深度學(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	袁梅宇著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

京東 (￥58.70)

ISBN：	9787302559702	出版時(shí)間：	2020-08-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	281	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《深度學(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》講述深度學(xué)習(xí)的基本原理，使用TensorFlow實(shí)現(xiàn)涉及的深度學(xué)習(xí)算法。通過(guò)理論學(xué)習(xí)和編程操作，《深度學(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》使讀者了解并掌握深度學(xué)習(xí)的原理和TensorFlow編程技能，拉近理論與實(shí)踐的距離。《深度學(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》共分為10章，主要內(nèi)容包括TensorFlow介紹、TensorFlow文件操作、BP神經(jīng)網(wǎng)絡(luò)原理與實(shí)現(xiàn)、TensorFlow基礎(chǔ)編程、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化、卷積神經(jīng)網(wǎng)絡(luò)原理、卷積神經(jīng)網(wǎng)絡(luò)示例、詞嵌入模型、循環(huán)神經(jīng)網(wǎng)絡(luò)原理、循環(huán)神經(jīng)網(wǎng)絡(luò)示例?！渡疃葘W(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》源碼全部在TensorFlow1.13版本上調(diào)試成功。《深度學(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》內(nèi)容較全面、可操作性強(qiáng)，做到了理論與實(shí)踐相結(jié)合?！渡疃葘W(xué)習(xí)TensorFlow編程實(shí)戰(zhàn)》適合深度學(xué)習(xí)和TensorFlow編程人員作為入門和提高的技術(shù)參考書(shū)，也適合用作計(jì)算機(jī)專業(yè)高年級(jí)本科生和研究生的教材或教學(xué)參考書(shū)。

作者簡(jiǎn)介

　　袁梅宇，北航工學(xué)博士，碩士導(dǎo)師，現(xiàn)在昆明理工大學(xué)計(jì)算機(jī)系任教。為本科生和研究生主講Java程序設(shè)計(jì)、Java EE技術(shù)、數(shù)據(jù)庫(kù)原理、人工智能、Dot Net技術(shù)等核心課程，參加過(guò)863 CIMS Net建設(shè)、中歐合作項(xiàng)目DRAGON和多項(xiàng)國(guó)家基金和省基金項(xiàng)目，第一作者公開(kāi)發(fā)表論文十余篇，軟件著作權(quán)（頒證）六項(xiàng)。第一作者專著有《Java EE企業(yè)級(jí)編程開(kāi)發(fā)實(shí)例詳解》、《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)——WEKA應(yīng)用技術(shù)與實(shí)踐》（第一版、第二版）、《求精要訣——Java EE編程開(kāi)發(fā)案例精講》。

圖書(shū)目錄

第1章 TensorFlow介紹 1
1.1 深度學(xué)習(xí)與TensorFlow簡(jiǎn)介 2
1.1.1 深度學(xué)習(xí)簡(jiǎn)介 2
1.1.2 TensorFlow簡(jiǎn)介 3
1.2 TensorFlow的安裝 6
1.2.1 Anaconda下載 6
1.2.2 在Windows平臺(tái)安裝TensorFlow 7
1.2.3 在Linux Ubuntu下安裝TensorFlow 8
1.2.4 Anaconda管理 9
1.3 常用數(shù)據(jù)集 13
1.3.1 MNIST數(shù)據(jù)集 13
1.3.2 Fashion-MNIST數(shù)據(jù)集 14
1.3.3 IMDB數(shù)據(jù)集 16
1.3.4 CIFAR-10數(shù)據(jù)集 18
1.3.5 REUTERS數(shù)據(jù)集 20
1.3.6 QIQC數(shù)據(jù)集 22
1.3.7 Dogs vs. Cats數(shù)據(jù)集 23
第2章 TensorFlow文件操作 25
2.1 CSV文件操作 26
2.1.1 讀取CSV文件 26
2.1.2 生成CSV文件 27
2.2 編寫網(wǎng)絡(luò)下載程序 28
2.3 TFRecords文件操作 30
2.3.1 生成TFRecords文件 30
2.3.2 讀取TFRecords文件 33
2.4 數(shù)據(jù)集API 35
2.4.1 數(shù)據(jù)集對(duì)象 35
2.4.2 讀取內(nèi)存數(shù)據(jù) 36
2.4.3 讀取文本文件 38
2.4.4 讀取CSV文件 39
2.4.5 讀取圖像文件 41
第3章 BP神經(jīng)網(wǎng)絡(luò)原理與實(shí)現(xiàn) 45
3.1 神經(jīng)網(wǎng)絡(luò)構(gòu)件 46
3.1.1 神經(jīng)元 46
3.1.2 激活函數(shù) 47
3.2 神經(jīng)網(wǎng)絡(luò)原理 52
3.2.1 神經(jīng)網(wǎng)絡(luò)表示 52
3.2.2 前向傳播 54
3.2.3 代價(jià)函數(shù) 58
3.2.4 梯度下降 58
3.2.5 反向傳播 60
3.3 BP神經(jīng)網(wǎng)絡(luò)的Python實(shí)現(xiàn) 62
3.3.1 輔助函數(shù) 62
3.3.2 前向傳播實(shí)現(xiàn) 66
3.3.3 反向傳播實(shí)現(xiàn) 68
3.3.4 模型訓(xùn)練和預(yù)測(cè) 72
3.3.5 主函數(shù)和運(yùn)行結(jié)果 74
3.4 BP神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)現(xiàn) 76
3.4.1 加載數(shù)據(jù)集 76
3.4.2 模型訓(xùn)練和預(yù)測(cè) 77
第4章 TensorFlow基礎(chǔ)編程 79
4.1 TensorFlow的編程環(huán)境 80
4.2 TensorFlow計(jì)算圖 81
4.3 核心概念 81
4.3.1 變量與占位符 81
4.3.2 矩陣運(yùn)算 85
4.3.3 常用運(yùn)算符 86
4.3.4 圖、會(huì)話及運(yùn)行 87
4.4 通過(guò)實(shí)例學(xué)習(xí)TensorFlow 90
4.4.1 異或問(wèn)題描述與解決思路 90
4.4.2 低級(jí)API解決異或問(wèn)題 91
4.4.3 用Keras解決異或問(wèn)題 93
4.4.4 用Estimators解決異或問(wèn)題 94
4.5 一個(gè)簡(jiǎn)單的文本分類示例 97
4.6 TensorBoard可視化工具 101
4.6.1 啟動(dòng)TensorBoard 101
4.6.2 在瀏覽器中查看 103
第5章神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化 107
5.1 神經(jīng)網(wǎng)絡(luò)迭代概述 108
5.1.1 訓(xùn)練誤差與泛化誤差 108
5.1.2 訓(xùn)練集、驗(yàn)證集和測(cè)試集的劃分 109
5.1.3 偏差與方差 111
5.2 正則化方法 112
5.2.1 提前終止 113
5.2.2 正則化 113
5.2.3 Dropout 115
5.3 優(yōu)化算法 117
5.3.1 小批量梯度下降 117
5.3.2 Momentum算法 119
5.3.3 RMSProp算法 121
5.3.4 Adam算法 124
第6章卷積神經(jīng)網(wǎng)絡(luò)原理 127
6.1 CNN介紹 128
6.1.1 CNN與圖像處理 128
6.1.2 卷積的基本原理 128
6.1.3 池化的基本原理 138
6.2 Keras實(shí)現(xiàn)LeNet-5網(wǎng)絡(luò) 142
6.2.1 LeNet-5介紹 142
6.2.2 使用Keras實(shí)現(xiàn)LeNet-5網(wǎng)絡(luò) 143
6.3 用Estimator實(shí)現(xiàn)CIFAR-10圖像識(shí)別 147
6.3.1 預(yù)創(chuàng)建的Estimator 147
6.3.2 定制 Estimator 151
6.3.3 用TensorBoard查看 157
第7章卷積神經(jīng)網(wǎng)絡(luò)示例 161
7.1 經(jīng)典CNN案例 162
7.1.1 VGG 162
7.1.2 ResNet 163
7.1.3 Inception 165
7.1.4 Xception 168
7.2 使用預(yù)訓(xùn)練的CNN 169
7.2.1 直接使用預(yù)訓(xùn)練CNN 169
7.2.2 數(shù)據(jù)生成器 172
7.2.3 特征提取 173
7.2.4 微調(diào) 181
7.3 CNN可視化 183
7.3.1 中間激活可視化 183
7.3.2 過(guò)濾器可視化 190
第8章詞嵌入模型 195
8.1 詞嵌入模型介紹 196
8.1.1 獨(dú)熱碼 196
8.1.2 詞嵌入 202
8.2 詞嵌入學(xué)習(xí) 204
8.2.1 詞嵌入學(xué)習(xí)的動(dòng)機(jī) 204
8.2.2 Skip-Gram算法 205
8.2.3 CBOW算法 207
8.2.4 負(fù)采樣 208
8.2.5 GloVe算法 211
8.3 Word2Vec算法實(shí)現(xiàn) 212
8.3.1 Skip-Gram算法實(shí)現(xiàn) 212
8.3.2 CBOW算法實(shí)現(xiàn) 218
8.3.3 負(fù)采樣Skip-Gram算法實(shí)現(xiàn) 220
第9章循環(huán)神經(jīng)網(wǎng)絡(luò)原理 229
9.1 RNN介紹 230
9.1.1 有記憶的神經(jīng)網(wǎng)絡(luò) 230
9.1.2 RNN的用途 233
9.2 基本的RNN模型 236
9.2.1 基本RNN的原理 236
9.2.2 基本RNN的訓(xùn)練問(wèn)題 241
9.2.3 基本RNN示例 243
9.3 LSTM 246
9.3.1 LSTM原理 246
9.3.2 LSTM示例 250
9.4 GRU 251
9.4.1 GRU原理 251
9.4.2 GRU示例 253
第10章循環(huán)神經(jīng)網(wǎng)絡(luò)示例 255
10.1 情感分析 256
10.2 文本序列數(shù)據(jù)生成 262
10.2.1 向莎士比亞學(xué)寫詩(shī) 262
10.2.2 神經(jīng)機(jī)器翻譯 268
參考文獻(xiàn) 282