
9.2.3 朴素贝叶斯的推断过程
9.2.4 朴素贝叶斯的参数估计
9.2.5 朴素贝叶斯算法过程
9.2.6 朴素贝叶斯的实现
9.3 决策树
9.3.1 认识决策树
9.3.2 ID3算法的介绍
9.3.3 C4.5算法的介绍
9.3.4 决策树的实现
9.4 k近邻算法
9.4.1 kNN算法三要素
9.4.2 kd树实现原理
9.4.3 kNN算法的优缺点
9.4.4 kNN算法的实现
第10章 非监督学习
10.1 主成分分析
10.1.1 PCA思想
10.1.2 基于最小投影距离
10.1.3 基于最大投影方差
10.1.4 PCA算法流程
10.1.5 PCA的优缺点
10.1.6 PCA的实现
10.2 k均值聚类
10.2.1 距离测试
10.2.2 k均值聚类原理
10.2.3 传统k均值算法流程
10.2.4 K-Means++聚类算法
10.3 自组织映射神经网络
10.3.1 自组织映射算法
10.3.2 与k均值的比较
10.4 受限玻尔兹曼机
10.5 谱聚类
10.5.1 谱聚类的基础知识
10.5.2 谱聚类之切图聚类
10.5.3 谱聚类算法的实现
第11章 自动编码机
11.1 自动编码机原理
11.2 标准自动编码机
11.3 稀疏自动编码机
11.4 去噪自动编码机
11.5 卷积自动编码机
第12章 强化学习
12.1 强化学习的概述
12.2 强化学习的学习过程
12.3 OpenAl Gym原理及应用
12.4 Q learning原理及应用
12.5 DQN原理及应用
参考文献
TensorFlow神经网络到深度学习是2021年由电子工业出版社出版,作者张德丰。
得书感谢您对《TensorFlow神经网络到深度学习》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。
