定 價(jià)：￥129.00
| 作 者： | 陳屹 |
| 出版社： | 北京理工大學(xué)出版社 |
| 叢編項(xiàng)： | |
| 標(biāo) 簽： | 暫缺 |
| ISBN： | 9787576330007 | 出版時(shí)間： | 2023-12-01 | 包裝： | 平裝-膠訂 |
| 開(kāi)本： | 16開(kāi) | 頁(yè)數(shù)： | 字?jǐn)?shù)： |
第1篇 TensorFlow基礎(chǔ)
第1章 安裝TensorFlow 2
1.1 TensorFlow的安裝流程 2
1.2 運(yùn)行TensorFlow的第一個(gè)程序 3
第2章 張量及其運(yùn)算 4
2.1 常量張量的創(chuàng)建 4
2.2 張量維度的轉(zhuǎn)換 9
2.3 張量的運(yùn)算 12
第3章 運(yùn)算圖和會(huì)話(huà)管理 15
3.1 運(yùn)算圖的形成 15
3.2 運(yùn)算圖的數(shù)據(jù)結(jié)構(gòu) 17
3.3 使用會(huì)話(huà)對(duì)象執(zhí)行運(yùn)算圖 19
3.3.1 交互式會(huì)話(huà)執(zhí)行流程 19
3.3.2 使用會(huì)話(huà)日志 20
3.4 使用TensorBoard實(shí)現(xiàn)數(shù)據(jù)可視化 20
3.4.1 啟動(dòng)TensorBoard組件 21
3.4.2 顯示TensorBoard中的數(shù)據(jù) 22
第4章 模型訓(xùn)練 24
4.1 變量張量 24
4.2 損失函數(shù) 25
4.3 漸進(jìn)下降法 26
4.3.1 如何將數(shù)據(jù)讀入模型 27
4.3.2 模型訓(xùn)練的基本流程 28
4.3.3 漸進(jìn)下降法運(yùn)行實(shí)例 29
4.3.4 漸進(jìn)下降法的缺陷和應(yīng)對(duì) 30
4.4 運(yùn)算圖的存儲(chǔ)和加載 32
第2篇 TensorFlow進(jìn)階
第5章 機(jī)器學(xué)習(xí)的基本概念 34
5.1 使用TensorFlow實(shí)現(xiàn)線(xiàn)性回歸 34
5.2 使用TensorFlow實(shí)現(xiàn)多項(xiàng)式回歸 36
5.3 使用邏輯回歸實(shí)現(xiàn)數(shù)據(jù)二元分類(lèi) 38
5.3.1 邏輯函數(shù) 38
5.3.2 最大概率估計(jì) 39
5.3.3 用代碼實(shí)現(xiàn)邏輯回歸 40
5.4 使用多元邏輯回歸實(shí)現(xiàn)數(shù)據(jù)的多種分類(lèi) 41
5.4.1 多元分類(lèi)示例——識(shí)別手寫(xiě)數(shù)字圖像 41
5.4.2 多元交叉熵 41
5.4.3 多元回歸模型代碼示例 43
第6章 使用TensorFlow開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò) 44
6.1 神經(jīng)元和感知器 44
6.1.1 神經(jīng)元的基本原理 44
6.1.2 感知器的基本原理 45
6.1.3 鏈路權(quán)重 46
6.1.4 激活函數(shù) 46
6.2 神經(jīng)網(wǎng)絡(luò)的運(yùn)行原理 47
6.2.1 神經(jīng)網(wǎng)絡(luò)層 47
6.2.2 誤差反向傳播 48
6.3 構(gòu)造神經(jīng)網(wǎng)絡(luò)識(shí)別手寫(xiě)數(shù)字圖像 50
第7章 使用TensorFlow實(shí)現(xiàn)卷積網(wǎng)絡(luò) 53
7.1 卷積運(yùn)算 53
7.2 卷積運(yùn)算的本質(zhì) 54
7.3 卷積運(yùn)算的相關(guān)參數(shù)和操作說(shuō)明 55
7.4 使用TensorFlow開(kāi)發(fā)卷積網(wǎng)絡(luò)實(shí)例 56
7.5 卷積網(wǎng)絡(luò)的訓(xùn)練與應(yīng)用 59
第8章 構(gòu)造重定向網(wǎng)絡(luò) 61
8.1 什么是重定向網(wǎng)絡(luò) 61
8.1.1 重定向網(wǎng)絡(luò)的基本結(jié)構(gòu) 61
8.1.2 cell部件的運(yùn)算原理 62
8.2 使用TensorFlow構(gòu)建RNN層 63
8.2.1 cell組件類(lèi)簡(jiǎn)介 63
8.2.2 創(chuàng)建RNN層接口調(diào)用簡(jiǎn)介 64
8.3 使用RNN實(shí)現(xiàn)文本識(shí)別 65
8.3.1 文本數(shù)據(jù)預(yù)處理 65
8.3.2 網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練 66
8.4 長(zhǎng)短程記憶組件 68
8.4.1 長(zhǎng)短程記憶組件的內(nèi)部原理 68
8.4.2 使用接口創(chuàng)建LSTM節(jié)點(diǎn) 70
8.4.3 使用LSTM網(wǎng)絡(luò)實(shí)現(xiàn)文本識(shí)別 72
第9章 數(shù)據(jù)集的讀取與操作 74
9.1 TensorFlow的數(shù)據(jù)集對(duì)象 74
9.1.1 創(chuàng)建數(shù)值型數(shù)據(jù)集 74
9.1.2 數(shù)據(jù)生成器 75
9.1.3 從文本中讀入數(shù)據(jù)集 76
9.2 數(shù)據(jù)集的處理和加工 77
9.2.1 數(shù)據(jù)集的分批處理 77
9.2.2 基于數(shù)據(jù)集的若干操作 78
9.2.3 數(shù)據(jù)集條目的遍歷訪(fǎng)問(wèn) 80
第10章 使用多線(xiàn)程、多設(shè)備和機(jī)器集群 84
10.1 多線(xiàn)程的配置 84
10.2 多處理器分發(fā)執(zhí)行 85
10.3 集群分發(fā)控制 86
第11章 TensorFlow的高級(jí)接口Estimator 88
11.1 運(yùn)行Estimator的基本流程 88
11.2 Estimator的初始化配置 90
11.3 Estimator導(dǎo)出模型應(yīng)用實(shí)例 91
11.3.1 使用線(xiàn)性模型實(shí)例 91
11.3.2 使用神經(jīng)網(wǎng)絡(luò)分類(lèi)器 93
11.3.3 使用線(xiàn)性回歸——深度網(wǎng)絡(luò)混合模型 94
11.3.4 給Estimator添加自己的網(wǎng)絡(luò)模型 99
第3篇 TensorFlow實(shí)戰(zhàn)
第12章 實(shí)現(xiàn)編解碼器網(wǎng)絡(luò) 104
12.1 自動(dòng)編解碼器的原理 104
12.2 一個(gè)簡(jiǎn)單的編解碼器網(wǎng)絡(luò) 105
12.3 使用多層編解碼器實(shí)現(xiàn)圖像重構(gòu) 107
12.4 使用編解碼網(wǎng)絡(luò)實(shí)現(xiàn)圖像去噪 112
12.5 可變編解碼器 115
12.5.1 可變編解碼器的基本原理 115
12.5.2 編解碼器的數(shù)學(xué)原理 117
12.5.3 用代碼實(shí)現(xiàn)編解碼網(wǎng)絡(luò) 123
第13章 使用TensorFlow實(shí)現(xiàn)增強(qiáng)學(xué)習(xí) 127
13.1 搭建開(kāi)發(fā)環(huán)境 127
13.2 增強(qiáng)學(xué)習(xí)的基本概念 129
13.3 馬爾可夫過(guò)程 132
13.4 馬爾可夫決策模型 133
13.5 開(kāi)發(fā)一個(gè)增強(qiáng)學(xué)習(xí)示例 135
13.5.1 示例簡(jiǎn)介 135
13.5.2 使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)最優(yōu)策略 136
13.6 冰凍湖問(wèn)題 139
13.6.1 狀態(tài)值優(yōu)化 141
13.6.2 貝爾曼函數(shù) 142
13.6.3 編碼解決冰凍湖問(wèn)題 145
第14章 使用TensorFlow實(shí)現(xiàn)深Q網(wǎng)絡(luò) 148
14.1 深Q算法的基本原理 149
14.2 深Q算法項(xiàng)目實(shí)踐 150
14.2.1 算法的基本原則 151
14.2.2 深Q網(wǎng)絡(luò)模型 155
第15章 TensorFlow與策略下降法 163
15.1 策略導(dǎo)數(shù) 164
15.1.1 策略導(dǎo)數(shù)的底層原理 164
15.1.2 策略導(dǎo)數(shù)算法應(yīng)用實(shí)例 166
15.1.3 策略導(dǎo)數(shù)的缺點(diǎn) 169
15.2 Actor-Critic算法 169
15.2.1 Actor-Critic算法的底層原理 169
15.2.2 Actor-Critic算法的實(shí)現(xiàn) 171
15.3 A3C算法原理 173
15.3.1 改變量回傳模式的代碼實(shí)現(xiàn) 175
15.3.2 訓(xùn)練數(shù)據(jù)回傳模式的代碼實(shí)現(xiàn) 187
15.4 使用PPO算法玩轉(zhuǎn)《超級(jí)瑪麗》 192
15.4.1 PPO算法簡(jiǎn)介 192
15.4.2 PPO算法的數(shù)學(xué)原理 193
15.4.3 PPO算法的代碼實(shí)現(xiàn) 194
第16章 使用TensorFlow 2.x的Eager模式開(kāi)發(fā)高級(jí)增強(qiáng)學(xué)習(xí)算法 201
16.1 TensorFlow 2.x Eager模式簡(jiǎn)介 201
16.2 使用Eager模式快速構(gòu)建神經(jīng)網(wǎng)絡(luò) 202
16.3 在Eager模式下使用DDPG算法實(shí)現(xiàn)機(jī)械模擬控制 204
16.3.1 DDPG算法的基本原理 204
16.3.2 DDPG算法的代碼實(shí)現(xiàn) 206
16.4 DDPG算法改進(jìn)——TD3算法的原理與實(shí)現(xiàn) 211
16.4.1 TD3算法的基本原理 212
16.4.2 TD3算法的代碼實(shí)現(xiàn) 213
16.5 TD3算法的升級(jí)版——SAC算法 218
16.5.1 SAC算法的基本原理 218
16.5.2 SAC算法的代碼實(shí)現(xiàn) 221
16.6 概率化深Q網(wǎng)絡(luò)算法 226
16.6.1 連續(xù)概率函數(shù)的離散化表示 226
16.6.2 算法的基本原理 228
16.6.3 讓算法玩轉(zhuǎn)《雷神之錘》 229
16.7 D4PG——概率化升級(jí)的DDPG算法 236
16.7.1 D4PG算法的基本原理 236
16.7.2 通過(guò)代碼實(shí)現(xiàn)D4GP算法 237
第17章 使用TensorFlow 2.x實(shí)現(xiàn)生成型對(duì)抗性網(wǎng)絡(luò) 245
17.1 生成型對(duì)抗性網(wǎng)絡(luò)的基本原理與代碼實(shí)戰(zhàn) 245
17.2 WGAN——讓對(duì)抗性網(wǎng)絡(luò)生成更復(fù)雜的圖像 253
17.2.1 推土距離 253
17.2.2 WGAN算法的基本原理 255
17.2.3 WGAN算法的代碼實(shí)現(xiàn) 256
17.3 WGAN_PG——讓網(wǎng)絡(luò)生成細(xì)膩的人臉圖像 262
17.3.1 WGAN_PG算法的基本原理 262
17.3.2 WGAN_GP算法的代碼實(shí)現(xiàn) 263
17.4 使用CycleGAN實(shí)現(xiàn)“指鹿為馬” 269
17.4.1 CycleGAN技術(shù)的基本原理 269
17.4.2 用代碼實(shí)現(xiàn)CycleGAN 272
17.5 使用CycleGAN實(shí)現(xiàn)“無(wú)痛變性” 284
17.5.1 TensorFlow 2.x的數(shù)據(jù)集接口 284
17.5.2 網(wǎng)絡(luò)代碼的實(shí)現(xiàn) 290
17.6 利用Attention機(jī)制實(shí)現(xiàn)自動(dòng)譜曲 297
17.6.1 樂(lè)理的基本知識(shí) 298
17.6.2 網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)準(zhǔn)備 299
17.6.3 Attention網(wǎng)絡(luò)結(jié)構(gòu)說(shuō)明 302
17.6.4 用代碼實(shí)現(xiàn)預(yù)測(cè)網(wǎng)絡(luò) 304
17.7 使用MuseGAN生成多聲道音樂(lè) 310
17.7.1 樂(lè)理的基本知識(shí)補(bǔ)充 310
17.7.2 曲譜與圖像的共性 311
17.7.3 MuseGAN的基本原理 313
17.7.4 MuseGAN的代碼實(shí)現(xiàn) 314
17.8 使用自關(guān)注機(jī)制提升網(wǎng)絡(luò)人臉的生成能力 322
17.8.1 Self-Attention機(jī)制的算法原理 322
17.8.2 引入spectral norm以保證訓(xùn)練的穩(wěn)定性 324
17.8.3 用代碼實(shí)現(xiàn)自關(guān)注網(wǎng)絡(luò) 330
17.9 實(shí)現(xiàn)黑白圖像自動(dòng)上色 338
17.9.1 算法的基本原理 338
17.9.2 網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)設(shè)計(jì) 339
17.9.3 代碼實(shí)現(xiàn) 340
鄂公網(wǎng)安備 42010302001612號(hào) 