本书基于当前流行的深度学习框架之一——Keras，从新手的角度出发，详细讲解Keras的原理，力求帮助读者实现Keras从入门到精通。全书共9章，主要内容包括初识深度学习、深度学习的数据预处理技术、使用Keras开发深度学习模型、卷积神经网络及图像分类、循环神经网络在文本序列中的应用、自编码器、生成式对抗网络、模型评估及模型优化，以及深度学习实验项目。本书内容由浅入深、语言通俗易懂，从基本原理到案
电子书
内容简介
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进阶编程、线性回归、逻辑回归、聚类分析、神经网络、卷积网络、有记忆网络以及其他网络等内容。
本书适合TensorFlow初学者，也适合研究TensorFlow的广大科研人员、学者、工程技术人员。
章节目录
- 封面
- 前折页
- 题名页
- 版权页
- 前言
- 目录
- 第1章 TensorFlow与深度学习
- 1.1 深度学习的由来
- 1.2 语言与系统的支持
- 1.3 TensorFlow的特点
- 1.4 核心组件
- 1.5 TensorFlow的主要依赖包
- 1.5.1 Protocol Buffer包
- 1.5.2 Bazel包
- 1.6 搭建环境
- 1.6.1 安装环境
- 1.6.2 安装TensorFlow
- 1.6.3 安装测试
- 1.7 Geany
- 1.8 揭开深度学习的面纱
- 1.8.1 人工智能、机器学习与深度学习
- 1.8.2 深度学习的核心思想
- 1.8.3 深度学习的应用
- 1.9 深度学习的优劣势
- 第2章 TensorFlow编程基础
- 2.1 张量
- 2.1.1 张量的概念
- 2.1.2 张量的使用
- 2.1.3 Numpy库
- 2.1.4 张量的阶
- 2.1.5 张量的形状
- 2.1.6 张量应用实例
- 2.2 图的实现
- 2.3 会话的实现
- 2.4 认识变量
- 2.4.1 变量的创建
- 2.4.2 变量的初始化
- 2.4.3 变量的更新
- 2.4.4 变量的保存
- 2.4.5 变量的加载
- 2.4.6 共享变量和变量命名空间
- 2.5 矩阵的操作
- 2.5.1 矩阵的生成
- 2.5.2 矩阵的变换
- 2.6 TensorFlow数据读取的方式
- 2.7 从磁盘读取信息
- 2.7.1 列表格式
- 2.7.2 读取图像数据
- 第3章 TensorFlow编程进阶
- 3.1 队列与线程
- 3.1.1 队列
- 3.1.2 队列管理器
- 3.1.3 线程协调器
- 3.1.4 组合使用
- 3.2 TensorFlow嵌入Layer
- 3.3 生成随机图片数据
- 3.4 神经网络
- 3.4.1 神经元
- 3.4.2 简单神经结构
- 3.4.3 深度神经网络
- 3.5 损失函数
- 3.6 梯度下降
- 3.6.1 标准梯度法
- 3.6.2 批量梯度下降法
- 3.6.3 随机梯度下降法
- 3.6.4 小批量梯度下降法
- 3.6.5 线性模型的局限性
- 3.6.6 直线与曲线的拟合演示
- 3.7 反向传播
- 3.7.1 求导链式法则
- 3.7.2 反向传播算法思路
- 3.7.3 反向传播算法的计算过程
- 3.7.4 反向传播演示回归与二分类算法
- 3.8 随机训练与批量训练
- 3.9 创建分类器
- 3.10 模型评估
- 3.11 优化函数
- 3.11.1 随机梯度下降优化算法
- 3.11.2 基于动量的优化算法
- 3.11.3 Adagrad优化算法
- 3.11.4 Adadelta优化算法
- 3.11.5 Adam优化算法
- 3.11.6 实例演示几种优化算法
- 第4章 TensorFlow实现线性回归
- 4.1 矩阵操作实现线性回归问题
- 4.1.1 逆矩阵解决线性回归问题
- 4.1.2 矩阵分解法实现线性回归
- 4.1.3 正则法对iris数据实现回归分析
- 4.2 损失函数对iris数据实现回归分析
- 4.3 戴明算法对iris数据实现回归分析
- 4.4 岭回归与Lasso回归对iris数据实现回归分析
- 4.5 弹性网络算法对iris数据实现回归分析
- 第5章 TensorFlow实现逻辑回归
- 5.1 什么是逻辑回归
- 5.1.1 逻辑回归与线性回归的关系
- 5.1.2 逻辑回归模型的代价函数
- 5.1.3 逻辑回归的预测函数
- 5.1.4 判定边界
- 5.1.5 随机梯度下降算法实现逻辑回归
- 5.2 逆函数及其实现
- 5.2.1 逆函数的相关函数
- 5.2.2 逆函数的实现
- 5.3 Softmax回归
- 5.3.1 Softmax回归简介
- 5.3.2 Softmax的代价函数
- 5.3.3 Softmax回归的求解
- 5.3.4 Softmax回归的参数特点
- 5.3.5 Softmax与逻辑回归的关系
- 5.3.6 多分类算法和二分类算法的选择
- 5.3.7 计算机视觉领域实例
- 第6章 TensorFlow实现聚类分析
- 6.1 支持向量机及实现
- 6.1.1 重新审视逻辑回归
- 6.1.2 形式化表示
- 6.1.3 函数间隔和几何间隔
- 6.1.4 最优间隔分类器
- 6.1.5 支持向量机对iris数据进行分类
- 6.1.6 核函数对数据点进行预测
- 6.1.7 非线性支持向量机创建山鸢尾花分类器
- 6.1.8 多类支持向量机对iris数据进行预测
- 6.2 K-均值聚类法及实现
- 6.2.1 K-均值聚类相关概念
- 6.2.2 K-均值聚类法对iris数据进行聚类
- 6.3 最近邻算法及实现
- 6.3.1 最近邻算法概述
- 6.3.2 最近邻算法求解文本距离
- 6.3.3 最近邻算法实现地址匹配
- 第7章 神经网络算法
- 7.1 反向网络
- 7.1.1 问题设置
- 7.1.2 反向网络算法
- 7.1.3 自动微分
- 7.1.4 对随机数进行反向网络演示
- 7.2 激励函数及实现
- 7.2.1 激励函数的用途
- 7.2.2 几种激励函数
- 7.2.3 几种激励函数的绘图
- 7.3 门函数及其实现
- 7.4 单层神经网络对iris数据进行训练
- 7.5 单个神经元的扩展及实现
- 7.6 构建多层神经网络
- 7.7 实现井字棋
- 第8章 TensorFlow实现卷积神经网络
- 8.1 全连接网络的局限性
- 8.2 卷积神经网络的结构
- 8.2.1 卷积层
- 8.2.2 池化层
- 8.2.3 全连接层
- 8.3 卷积神经网络的训练
- 8.3.1 求导的链式法则
- 8.3.2 卷积层反向传播
- 8.4 卷积神经网络的实现
- 8.4.1 识别0和1数字
- 8.4.2 预测MNIST数字
- 8.5 几种经典的卷积神经网络及实现
- 8.5.1 AlexNet网络及实现
- 8.5.2 VGGNet网络及实现
- 8.5.3 Inception Net网络及实现
- 8.5.4 ResNet网络及实现
- 第9章 TensorFlow实现循环神经网络
- 9.1 循环神经网络概述
- 9.1.1 循环神经网络的原理
- 9.1.2 循环神经网络的应用
- 9.1.3 损失函数
- 9.1.4 梯度求解
- 9.1.5 实现二进制数加法运算
- 9.1.6 实现拟合回声信号序列
- 9.2 循环神经网络的训练
- 9.3 循环神经网络的改进
- 9.3.1 循环神经网络存在的问题
- 9.3.2 LSTM网络
- 9.3.3 LSTM核心思想
- 9.3.4 LSTM详解与实现
- 9.3.5 窥视孔连接
- 9.3.6 GRU网络对MNIST数据集分类
- 9.3.7 BRNN网络对MNIST数据集分类
- 9.3.8 CTC实现端到端训练的语音识别模型
- 第10章 TensorFlow其他网络
- 10.1 自编码网络及实现
- 10.1.1 自编码网络的结构
- 10.1.2 自编码网络的代码实现
- 10.2 降噪自编码器及实现
- 10.2.1 降噪自编码器的原理
- 10.2.2 降噪自编码器的实现
- 10.3 栈式自编码器及实现
- 10.3.1 栈式自编码器概述
- 10.3.2 栈式自编码器训练
- 10.3.3 栈式自编码器进行MNIST手写数字分类
- 10.3.4 代替和级联
- 10.3.5 自编码器的应用场合
- 10.3.6 自编码器的综合实现
- 10.4 变分自编码器及实现
- 10.4.1 变分自编码器的原理
- 10.4.2 损失函数
- 10.4.3 变分自编码器模拟生成MNIST数据
- 10.5 条件变分自编码器及实现
- 10.5.1 条件变分自编码器概述
- 10.5.2 条件变分自编码器生成MNIST数据
- 10.6 对抗神经网络
- 10.6.1 对抗神经网络的原理
- 10.6.2 生成模型的应用
- 10.6.3 对抗神经网络的训练方法
- 10.7 DCGAN网络及实现
- 10.7.1 DCGAN网络概述
- 10.7.2 DCGAN网络模拟MNIST数据
- 10.8 InfoGAN网络及实现
- 10.8.1 什么是互信息
- 10.8.2 互信息的下界
- 10.8.3 InfoGAN生成MNIST模拟数据
- 10.9 AEGAN网络及实现
- 10.9.1 AEGAN网络概述
- 10.9.2 AEGAN对MNIST数据集压缩及重建
- 10.10 WGAN-GP网络
- 10.10.1 WGAN网络
- 10.10.2 WGAN-GP网络生成MNIST数据集
- 第11章 TensorFlow机器学习综合实战
- 11.1 房屋价格的预测
- 11.1.1 K近邻算法预测房屋价格
- 11.1.2 卷积神经网络预测房屋价格
- 11.1.3 深度神经网络预测房屋价格
- 11.2 卷积神经网络实现人脸识别
- 11.3 肾癌的转移判断
- 11.4 比特币的预测
- 参考文献
- 后折页
- 封底
展开全部
TensorFlow深度学习从入门到进阶是2020年由机械工业出版社出版,作者张德丰 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深度学习从入门到进阶》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
本书讲解了深度学习的相关知识。全书共8章，包括深度学习简介及TensorFlow安装、神经网络基础、神经网络的TensorFlow实现、卷积神经网络基础、经典卷积神经网络(上)、经典卷积神经网络(下)、深度学习在文本序列中的应用以及深度学习实验项目等内容。
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
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。
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
精讲学习视频全程相伴，扫码即看；331个有趣实例及精彩分析娓娓道来
电子书
精讲学习视频全程相伴，扫码即看；217个有趣实例及精彩分析娓娓道来。
