本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM网络的诗歌生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现诗歌生成等。本书大部分章包含实训和课后习题，通过练习和操作实践，读者可
电子书
内容简介
本书从人工智能导论入手，阐述人工智能的发展及现状，重点介绍了机器学习和神经网络基础、反向传播原理、卷积神经网络和循环神经网络等内容。本书内容由浅入深，循序渐进，从神经元和感知机入手，逐步讲解深度学习中神经网络基础、反向传播以及更深层次的卷积神经网络、循环神经网络。本书知识体系完整，内容覆盖面广，介绍了深度学习中常用的模型和算法，助力读者多方位掌握深度学习的相关知识。本书可作为高等院校计算机等相关专业的教材，也可供人工智能领域的技术人员学习使用，还可以作为人工智能研究人员的参考用书。
章节目录
- 第1 章人工智能导论
- 任务1.1 了解人工智能的发展历程
- 任务1.2 理解人工智能、机器学习和深度学习之间的关系
- 任务1.3 了解深度学习的发展与应用情况
- 1.3.1 深度学习的发展
- 1.3.2 深度学习的应用情况
- 本章小结
- 本章习题
- 第2 章Keras 与环境配置
- 任务2.1 配置深度学习开发环境
- 2.1.1 Python 开发环境的搭建
- 2.1.2 Keras 与TensorFlow 的安装
- 任务2.2 快速入门Keras
- 2.2.1 为什么选择Keras
- 2.2.2 搭建Keras 模型
- 本章小结
- 本章习题
- 第3 章机器学习基础
- 任务3.1 了解机器学习
- 3.1.1 为什么要让机器学习
- 3.1.2 机器如何学习
- 3.1.3 机器学习的算法
- 任务3.2 理解回归与分类
- 3.2.1 回归
- 3.2.2 分类
- 任务3.3 理解什么是损失函数
- 3.3.1 损失函数的意义
- 3.3.2 损失函数的种
- 3.3.3 交叉熵损失函数
- 任务3.4 掌握梯度下降算法
- 3.4.1 梯度下降概述
- 3.4.2 学习率
- 3.4.3 梯度下降的形
- 任务3.5 了解机器学习的通用工作流程
- 本章小结
- 本章习题
- 第4 章神经网络基础
- 任务4.1 了解人工神经元
- 4.1.1 生物神经元
- 4.1.2 人工神经元
- 任务4.2 掌握基础的神经网络结构
- 4.2.1 多层感知机模型
- 4.2.2 全连接神经网络
- 任务4.3 使用Python 实现感知机
- 任务4.4 理解激活函数的作用
- 4.4.1 激活函数的意义
- 4.4.2 激活函数的种类
- 本章小结
- 本章习题
- 第5 章反向传播原理
- 任务5.1 计算神经网络的输出
- 任务5.2 掌握反向传播算法
- 5.2.1 反向传播算法的意义
- 5.2.2 反向传播算法的计算
- 任务5.3 使用Python 实现反向传播算法
- 本章小结
- 本章习题
- 第6 章深度神经网络手写体识别
- 任务6.1 掌握使用Keras 构建神经网络的模型
- 6.1.1 顺序模型
- 6.1.2 函数式模型
- 任务6.2 使用手写体识别数据集MNIST
- 任务6.3 深度神经网络解决图像分类问题
- 本章小结
- 本章习题
- 第7 章神经网络优化
- 任务7.1 模型评估
- 7.1.1 选择一个可靠的模型
- 7.1.2 欠拟合和过拟合
- 任务7.2 范数正则化避免过拟合
- 任务7.3 丢弃法避免过拟合
- 任务7.4 掌握改进的优化算法
- 7.4.1 小批量梯度下降
- 7.4.2 小批量随机梯度下降算法的改进
- 本章小结
- 本章习题
- 第8 章卷积神经网络
- 任务8.1 初识卷积神经网络
- 8.1.1 卷积概述
- 8.1.2 与全连接神经网络的对比
- 任务8.2 卷积运算
- 8.2.1 卷积核
- 8.2.2 填充和步幅
- 8.2.3 多通道卷积
- 8.2.4 池化层
- 任务8.3 LeNet 实现图像分类
- 8.3.1 LeNet——开山之作
- 8.3.2 LeNet 进行图像分类
- 本章小结
- 本章习题
- 第9 章卷积神经网络经典结构
- 任务9.1 训练深度卷积神经网络
- 9.1.1 AlexNet
- 9.1.2 图像增广
- 9.1.3 实现AlexNet
- 任务9.2 进一步增加网络的深度
- 9.2.1 VGG 系列
- 9.2.2 应用VGG16 预训练模型进行特征提取
- 任务9.3 认识并行结构的卷积神经网络
- 9.3.1 GoogLeNet
- 9.3.2 Inception 块
- 9.3.3 1×1 的卷积核
- 9.3.4 GoogLeNet 的网络结构
- 任务9.4 把网络深度提升至上百层
- 9.4.1 深度残差网络
- 9.4.2 稠密连接网络
- 本章小结
- 本章习题
- 第10 章循环神经网络
- 任务10.1 对时序数据建模
- 10.1.1 时序数据
- 10.1.2 循环神经网络
- 任务10.2 增加循环神经网络的记忆
- 10.2.1 长短期记忆网络的原理
- 10.2.2 基于LSTM 实现IMDb 电影评论情感分类
- 任务10.3 优化长短期记忆网络
- 10.3.1 GRU 网络
- 10.3.2 基于GRU 实现IMDb 数据预测并与LSTM 对比
- 本章小结
- 本章习题
展开全部
Keras深度学习与神经网络是2022年由人民邮电出版社出版,作者肖睿 程鸣萱 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《Keras深度学习与神经网络》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的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例。
电子书
本书旨在为读者建立完整的深度学习知识体系。全书内容包含3个部分，第一部分为与深度学习相关的数学基础；第二部分为深度学习的算法基础以及相关实现；第三部分为深度学习的实际应用。
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
本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
电子书
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。
