深度学习与TensorFlow实践(全彩印刷新工科建设之路人工智能系列教材)
举报
正版图书 可开发票 品质保证图书
-
作者:
张玉宏|责编:孟宇
-
出版社:
电子工业
-
ISBN:
9787121401992
-
出版时间:
2021-01
-
装帧:
平装
-
开本:
16开
-
ISBN:
9787121401992
-
出版时间:
2021-01
售价
￥
53.25
6.7折
定价
￥79.00
品相
全新
上书时间2025-07-17
卖家超过10天未登录
-
-
商品描述：
-
作者简介
张玉宏，2012年博士毕业于电子科技大学，大数据分析师（高级），2009年~2011年美国西北大学访问学者，2019年~至今，美国IUPUI高级访问学者，现执教于河南工业大学，主要研究方向为大数据、机器学习等，发表学术论文30余篇，阿里云栖社区专栏科技作家，先后出版《深度学习之美》《品味大数据》等科技畅销书6部，参编英文学术专著2部。
目录
目 录
第１章 深度学习导论1
1.1 从人工智能到深度学习2
1.1.1 从感知机到深度学习2
1.1.2 深度学习的巨大影响6
1.2 从学习到机器学习7
1.2.1 什么是学习7
1.2.2 什么是机器学习8
1.2.3 机器学习的4个象限9
1.3 深度学习的内涵10
1.3.1 什么是深度学习10
1.3.2 生活中的深度学习12
1.3.3 有没有浅度学习13
1.4 本章小结14
1.5 思考与习题14
参考资料14
第2章 神经网络学习16
2.1 人工神经网络的定义17
2.2 神经网络的原子单元——感知机18
2.2.1 感知机的形式化描述18
2.2.2 感知机名称的由来19
2.2.3 感性认识感知机20
2.2.4 感知机是如何学习的22
2.2.5 感知机训练法则24
2.2.6 感知机中的激活函数26
2.2.7 感知机的几何意义26
2.2.8 实战：基于Python的感知机实现27
2.2.9 感知机的表征能力31
2.3 多层前馈网络32
2.3.1 多层网络解决“异或”问题32
2.3.2 多层前馈神经网络34
2.3.3 机器学习本质与通用近似定理35
2.3.4 神经网络结构的设计37
2.4 神经网络中的损失函数38
2.5 常用的激活函数40
2.5.1 Sigmoid函数40
2.5.2 Tanh函数41
2.5.3 ReLU函数42
2.6 实战：利用sklearn搭建多层神经网络43
2.6.1 sklearn简介44
2.6.2 sklearn的安装44
2.6.3 sklearn搭建多层神经网络实现红酒分类45
2.7 本章小结57
2.8 思考与习题58
参考资料58
第3章 初识TensorFlow60
3.1 TensorFlow概述61
3.2 TensorFlow特征62
3.3 深度学习框架比较63
3.3.1 Theano63
3.3.2 Keras64
3.3.3 Caffe65
3.3.4 PyTorch66
3.4 利用Anaconda安装TensorFlow67
3.4.1 Anaconda的下载与安装67
3.4.2 验证Python是否安装成功70
3.4.3 利用conda安装TensorFlow71
3.5 运行“Hello World!”版的TensorFlow程序72
3.5.1 利用TensorFlow 2 编写的第二个程序74
3.5.2 TensorFlow 2 的新特性75
3.6 本章小结79
3.7 思考与提高79
参考资料79
第4章 TensorFlow 基础语法80
4.1 TensorFlow的张量思维81
4.1.1 张量的阶81
4.1.2 张量的尺寸83
4.2 TensorFlow中的数据类型86
4.2.1 Python基本数据类型与TensorFlow的关系86
4.2.2 数值类型87
4.2.3 字符串类型89
4.2.4 布尔类型91
4.2.5 张量类型转换92
4.2.6 TensorFlow中的张量与NumPy数组93
4.3 TensorFlow中的常量与变量97
4.3.1 constant常量97
4.3.2 Variable变量98
4.4 常用张量生成方法100
4.4.1 生成全0的张量100
4.4.2 生成全1的张量102
4.4.3 生成全为给定值的张量103
4.4.4 生成已知分布的随机数张量103
4.4.5 创建特定张量序列104
4.5 张量的索引和切片105
4.5.1 索引105
4.5.2 通过切片访问107
4.6 张量的维度伸缩与交换111
4.6.1 张量中的轴方向111
4.6.2 张量维度的增加与删除111
4.7 张量的合并、分割与复制112
4.7.1 张量合并113
4.7.2 张量分割115
4.8 TensorFlow中的计算118
4.8.1 按元素计算118
4.8.2 张量的按轴计算119
4.9 张量的广播机制122
4.9.1 广播的定义122
4.9.2 广播的操作与适用规则122
4.10 张量在神经网络中的典型应用124
4.10.1 标量124
4.10.2 向量126
4.10.3 矩阵126
4.10.4 三维张量129
4.10.5 四维张量130
4.10.6 五维张量130
4.11 本章小结131
4.12 思考与练习132
参考资料132
第5章 BP算法与优化方法133
5.1 为何需要优化函数134
5.1.1 优化的意义134
5.1.2 优化函数的流程134
5.2 基于梯度的优化算法136
5.2.1 什么是梯度136
5.2.2 梯度的代码实现138
5.2.3 梯度递减142
5.2.4 批量梯度递减法145
5.2.5 随机梯度递减法146
5.2.6 小批量梯度递减法148
5.2.7 实战：基于梯度递减的线性回归算法148
5.2.8 基于梯度递减优化算法的挑战151
5.3 BP算法152
5.3.1 BP算法的发展历程152
5.3.2 正向传播信息153
5.3.3 求导中的链式法则156
5.3.4 误差反向传播158
5.3.5 实战：利用BP算法解决异或问题160
5.4 TensorFlow中的其他优化算法163
5.5 本章小结166
5.6 思考与习题166
参考资料167
第6章 Keras模块的使用168
6.1 Keras与tf.keras模块169
6.2 数据的加载170
6.2.1 TensorFlow的经典数据集170
6.2.2 Dataset对象171
6.3 Dataset的变换173
6.3.1 随机打散173
6.3.2 设置批大小174
6.3.3 数据映射174
6.3.4 循环训练175
6.4 实战：基于梯度递减的手写数字识别MNIST176
6.4.1 MNIST数据集简介176
6.4.2 MNIST数据的获取178
6.4.3 手写识别任务的分类模型180
6.4.4 Softmax回归模型182
6.4.5 手写数字识别MNIST中的Softmax回归模型184
6.4.6 TensorFlow中搭建模型的三种方式185
6.4.7 常用的序贯模型186
6.4.8 利用tf.keras进行模型搭建188
6.4.9 利用梯度递减算法构建模型191
6.4.10 损失函数的交叉熵模型193
6.4.11 tf.keras中的模型编译196
6.4.12 模型的训练与预测198
6.4.13 训练模型的保存与读取201
6.5 本章小结205
6.6 思考与练习206
参考资料206
第7章 卷积神经网络207
7.1 概述208
7.1.1 前馈神经网络的问题所在208
7.1.2 卷积神经网络的生物学启示209
7.1.3 卷积神经网络的发展历程210
7.1.4 深度学习的“端到端”范式212
7.2 卷积神经网络的概念213
7.2.1 卷积的数学定义213
7.2.2 生活中的卷积215
7.3 图像处理中的卷积215
7.3.1 计算机“视界”中的图像215
7.3.2 卷积运算216
7.3.3 卷积在图像处理中的应用219
7.4 卷积神经网络的结构221
7.5 卷积层要义222
7.5.1 卷积层的局部连接222
7.5.2 卷积核深度223
7.5.3 步幅223
7.5.4 填充224
7.5.5 权值共享226
7.6 激活层227
7.7 池化层228
7.8 全连接层230
7.9 防止过拟合的Dropout机制231
7.10 经典的卷积神经网络结构232
7.10.1 LeNet-5233
7.10.2 AlexNet233
7.10.3 VGGNet235
7.11 实战：基于卷积神经网络的手写数字识别236
7.11.1 数据读取237
7.11.2 搭建模型238
7.11.3 模型训练240
7.11.4 可视化展现TensorBoard242
7.11.5 模型预测246
7.12 本章小结248
7.13 思考与练习248
参考资料249
第8章 循环神经网络与LSTM250
8.1 标准神经网络的缺点251
8.2 循序神经网络的发展历程252
8.2.1 Hopfield网络252
8.2.2 Jordan循环神经网络252
8.2.3 Elman循环神经网络253
8.2.4 RNN的应用领域254
8.3 RNN的理论基础254
8.3.1 RNN的形式化定义255
8.3.2 循环神经网络的生物学机理256
8.4 常见的RNN拓扑结构257
8.4.1 one-to-one257
8.4.2 one-to-many258
8.4.3 many-to-one258
8.4.4 many-to-many258
8.5 RNN的训练259
8.5.1 单向RNN建模259
8.5.2 双向RNN建模261
8.5.3 确定优化目标函数262
8.5.4 参数求解与
内容摘要
深度学习是人工智能的前沿技术。本书深入浅出地介绍了深度学习的相关理论和TensorFlow实践，全书共8章。第1章给出了深度学习的基本概况。第2章详细介绍了神经网络相关知识，内容包括M-P神经元模型、感知机、多层神经网络。第3章介绍了被广泛认可的深度学习框架TensorFlow2的安装流程与新特性。第4章详细介绍了TensorFlow2的相关语法。第5章介绍了BP算法和常见的优化方法。第6章介绍了Keras模块的使用。第7章和第8章详细讲解了卷积神经网络和循环神经网络，并给出了相关的实战项目。 本书结构完整、行文流畅，是一本零基础入门、通俗易懂、图文并茂、理论结合实战的深度学习书籍。对于计算机、人工智能及相关专业的本科生和研究生，这是一本适合入门与系统学习的教材；对于从事深度学习产品研发的工程技术人员，本书也有一定的参考价值。
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
