类似推荐
编辑推荐
本书分四部分：入门篇、基础篇、进阶篇和应用篇，涵盖Tensorflow及深度学习算法。
内容简介
本书包含四部分内容：第一部分是入门篇，介绍学习环境搭建和Tensorflow框架的基本使用；第二部分是基础篇，介绍传统智能算法及其Tensorflow实现；第三部分是进阶篇，介绍深度神经网络方法和CNN、RNN、LSTM、GRU等基础深度学习算法；第四部分是应用篇，介绍DQN和GAN等高级深度学习算法。
章节目录
封面
扉页
版权信息
前言
目录
入门篇
第1章 学习环境搭建
1.1 Docker工具箱
1.2 运行Docker镜像
1.3 Jupyter笔记本
1.3.1 Jupyter界面
1.3.2 Jupyter单元格
1.3.3 Jupyter模式
1.3.4 Jupyter常用指令
1.4 NumPy库
1.4.1 ndarray数据基础
1.4.2 ndarray广播运算
1.4.3 ndarray函数运算
1.4.4 ndarray索引切分
1.5 Pandas
1.5.1 Pandas基础对象
1.5.2 Pandas选择数据
1.5.3 Pandas 处理实例
1.6 Scikit-Learn
1.6.1 sklearn.datasets
1.6.2 Pandas处理
1.6.3 sklearn回归
第2章 TensorFlow入门
2.1 Hello TensorFlow
2.2 TensorFlow数据结构
2.3 TensorFlow计算-数据流图
2.3.1 常量节点（Constant）
2.3.2 占位符节点（Placeholder）
2.3.3 变量节点（Variable）
2.3.4 操作节点（Operation）
2.4 TensorFlow会话与基本操作
2.5 TensorFlow可视化
第3章 TensorFlow进阶
3.1 TensorFlow数据处理
3.1.1 索引计算
3.1.2 矩阵计算
3.1.3 形状计算
3.1.4 规约计算
3.1.5 分割计算
3.1.6 张量的形状
3.1.7 张量的运算
3.1.8 骰子游戏
3.2 TensorFlow共享变量
3.2.1 name_scope名字域
3.2.2 variablescope 变量域
3.3 TensorFlow模型配置
基础篇
第4章 线性回归算法
4.1 BOSTON 数据集
4.2 TensorFlow模型
4.2.1 准备数据
4.2.2 定义模型
4.2.3 训练模型
4.2.4 评估模型
4.2.5 可视化模型
4.3 Estimator模型
4.3.1 Dataset API
4.3.2 估算器介绍
4.3.3 准备数据
4.3.4 定义模型
4.3.5 训练模型
4.3.6 评估模型
4.3.7 可视化模型
4.4 Keras模型
4.4.1 定义模型
4.4.2 训练模型
4.4.3 评估模型
4.4.4 可视化模型
第5章 逻辑回归算法
5.1 线性回归到逻辑回归
5.2 最小二乘到交叉熵
5.3 MNIST数据集
5.4 TensorFlow模型
5.4.1 准备数据
5.4.2 定义模型
5.4.3 训练模型
5.4.4 评估模型
5.4.5 可视化模型
5.5 Estimator模型
5.5.1 准备数据
5.5.2 定义模型
5.5.3 训练模型
5.5.4 评估模型
5.5.5 可视化模型
5.6 Keras模型
5.6.1 准备数据
5.6.2 定义模型
5.6.3 训练模型
5.6.4 评估模型
5.6.5 可视化模型
第6章 算法的正则化
6.1 过拟合
6.2 正则化
6.3 编程实战
进阶篇
第7章 神经网络与深度学习算法
7.1 神经网络
7.1.1 激活函数
7.1.2 编程实战
7.2 神经网络训练
7.2.1 训练困难分析
7.2.2 编程实战
7.3 多类别神经网络
7.3.1 逻辑回归与深度网络
7.3.2 权重可视化
7.4 神经网络嵌入
7.4.1 一维数轴排列
7.4.2 二维数轴排列
7.4.3 传统类别表示
7.4.4 嵌入表示
第8章 卷积神经网络（CNN）
8.1 卷积神经网络简介
8.2 CNN与DNN
8.3 卷积操作
8.4 卷积实战
8.5 池化操作
8.6 池化实战
8.7 Relu非线性激活
8.8 TensorFlow卷积神经网络实战
8.9 Estimalor卷积神经网络实战
8.10 Keras卷积神经网络实战
第9章 循环神经网络（RNN）
9.1 循环神经网络简介
9.2 DNN、CNN与RNN
9.3 手工循环神经网络
9.4 static_rnn循环神经网络
9.5 dynamic_rnn循环神经网络
9.6 TensorFlow循环神经网络实战
9.7 Estimator循环神经网络实战
9.8 Keras循环神经网络实战
9.9 LSTM模型
9.10 GRU模型
第10章 自动编码器（AutoEncoder）
10.1 自动编码器简介
10.2 自动编码器与PCA
10.3 稀疏自动编码器
10.4 栈式自动编码器（SAE）
10.4.1 关联权重
10.4.2 分阶段训练
10.4.3 无监督预训练
10.5 降噪自动编码器（DAE）
10.6 变分自动编码器（VAE）
10.6.1 变分自动编码器原理
10.6.2 变分自动编码器生成数字
应用篇
第11章 生成式对抗网络
11.1 生成式对抗网络简介
11.2 GAN工作原理
11.3 GAN改进模型
11.4 GAN模型实战
11.5 GAN训练技巧
11.6 GAN未来展望
第12章 使用TensorFlow Hub进行迁移学习
12.1 图像迁移学习
12.2 文本迁移学习
12.3 完整的文本分类器
12.4 迁移学习分析
TensorFlow智能算法与应用是2019年由电子工业出版社出版,作者胡鹤。
得书感谢您对《TensorFlow智能算法与应用》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。
