电子书
内容简介
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Seq2Seq+attention 模型及其应用案例。
本书最大特色是既有由浅入深的理论知识，又有从入门到高深的应用编程的技术知识。本书涵盖了深度学习的理论、Python 编程语言以及TensorFlow编程知识和代码解读，为深度学习初学者以及进阶人员提供了详尽的必要知识。
本书可用于大学本科生高年级以及研究生人工智能教材，也可作为应用领域技术人员、工程技术人员和科学研究工作者的参考资料。
章节目录
- 封面
- 扉页
- 版权信息
- 内容提要
- 前言
- 第1章 绪论
- 1.1 引言
- 1.2 深度学习的发展历程
- 1.3 Tensor Flow应用现状
- 习题
- 第2章 机器学习概论
- 2.1 机器学习相关的数学知识
- 2.1.1 微积分
- 2.1.2 线性代数
- 2.1.3 概率论
- 2.2 机器学习方法
- 2.2.1 监督学习
- 2.2.2 无监督学习
- 2.2.3 半监督学习
- 2.2.4 强化学习
- 2.3 数据的预处理方法
- 习题
- 第3章 神经网络
- 3.1 神经网络基础知识
- 3.1.1 MP模型
- 3.1.2 感知机
- 3.1.3 三层感知机
- 3.2 神经网络模型
- 3.2.1 径向基函数网络
- 3.2.2 Hopfield神经网络
- 3.2.3 Elman神经网络
- 3.2.4 玻尔兹曼机
- 3.2.5 自动编码器
- 3.2.6 生成对抗网络
- 习题
- 第4章 深度学习
- 4.1 多层感知机神经网络
- 4.2 激活函数、损失函数和过拟合
- 4.2.1 激活函数
- 4.2.2 损失函数（代价函数）
- 4.2.3 防止过拟合
- 4.3 卷积神经网络
- 4.3.1 卷积神经网络原理
- 4.3.2 *卷积神经网络BP算法的数学推导
- 4.4 循环神经网络
- 4.4.1 循环神经网络模型原理
- 4.4.2 *BPTT算法
- 4.4.3 双向循环神经网络
- 4.4.4 深度循环神经网络
- 4.4.5 长短时记忆网络
- 4.4.6 门控循环单元网络
- 4.5 深度置信网络
- 4.5.1 RBM原理
- 4.5.2 RBM求解算法
- 4.5.3 对比散度算法
- 4.5.4 *公式推导
- 4.5.5 深度置信网络训练
- 4.6 深度学习框架
- 4.6.1 Tensor Flow
- 4.6.2 Caffe
- 4.6.3 Theano
- 4.6.4 Keras
- 习题
- 第5章 Python编程基础
- 5.1 Python环境搭建
- 5.1.1 Python安装
- 5.1.2 Jupyter Notebook编程器安装使用
- 5.2 Python编程基础知识
- 5.2.1 Python标识符
- 5.2.2 Python标准数据类型
- 5.2.3 Python语句
- 5.2.4 Python运算符
- 5.2.5 代码组
- 5.2.6 Python流程控制
- 5.2.7 Python函数
- 5.2.8 Python模块
- 5.2.9 Python类
- 5.2.10 命名空间和作用域
- 5.3 Python标准库
- 5.4 Python机器学习库
- 5.4.1 Num Py
- 5.4.2 Sci Py
- 5.4.3 pandas
- 5.4.4 scikit-learn
- 习题
- 第6章 Tensor Flow编程基础
- 6.1 Tensor Flow的发展历程与演进
- 6.2 Tensor Flow的搭建配置
- 6.2.1 在Windows系统环境下安装Tensor Flow
- 6.2.2 在Mac OS系统环境下安装Tensor Flow
- 6.2.3 在Linux系统环境下安装Tensor Flow
- 6.3 Tensor Flow编程基础知识
- 6.3.1 张量
- 6.3.2 符号式编程
- 6.3.3 变量和常量
- 6.3.4 会话
- 6.3.5 占位符、获取和馈送
- 6.3.6 Variable类
- 6.3.7 常量、序列以及随机值
- 6.3.8 执行图
- 6.3.9 操作运算
- 6.3.10 基本数学函数
- 6.3.11 矩阵数学函数
- 6.3.12 张量数学函数
- 6.3.13 张量Reduction操作
- 6.3.14 累加和累积
- 6.3.15 张量拆分操作
- 6.3.16 序列比较与索引
- 6.3.17 张量数据类型转换
- 6.3.18 Tensor Flow张量形状的确定与改变
- 6.4 Tensor Flow系统架构及源码结构
- 6.5 Eager Execution
- 6.6 Tensor Flow示例代码
- 6.6.1 简单回归拟合
- 6.6.2 波士顿房价预测
- 习题
- 第7章 Tensor Flow模型
- 7.1 Tensor Flow模型编程模式
- 7.1.1 tf.nn模块
- 7.1.2 tf.layers模块
- 7.1.3 tf.estimator模块
- 7.1.4 tf.keras模块
- 7.2 读取数据
- 7.2.1 载入数据
- 7.2.2 创建迭代器
- 7.2.3 使用dataset数据
- 7.3 Tensor Flow模型搭建
- 7.4 Tensor Flow模型训练
- 7.4.1 损失函数——tf.losses模块
- 7.4.2 优化器——tf.train模块
- 7.4.3 训练示例
- 7.5 Tensor Flow评估
- 7.5.1 评价指标
- 7.5.2 评估函数——tf.metrics模块
- 7.6 Tensor Flow模型载入、保存及调用
- 7.7 可视化分析和评估模型
- 7.7.1 tf.summary模块
- 7.7.2 Tensor Board可视化评估工具
- 7.7.3 Tensor Board使用案例
- 7.8 示例——鸢尾花分类
- 习题
- 第8章 Tensor Flow编程实践
- 8.1 MNIST手写数字识别
- 8.1.1 使用tf.nn模块实现MNIST手写数字识别
- 8.1.2 使用tf.estimator模块实现MNIST手写数字识别
- 8.2 Fashion MNIST
- 8.2.1 Keras序列模型
- 8.2.2 Fashion MNIST代码
- 8.3 RNN简笔画识别
- 习题
- 第9章 Tensor Flow Lite和Tensor Flow.js
- 9.1 Tensor Flow Lite
- 9.1.1 转化训练好的模型为.tflite文件
- 9.1.2 编写自定义操作代码
- 9.1.3 在Tensor Flow Lite的移动端进行安卓开发
- 9.1.4 在Tensor Flow Lite的移动端进行i OS开发
- 9.2 Tensor Flow.js
- 9.2.1 Tensor Flow.js Java Script库引入
- 9.2.2 Tensor Flow.js基础知识
- 9.2.3 Tensor Flow.js示例
- 习题
- 第10章 Tensor Flow案例——医学应用
- 10.1 开源医学图像分析平台DLTK的安装运行
- 10.2 开源医学图像分析平台DLTK的使用
- 10.3 开源医学图像分析平台DLTK案例
- 10.4 开源医学图像分析平台DLTK模型
- 习题
- 第11章 Seq2Seq+attention模型及其应用案例
- 11.1 Seq2Seq和attention模型
- 11.2 Tensor Flow自动文本摘要生成
- 11.2.1 Text Sum安装运行
- 11.2.2 Text Sum整体结构
- 11.3 聊天机器人
- 11.3.1 Deep QA
- 11.3.2 Stanford Tensor Flow Chatbot
- 习题
展开全部
深度学习原理与 TensorFlow实践是2019年由人民邮电出版社出版,作者黄理灿。
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《深度学习原理与 TensorFlow实践》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
电子书