定 價：￥69.00
| 作 者： | （印度）曼普里特·辛格·古特，拉蒂普·杜瓦 |
| 出版社： | 機(jī)械工業(yè)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787111611783 | 出版時間： | 2018-11-01 | 包裝： | 平裝 |
| 開本： | 16 | 頁數(shù)： | 字?jǐn)?shù)： |
譯者序
作者簡介
審校者簡介
前言
第1 章 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理 1
1.1 理解線性代數(shù) 1
1.1.1 環(huán)境設(shè)置 2
1.1.2 線性代數(shù)的數(shù)據(jù)結(jié)構(gòu) 3
1.1.3 線性代數(shù)運(yùn)算 4
1.1.4 求解線性方程 · 9
1.1.5 奇異值分解 11
1.1.6 特征值分解 14
1.1.7 主成分分析 14
1.2 微積分 15
1.2.1 梯度 16
1.2.2 Hessian 矩陣 23
1.2.3 行列式 24
1.3 最優(yōu)化 25
1.4 總結(jié) 28
第2 章 深度前饋神經(jīng)網(wǎng)絡(luò) 29
2.1 定義前饋神經(jīng)網(wǎng)絡(luò) 29
2.2 理解反向傳播 30
2.3 在TensorFlow 中實(shí)現(xiàn)前饋神經(jīng)網(wǎng)絡(luò) · 31
2.4 分析Iris 數(shù)據(jù)集 · 34
2.5 使用前饋網(wǎng)絡(luò)進(jìn)行圖像分類 40
2.6 總結(jié) 54
第3 章 神經(jīng)網(wǎng)絡(luò)的優(yōu)化 · 55
3.1 什么是優(yōu)化 55
3.2 優(yōu)化器的類型 56
3.3 梯度下降 57
3.3.1 梯度下降的變體 58
3.3.2 優(yōu)化梯度下降的算法 59
3.4 優(yōu)化器的選擇 61
3.5 總結(jié) 64
第4 章 卷積神經(jīng)網(wǎng)絡(luò) · 65
4.1 卷積神經(jīng)網(wǎng)絡(luò)概述和直觀理解 66
4.1.1 單個卷積層的計(jì)算 66
4.1.2 TensorFlow 中的CNN 70
4.2 卷積操作 · 72
4.2.1 對圖像進(jìn)行卷積 73
4.2.2 步長 75
4.3 池化 · 76
4.3.1 最大池化 77
4.3.2 示例代碼 78
4.4 使用卷積網(wǎng)絡(luò)進(jìn)行圖像分類 80
4.5 總結(jié) · 102
第5 章 遞歸神經(jīng)網(wǎng)絡(luò) · 103
5.1 遞歸神經(jīng)網(wǎng)絡(luò)介紹 103
5.1.1 RNN 實(shí)現(xiàn) 105
5.1.2 TensorFlow RNN 實(shí)現(xiàn) 110
5.2 長短期記憶網(wǎng)絡(luò)簡介 114
5.2.1 LSTM 的生命周期 115
5.2.2 LSTM 實(shí)現(xiàn) 117
5.3 情感分析 122
5.3.1 詞嵌入 122
5.3.2 使用RNN 進(jìn)行情感分析 · 128
5.4 總結(jié) 134
第6 章 生成模型 135
6.1 生成模型簡介 135
6.1.1 判別模型對生成模型 136
6.1.2 生成模型的類型 137
6.2 GAN · 140
6.2.1 GAN 示例 141
6.2.2 GAN 的種類 150
6.3 總結(jié) · 152
第7 章 深度信念網(wǎng)絡(luò) · 153
7.1 理解深度信念網(wǎng)絡(luò) 154
7.2 訓(xùn)練模型 161
7.3 標(biāo)簽預(yù)測 162
7.4 探索模型的準(zhǔn)確度 162
7.5 DBN 在MNIST 數(shù)據(jù)集上的應(yīng)用 · 163
7.5.1 加載數(shù)據(jù)集 163
7.5.2 具有256 個神經(jīng)元的RBM層的DBN 的輸入?yún)?shù) · 163
7.5.3 具有256 個神經(jīng)元的RBM層的DBN 的輸出 · 165
7.6 DBN 中RBM 層的神經(jīng)元數(shù)量的影響 · 165
7.6.1 具有512 個神經(jīng)元的RBM 層 · 165
7.6.2 具有128 個神經(jīng)元的RBM 層 · 166
7.6.3 準(zhǔn)確度指標(biāo)對比 166
7.7 具有兩個RBM 層的DBN 167
7.8 用DBN 對NotMNIST 數(shù)據(jù)集進(jìn)行分類 · 169
7.9 總結(jié) 172
第8 章 自編碼器 173
8.1 自編碼算法 174
8.2 欠完備自編碼器 175
8.3 數(shù)據(jù)集 · 175
8.4 基本自編碼器 177
8.4.1 自編碼器的初始化 177
8.4.2 AutoEncoder 類 178
8.4.3 應(yīng)用于MNIST 數(shù)據(jù)集的基本自編碼器 180
8.4.4 基本自編碼器的完整代碼 · 184
8.4.5 基本自編碼器小結(jié) 186
8.5 加性高斯噪聲自編碼器 186
8.5.1 自編碼器類 187
8.5.2 應(yīng)用于MNIST 數(shù)據(jù)集的加性高斯自編碼器 188
8.5.3 繪制重建的圖像 191
8.5.4 加性高斯自編碼器的完整代碼 · 192
8.5.5 比較基本自編碼器和加性高斯噪聲自編碼器 193
8.5.6 加性高斯噪聲自編碼器小結(jié) · 194
8.6 稀疏自編碼器 194
8.6.1 KL 散度 194
8.6.2 稀疏自編碼器的完整代碼 · 196
8.6.3 應(yīng)用于MNIST 數(shù)據(jù)集的稀疏自編碼器 198
8.6.4 比較稀疏自編碼器和加性高斯噪聲自編碼器 200
8.7 總結(jié) 200
第9 章 神經(jīng)網(wǎng)絡(luò)研究 · 201
9.1 神經(jīng)網(wǎng)絡(luò)中避免過擬合 201
9.1.1 過擬合問題闡述 201
9.1.2 過擬合解決方案 202
9.1.3 影響效果 203
9.2 使用神經(jīng)網(wǎng)絡(luò)進(jìn)行大規(guī)模視頻處理 204
9.2.1 分辨率改進(jìn)方案 204
9.2.2 特征直方圖基線 205
9.2.3 定量結(jié)果 205
9.3 使用雙分支互向神經(jīng)網(wǎng)絡(luò)進(jìn)行命名實(shí)體識別 206
9.3.1 命名實(shí)體識別的例子 206
9.3.2 定義Twinet 207
9.3.3 結(jié)果 208
9.4 雙向遞歸神經(jīng)網(wǎng)絡(luò) 208
9.5 總結(jié) 209
第10 章 開始使用TensorFlow 211
10.1 環(huán)境搭建 211
10.2 比較TensorFlow 和Numpy 212
10.3 計(jì)算圖 213
10.3.1 圖 213
10.3.2 會話對象 214
10.3.3 變量 215
10.3.4 域 216
10.3.5 數(shù)據(jù)輸入 217
10.3.6 占位符和輸入字典 217
10.4 自動微分 218
10.5 TensorBoard · 219
......
鄂公網(wǎng)安備 42010302001612號 