编辑推荐
《Keras深度学习》
“基础知识 算法原理 经典案例”，从全连接网络到复杂模型，从数据清洗到翻译模型，一本书轻松搞定Keras。
本书适合读者：人工智能深度学习爱好者、算法工程师、计算机视觉专业相关学生、机器学习深度学习等人工智能化各类从业人员
本书特色：
1. 入门门槛低，内容安排符合学习规律
从搭建环境学起——不同环境下相关软件和工具的下载和安装——深度学习基础理论——最后通过Keras实现深度学习的各类经典应用。由简到难，逐步深入，适合深度学习和机器学习零基础的读者学习。
2. 注重新手友好性，理论结合实践
作者以学生的视角，将自己Keras实际学习过程中的经验进行积累，让新手更容易上手。
在具体介绍过程中给出短小精悍的示例，让读者能边学习边实践，缩短新手与老手之间的差距。
3. 技术面广泛，注意技巧丰富
本书内容涵盖10种Python常用数据结构、5种主流数据分析工具、卷积神经网络、序列处理、函数式API及应用、Keras在深度生成式模型中的应用等。包括5个综合实战案例，所选案例涉猎广泛而丰富，既有计算机视觉领域的图像分类问题的经典案例，也有基于神经网络的翻译系统实战。在代码示例中，不仅仅包含了模型构建和设计的核心思想，同时也兼顾了新手容易犯错的细节展示。
《TensorFlow深度学习算法原理与编程实战》
讲解细：沿着需求→算法→代码实现的思路，适合各类读者
图示多：全书200多张图片，助你快速理解算法核心
案例全：将近80个代码案例，可以拿来就用
涉及广：囊括神经网络、深度强化学习、可视化、加速计算等内容
《PyTorch 深度学习入门与实战（案例视频精讲）》
一本强调实用性，注重读者实践的PyTorch深度学习。
配套源代码文件及售后读者QQ群，与作者在线交流学习。
内容详尽：全书内容全面且详尽，涉及到PyTorch深度学习的各个方面
由浅入深：整书模型又简单到复杂，训练从CPU计算拓展到GPU计算
提供程序：每个案例都提供Notebook程序，方便读者运行
配套视频：配备二维码扫码看视频讲解，零基础也能轻松入门快速掌握
案例实战：侧重于经典实战案例应用，让理论趋于实践。
内容简介
TensorFlow是谷歌研发的人工智能学习系统，是一个用于数值计算的开源软件库。《TensorFlow深度学习算法原理与编程实战》以基础 实践相结合的形式，详细介绍了TensorFlow深度学习算法原理及编程技巧。通读全书，读者不仅可以系统了解深度学习的相关知识，还能对使用TensorFlow进行深度学习算法设计的过程有更深入的理解。
《TensorFlow深度学习算法原理与编程实战》共14章，主要内容有：人工智能、大数据、机器学习和深度学习概述；深度学习及TensorFlow框架的相关背景；TensorFlow的安装；TensorFlow编程策略；深度前馈神经网络；优化网络的方法；全连神经网络的经典实践；卷积神经网络的基础知识；经典卷积神经网络的TensorFlow实现；循环神经网络及其应用；深度强化学习概述；TensorFlow读取数据的API；TensorFlow持久化模型的API；可视化工具TensorBoard的使用；TensorFlow使用多GPU或并行的方式加速计算等。
《TensorFlow深度学习算法原理与编程实战》内容通俗易懂，案例丰富，实用性强，特别适合对人工智能、深度学习感兴趣的的相关从业人员阅读，也适合没有相关基础但是对该方面研究充满兴趣的爱好者阅读。
Keras作为深度学习流行的框架之一，是一个用Python语言编写的开源人工神经网络库。《Keras深度学习》一书从新手角度出发，系统介绍了Keras深度学习技术，从Python数据处理开始，到深度学习理论，再到Keras各种代码实战，全书秉承实例讲解的方式，降低学习难度。 《Keras深度学习》全书共8章，前4章介绍了Keras的基础环境搭建和前端基础知识，包括Python数据编程、Python常用工具包和深度学习基本原理等；后4章介绍Keras深度学习方法与实战案例，包括使用Keras构建卷积神经网络、使用Keras进行序列处理、应用Keras实现更加精细化模型定制的函数式API、使用Keras实现GAN和VAE在内的多种深度生成式学习模型等。 《Keras深度学习》内容由浅入深、语言通俗易懂，从基本原理到实践应用、从基础神经网络到复杂模型的深度剖析，全书遵循学习规律，让读者在循序渐进的学习中深刻体会到Keras作为深度学习框架的魅力。 《Keras深度学习》适合想要了解深度学习、熟悉Python但不熟悉框架的初学者阅读，也适合各大高等院校或培训机构人工智能相关专业的学生学习。深度学习应用研究人员、深度学习爱好者、人工智能化产业从业人员、大数据从业人员、算法工程设计实现工程师、模型与架构设计等相关领域工程师、计算机视觉领域入门爱好者以及其他渴望入门深度学习相关领域的人士均可选择本书参考学习。
《PyTorch 深度学习入门与实战（案例视频精讲）》是基于 PyTorch 的深度学习入门和实战，结合实际的深度学习案例，由浅入深地介绍 PyTorch 在计算机视觉和自然语言处理的相关应用。本书在内容上循序渐进，先介绍了 PyTorch 的一系列使用方式，然后结合图像分类、去噪和文本分类，介绍如何利用 PyTorch 对深度模型进行可视化、建立卷积神经网络、循环神经网络、自编码网络等。根据真实的图像数据，介绍如何对图像风格迁移模型进行训练，利用计算机视觉中的目标检测和语义分隔问题的例子，介绍 PyTorch 中已经预训练好模型的使用，针对图神经网络学习，介绍如何利用图卷积网络进行半监督深度学习。 《PyTorch 深度学习入门与实战（案例视频精讲）》还提供了原始程序和数据集、程序的讲解视频等配套资源供读者下载使用。书中的程序根据每个小节进行划分，步骤讲解详细透彻，并以 Notebook 的形式方便读者运行和查阅。本书在对使用的模型进行原理介绍的同时，更注重于实战。 《PyTorch 深度学习入门与实战（案例视频精讲）》非常适合没有深度学习基础的读者，学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、图像分割模型、图像生成和自然语言处理等模型的能力，并且会对深度学习在各个领域的应用有一定的理解。
作者简介
蒋子阳，多年专业编程工作经验，曾参与多个机器人目标识别与定位等深度学习相关项目，擅长图像识别算法、语音识别算法等。涉及行业包括金融、证券、汽车、公共安全等领域。近年来，本人对机器学习及深度学习进行了深入研究，随着TensorFlow的出现，开始将精力转移到TensorFlow深度学习算法原理的研究中，并专门推导过其中的大部分算法，对该框架有着独特的认识和深入的理解。
鲁睿元，西安交通大学软件学院研究生，主要研究深度学习与计算机视觉方向。主要优异表现：在第一届百度菁英班荣获第名；带队代表西安交通大学参加首届浦发百度智慧金融极客挑战赛中，荣获全国三等奖。曾在多家博客网站发表多篇深度学习以及算法相关文章，深受读者喜爱。
祝继华副教授，西安交通大学模式识别与智能系统专业工学博士学位，博士生导师。2011年6月至今在西安交通大学软件学院从事教学与科研工作，主要研究方向为计算机视觉和移动机器人，先后主持国家自然科学基金项目2项，陕西省自然科学基金项目1项和中国博士后科学基金项目2项，曾参与国家973项目和国家自然科学基金重点项目等多项国jia级项目的研究工作。在激光点云数据配准、移动机器人导航定位与环境感知等方面具有一定的研究基础，并在所述领域以第一作者或通讯作者发表SCI论文20余篇。
章节目录
《TensorFlow深度学习算法原理与编程实战》
第一部分探索深度学习之方式的开始 第1章开篇 1.1人工智能的发展 1.1.1萌芽 1.1.2复苏 1.1.3现代实践：大数据 深度神经网络模型 1.2大数据 1.3机器学习与深度学习 1.3.1机器学习 1.3.2深度学习 1.3.3同人工智能的关系 1.4人工神经网络与TensorFlow 1.4.1人工神经网络 1.4.2TensorFlow 1.5其他主流深度学习框架介绍 1.5.1Caffe 1.5.2Torch 1.5.3Theano 1.5.4MXNet 1.5.5Keras 1.6机器学习的常见任务 1.6.1分类 1.6.2回归 1.6.3去噪 1.6.4转录 1.6.5机器翻译 1.6.6异常检测 1.6.7结构化输出 1.7深度学习的现代应用 1.7.1计算机视觉 1.7.2自然语言处理 1.7.3语音识别 第2章安装TensorFlow 2.1安装前的须知 2.1.1检查硬件是否达标 2.1.2推荐选用GPU进行训练 2.1.3为什么选择Linux系统 2.1.4为什么选择Python语言 2.2安装Anaconda 2.3TensorFlow的两个主要依赖包 2.3.1Protocol Buffer 2.3.2Bazel 2.4安装CUDA和cuDNN 2.4.1CUDA 2.4.2cuDNN 2.5正式安装TensorFlow 2.5.1使用pip安装 2.5.2从源代码编译并安装 2.6测试你的TensorFlow 2.6.1运行向量相加的例子 2.6.2加载过程存在的一些问题 2.7推荐使用IDE 第3章TensorFlow编程策略 3.1初识计算图与张量 3.2计算图——TensorFlow的计算模型 3.3张量——TensorFlow的数据模型 3.3.1概念 3.3.2使用张量 3.4会话——TensorFlow的运行模型 3.4.1TensorFlow系统结构概述 3.4.2简单使用会话 3.4.3使用with/as环境上下文管理器 3.4.4Session的参数配置 3.4.5placeholder机制 3.5TensorFlow变量 3.5.1创建变量 3.5.2变量与张量 3.6管理变量的变量空间 3.6.1get_variable()函数 3.6.2variable_scope()与name_scope() 第二部分TensorFlow实现深度网络 第4章深度前馈神经网络 4.1网络的前馈方式 4.2全连接 4.2.1神经元与全连接结构 4.2.2前向传播算法 4.3线性模型的局限性 4.4激活函数 4.4.1常用激活函数 4.4.2激活函数实现去线性化 4.5多层网络解决异或运算 4.6损失函数 4.6.1经典损失函数 4.6.2自定义损失函数 第5章优化网络的方法 5.1基于梯度的优化 5.1.1梯度下降算法 5.1.2随机梯度下降 5.2反向传播 5.2.1简要解释反向传播算法 5.2.2自适应学习率算法 5.2.3TensorFlow提供的优化器 5.3学习率的独立设置 5.3.1指数衰减的学习率 5.3.2其他优化学习率的方法 5.4拟合 5.4.1过拟合和欠拟合 5.4.2正则化的方法 5.4.3Bagging方法 5.4.4Dropout方法 第6章全连神经网络的经典实践 6.1MNIST数据集 6.2网络的设计 6.3超参数和验证集 6.4与简单模型的对比 第7章卷积神经网络
7.1准备性的认识 7.1.1图像识别与经典数据集 7.1.2卷积网络的神经科学基础 7.1.3卷积神经网络的历史 7.2卷积 7.2.1卷积运算 7.2.2卷积运算的稀疏连接 7.2.3卷积运算的参数共享 7.2.4卷积运算的平移等变 7.2.5多卷积核 7.2.6卷积层的代码实现 7.3池化 7.3.1池化过程 7.3.2常用池化函数 7.3.3池化层的代码实现 7.4实现卷积神经网络的简例 7.4.1卷积神经网络的一般框架 7.4.2用简单卷积神经网络实现Cifar-10数据集分类 7.5图像数据处理 7.5.1图像编解码处理 7.5.2翻转图像 7.5.3图像色彩调整 7.5.4图像标准化处理 7.5.5调整图像大小 7.5.6图像的标注框 第8章经典卷积神经网络 8.1LeNet-5卷积网络模型 8.1.1模型结构 8.1.2TensorFlow实现 8.2AlexNet卷积网络模型 8.2.1模型结构 8.2.2TensorFlow实现 8.3VGGNet卷积网络模型 8.3.1模型结构 8.3.2TensorFlow实现 8.4InceptionNet-V3卷积网络模型 8.4.1模型结构 8.4.2Inception V3 Module的实现 8.4.3使用Inception V3完成模型迁移 8.5ResNet卷积网络模型 8.5.1模型结构 8.5.2TensorFlow实现 第9章循环神经网络 9.1循环神经网络简介 9.1.1循环神经网络的前向传播程序设计 9.1.2计算循环神经网络的梯度 9.1.3循环神经网络的不同设计模式 9.2自然语言建模与词向量 9.2.1统计学语言模型 9.2.2Word2Vec 9.2.3用TensorFlow实现Word2Vec 9.3LSTM实现自然语言建模 9.3.1长短时记忆网络（LSTM） 9.3.2LSTM在自然语言建模中的应用 9.3.3循环神经网络的Dropout 9.4循环神经网络的变种 9.4.1双向循环神经网络 9.4.2深层循环神经网络 第10章深度强化学习 10.1理解基本概念 10.2深度强化学习的思路 10.3典型应用场景举例 10.3.1场景1：机械臂自控 10.3.2场景2：自动游戏系统 10.3.3场景3：自动驾驶 10.3.4场景4：智能围棋系统 10.4Q学习与深度Q网络 10.4.1Q学习与深度Q学习 10.4.2深度Q网络 第三部分TensorFlow的使用进阶 第11章数据读取 11.1文件格式 11.1.1TFRecord格式 11.1.2CSV格式 11.2队列 11.2.1数据队列 11.2.2文件队列 11.3使用多线程处理输入的数据 11.3.1使用Coordinator类管理线程 11.3.2使用QueueRunner创建线程 11.4组织数据batch 第12章模型持久化 12.1通过代码实现 12.2模型持久化的原理 12.2.1model.ckpt.mate文件 12.2.2从.index与.data文件读取变量的值 12.3持久化的MNIST手写字识别 12.4PB文件 第13章TensorBoard可视化 13.1TensorBoard简要介绍 13.2MNIST手写字识别的可视化 13.2.1实现的过程 13.2.2标量数据可视化结果 13.2.3图像数据可视化结果 13.2.4计算图可视化结果 13.3其他监控指标可视化 第14章加速计算 14.1TensorFlow支持的设备 14.2TensorFlow单机实现 14.2.1查看执行运算的设备 14.2.2device()函数的使用 14.3并行训练的原理 14.3.1数据并行 14.3.2模型并行 14.4单机多GPU加速TensorFlow程序 14.4.1实现的过程 14.4.2多GPU并行的可视化 14.5分布式TensorFlow概述
……
《深度学习》套装是2019年由中国水利水电出版社出版,作者。
得书感谢您对《《深度学习》套装》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。
