本书共8章内容，由浅入深地讲解SparkSQL的基础知识、安装部署、编程基础、编程进阶、函数、性能调优技巧以及编程实践等知识。
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。
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《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
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、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到
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TensorFlow：Python编程基础、TensorFlow编程基础、TensorFlow模型、TensorFlow编程实践、TensorFlowLite和TensorFlow.js、TensorFlow案例--医学应用和S
电子书
本书以深度学习的常用技术与TensorFlow2真实案例相结合的方式，深入浅出地介绍TensorFlow2实现深度学习的重要内容。全书共7章，分为基础篇（第1～3章）和实战篇（第4～7章），基础篇内容包括深度学习概述、TensorFlow2快速入门、深度神经网络原理及实现等基础知识；实战篇内容包括4个案例，分别为基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换
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，书中每章节都是以理论引出，TensorFlow应用巩固结束，理论与实践相结合，让读者快速掌握TensorFlow机器学习。本书共10章，主要包括内容有：TensorFlow介绍、TensorFlow编辑基础、TensorFlow进阶
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和深度学习的基本内容，以及TensorFlow开发框架的搭建和使用；应用部分设置了多个项目案例，并介绍了这些案例详细的实现步骤和代码，使读者在练习中熟悉和掌握相关知识的应用方法与技巧。本书采用项目驱动的编写方式，做到了理论和
电子书
本书是一本深度学习的基础入门读物，对深度学习的基本理论进行了介绍，主要以Ubuntu系统为例搭建了三大主流框架——Caffe、TensorFlow、Torch，然后分别在3个框架下，通过3个实战项目掌握了框架的使用方法，并详细描述了生产流程，最后讲述了通过集群部署深度学习的项目以及如何进行运营维护的注意事项。本书适合对深度学习有浓厚兴趣的读者、希望用深度学习完成设计的计算机专业或电子信息专业的高校
电子书
本书讲解了计算机基础知识、WindowsXP操作系统、文字处理软件Word2003、电子表格Excel2003等内容。
