本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数...
电子书
内容简介
本书内容包括TensorFlow在Windows操作系统、Linux操作系统、macOS下的安装，TensorFlow静态图、动态图、损失函数、优化器等基础语法，k均值、k近邻、朴素贝叶斯、决策树、支持向量机、人工神经网络、线性回归、逻辑回归、决策树回归等机器学习算法，分类、检测、检索、光学字符识别等图像处理技术，中文分词、命名实体识别等自然语言处理技术，TensorFlow高阶应用等。
章节目录
- A-fy
- 55682-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 绪论
- 第1章
- 1.1 机器学习简介
- 1.2 机器学习流程
- 1.3 深度学习简介
- 02
- TensorFlow简介与环境搭建
- 第2章
- 2.1 TensorFlow简介
- 2.2 TensorFlow 的语言支持
- 2.3 TensorFlow的安装和环境配置
- 2.3.1 Python安装
- 1．在Windows操作系统中安装Python 3.6
- 2．在Linux操作系统中安装Python 3.6
- 3．在macOS中安装Python 3.6
- 2.3.2 CUDA与CUDNN安装
- 1．CUDA安装
- 2．CUDNN安装
- 2.4 TensorFlow安装
- 2.4.1 pip安装
- 2.4.2 Docker安装
- 2.5 测试TensorFlow
- 03
- TensorFlow入门
- 第3章
- 3.1 TensorFlow静态图模式
- 3.1.1 TensorFlow中的张量类型
- 1．tf.constant
- 2．tf.Variable
- 3．tf.placeholder
- 4．SparseTensor
- 3.1.2 TensorFlow的操作符简介
- 1．矩阵运算操作符
- 2．矩阵形状操作
- 3．激活函数操作
- 4．归一化、正则化和softmax函数
- 3.1.3 TensorFlow的Graph和Session
- 1．构造静态图
- 2．会话与运行TensorFlow样例
- 3.2 TensorFlow动态图模式
- 3.3 TensorFlow 损失函数
- 3.3.1 交叉熵
- 3.3.2 均方误差
- 3.3.3 KL散度
- 3.4 TensorFlow优化器
- 1．GradientDescentOptimizer
- 2．AdagradDAOptimizer
- 3．AdadeltaOptimizer
- 4．AdamOptimizer
- 5．RMSPropOptimizer
- 3.5 TensorFlow训练数据输入
- 3.5.1 tf.data.Dataset
- 1．batch
- 2．make_one_shot_iterator
- 3．make_initializable_iterator
- 3.5.2 tf.data.Iterator
- 1．from_structure
- 2．from_string_handle
- 04
- 聚类算法
- 第4章
- 4.1 聚类算法简介
- 4.2 k均值聚类算法
- 4.2.1 算法步骤
- 4.2.2 准则函数
- 4.2.3 算法改进
- 4.3 k中心聚类算法
- 4.3.1 准则函数
- 4.3.2 算法步骤
- 4.3.3 算法对比
- 05
- 分类算法
- 第5章
- 5.1 分类算法简介
- 5.2 k近邻算法
- 5.2.1 算法步骤
- 5.2.2 投票算法改进
- 5.2.3 k参数选取
- 5.2.4 模型评价
- 5.3 朴素贝叶斯
- 5.3.1 算法步骤
- 5.3.2 概率处理
- 5.3.3 连续值概率计算
- 5.4 决策树
- 5.4.1 分裂函数
- 5.4.2 特征为连续特征
- 5.4.3 决策树终止条件
- 5.5 支持向量机
- 5.5.1 线性可分支持向量机
- 5.5.2 近似线性可分支持向量机
- 5.5.3 非线性支持向量机
- 5.5.4 常用核函数
- 5.5.5 多分类支持向量机
- 5.6 人工神经网络
- 5.6.1 激活函数
- 1．阶跃函数
- 2．sigmoid函数
- 3．双曲正切函数
- 4．修正线性单元
- 5.6.2 逻辑门设计
- 1．逻辑“与”
- 2．逻辑“或”
- 3．逻辑“非”
- 4．逻辑“或非”
- 5．逻辑“异或”
- 5.6.3 多层感知器
- 5.6.4 前向传播算法
- 5.6.5 反向传播算法
- 06
- 回归算法
- 第6章
- 6.1 线性回归
- 6.1.1 最小二乘法
- 6.1.2 广义逆
- 6.1.3 岭回归与Lasso回归
- 6.1.4 梯度求解算法
- 1. 单变量梯度求解
- 2．多变量梯度求解
- 6.2 非线性回归
- 6.2.1 指数变换
- 6.2.2 对数变换
- 6.2.3 幂等变换
- 6.2.4 多项式变换
- 6.3 逻辑回归
- 6.3.1 二值逻辑回归
- 6.3.2 多元逻辑回归
- 6.4 决策树回归
- 6.4.1 代价函数
- 6.4.2 算法流程
- 6.4.3 举例
- 6.5 梯度算法
- 6.5.1 随机梯度下降法
- 6.5.2 牛顿法
- 07
- MNIST数据集
- 第7章
- 7.1 MNIST数据集简介
- 7.2 LeNet的实现与讲解
- 7.2.1 网络参数设置和输入设置
- 7.2.2 LeNet网络模型详解
- 1．卷积层-池化层组合
- 2．全连接层和输出层
- 7.2.3 更简洁的实现
- 7.2.4 softmax层和网络更新方式
- 7.2.5 训练过程
- 7.3 FashionMNIST数据集
- 08
- 图像分类
- 第8章
- 8.1 图像分类的概念
- 8.2 图像分类的常用网络结构
- 8.2.1 AlexNet网络结构
- 8.2.2 VGGNet网络结构
- 8.2.3 Network In Network网络结构
- 8.2.4 GoogLeNet网络结构
- 8.2.5 ResNet网络结构
- 8.3 图像多标签分类实例
- 8.3.1 使用TFRecord生成训练数据
- 8.3.2 构建多标签分类网络
- 8.3.3 多标签模型训练模型
- 09
- 目标检测
- 第9章
- 9.1 目标检测的概念
- 9.1.1 Faster R-CNN
- 9.1.2 YOLO
- 9.1.3 SSD
- 9.2 基于SSD的目标检测实例
- 9.2.1 基于VGG的SSD网络
- 9.2.2 坐标和类别预测
- 9.2.3 多尺度的预测拼接
- 9.2.4 损失函数与模型训练
- 10
- 图像检索应用
- 第10章
- 10.1 图像检索的基本概念
- 10.2 图像检索特征提取的常用方法
- 10.3 基于VGG的图像检索实例
- 10.3.1 使用TFRecord生成训练数据
- 10.3.2 模型训练函数
- 10.3.3 检索系统构建
- 11
- 光学字符识别应用
- 第11章
- 11.1 光学字符识别的概念
- 11.2 光学字符识别的常用算法与流程
- 11.2.1 文本检测环节
- 11.2.2 文本识别环节
- 11.3 基于CNN-RNN-CTC的光学字符识别算法实例
- 11.3.1 光学字符识别训练数据生成
- 11.3.2 使用TFRecord生成训练数据
- 11.3.3 构建基于CNN-RNN-CTC的光学字符识别网络
- 12
- 中文分词
- 第12章
- 12.1 自然语言处理
- 12.2 中文分词简介
- 12.2.1 BMES
- 12.2.2 BM12ES
- 12.3 文字单元嵌入表达
- 12.3.1 文字单元的独热嵌入表达
- 12.3.2 word2Vector
- 1．CBOW
- 2．Skip-gram
- 3．Hierarchical softmax
- 4．Negative Sampling
- 12.3.3 word2Vector代码实现
- 13
- 深度学习序列单元
- 第13章
- 13.1 循环神经网络
- 13.2 长短期记忆网络
- 13.2.1 peephole LSTM
- 13.2.2 LSTM with coupled input and forget gate
- 13.2.3 GRU
- 13.2.4 BLSTM
- 13.3 TensorFlow中BLSTM分词的简单实现
- 14
- 命名实体识别
- 第14章
- 14.1 任务简介
- 14.2 B-IOE标签系统
- 14.3 线性链条件随机场
- 14.4 TensorFlow中BLSTM+CRF命名实体识别实现
- 15
- TensorFlow高阶应用
- 第15章
- 15.1 GPU与设备
- 15.2 多线程
- 15.2.1 队列
- 15.2.2 tf.train.batch
- 15.2.3 协调器
- 15.2.4 一个多线程的例子
展开全部
TensorFlow深度学习基础与应用是2021年由人民邮电出版社出版,作者杨虹 谢显中 周前能 王智鹏 张安文编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《TensorFlow深度学习基础与应用》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。
电子书
本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数...
电子书
本书介绍了深度学习原理与TensorFlow实践。着重讲述了当前学术界和工业界的深度学习核心知识：机器学习概论、神经网络、深度学习。着重讲述了深度学习的实现以及深度学习框架Te...
电子书
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其支持多种客户端语言下的安装和运行。本书以TensorFlow为导线，进行机器学习，书中每章...
电子书
本书旨在介绍人工智能中深度学习的基础知识，为即将进入深度学习领域进行研究的读者奠定基础。全书共13章，其中，第1～4章为理论部分，第5～13章为应用部分。理论部分介绍了机器学习...
电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中...
电子书
本书分为人工智能产品研发、深度学习数据应用、深度学习基础应用3篇共10个项目，内容包括：人工智能需求管理、设计人工智能产品、人工智能开发平台应用、数据采集工程应用、数据处理工程...