包郵深度學習之TensorFlow：入門、原理與進階實戰+scikit|7634822 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁

李金洪，黃永昌著

下載链接在页面底部

點擊這裡下載

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

想要找書就要到圖書大百科

book.qciss.net

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-11-21

類似圖書點擊查看全場最低價

圖書介紹

店鋪：互動創新圖書專營店

齣版社：機械工業齣版社

ISBN：9787

商品編碼：27281222490

齣版時間：2018-03-01

圖書描述

書[0名0]：	深度[0學0]習之TensorFlow：入門、原理與進階實戰+scikit-learn [1機1] 器[0學0]習：常用算[0法0]原理及編程實戰\|7634822
圖書定價：	158元
圖書作者：	李金洪;黃永昌
齣版社：	[1機1] 械工業齣版社
齣版日期：	2018/3/1 0:00:00
ISBN號：	9787
開本：	16開
頁數：	0
版次：	1-1

內容簡介

《深度[0學0]習之TensorFlow：入門、原理與進階實戰》
本書針對TensorFlow 1.0以上版本編寫，采用“理論+實踐”的形式編寫，通過[0大0]量的實例（共96個），全麵而深入地講解“深度[0學0]習神經網絡原理”和“Tensorflow使用方[0法0]”兩方麵。書中的實例具有很強的實用，如對圖片分類、製作一個簡單的聊天 [1機1] 器人、進行圖像識彆等。書中的每章都配有一段教[0學0]視頻，視頻和圖書具有一樣的內容和結構，能幫助讀者快速而全麵地瞭解本章的內容。本書還免費提供瞭所有案例的源代碼及數據樣本，這些代碼和樣本不僅方便瞭讀者[0學0]習，而且也能為以後的工作提供便利。
全書共分為3篇：[0第0]1篇“深度[0學0]習與TensorFlow基礎”，包括快速瞭解人工智能與TensorFlow、搭建開發環境、TensorFlow基本開發步驟、TensorFlow編程基礎、一個識彆圖中模糊的數字的案例；[0第0]2篇“深度[0學0]習基礎——神經網絡”介紹瞭神經網絡的基礎模型，包括單個神經元、多層神經網絡、捲積神經網絡、循環神經網絡、自編碼網絡；[0第0]3篇“神經網絡進階”，是對基礎網絡模型的靈活運用與自由組閤，是對前麵[0知0]識的綜閤及拔高，包括深度神經網絡、對抗神經網絡。
本書結構清晰、案例豐富、通俗易懂、實用性強。特彆適閤TensorFlow深度[0學0]習的初[0學0]者和進階讀者作為自[0學0]教程閱讀。另外，本書也適閤社[0會0]培訓[0學0]校作為培訓教材使用，還適閤[0大0]中專院校的相關專業作為教[0學0]參考書。
《scikit-learn [1機1] 器[0學0]習：常用算[0法0]原理及編程實戰》
本書通過通俗易懂的語言、豐富的圖示和生動的實例，撥開瞭籠罩在 [1機1] 器[0學0]習上方復雜的數[0學0]“烏雲”，讓讀者以較低的代價和門檻輕鬆入門 [1機1] 器[0學0]習。
本書共分為11章，介紹瞭在Python環境下[0學0]習scikit-learn [1機1] 器[0學0]習框架的相關[0知0]識，涵蓋的主要內容有 [1機1] 器[0學0]習概述、Python [1機1] 器[0學0]習軟件包、 [1機1] 器[0學0]習理論基礎、k-近鄰算[0法0]、綫性迴歸算[0法0]、邏輯迴歸算[0法0]、決策樹、支持嚮量 [1機1] 、樸素貝葉斯算[0法0]、PCA 算[0法0]和k-均值算[0法0]等。
本書適閤有一定編程基礎的讀者閱讀，尤其適閤想從事 [1機1] 器[0學0]習、人工智能、深度[0學0]習及 [1機1] 器人相關技術的程序員和愛好者閱讀。另外，相關院校和培訓 [1機1] 構也可以將本書作為教材使用。
scikit-learn [1機1] 器[0學0]習
常用算[0法0]原理及編程實戰
齣版發行： [1機1] 械工業齣版社（北京市西城區百萬莊[0大0]街22號郵政編碼：100037）
責任編輯：歐振旭李華君責任校對：姚誌娟
印刷：中[0國0]電影齣版社印刷廠版次：2018年3月[0第0]1版[0第0]1次印刷
開本：186mm×240mm 1/16 印張：13.75
書號：ISBN 978-7-111-59024-8 定價：59.00元
凡購本書，如有缺頁、倒頁、脫頁，由本社發行部調換
客服熱綫：（010）8837942688361066 投稿熱綫：（010）88379604
購書熱綫：（010）683262948837964968995259 讀者信箱：hzit@hzbook.com
版[0[0權0]0]所有·侵[0[0權0]0]必究
封底無防僞標均為盜版
本書[0法0]律顧問：北京[0大0]成律師事務所韓光/鄒曉東

《深度[0學0]習之TensorFlow：入門、原理與進階實戰》
配套[0學0]習資源
前言
[0第0]1篇深度[0學0]習與TensorFlow基礎
[0第0]1章快速瞭解人工智能與TensorFlow 2
1.1 什麼是深度[0學0]習 2
1.2 TensorFlow是做什麼的 3
1.3 TensorFlow的特點 4
1.4 其他深度[0學0]習框架特點及介紹 5
1.5 如何通過本書[0學0]好深度[0學0]習 6
1.5.1 深度[0學0]習怎麼[0學0] 6
1.5.2 如何[0學0]習本書 7
[0第0]2章搭建開發環境 8
2.1 下載及安裝Anaconda開發工具 8
2.2 在Windows平颱下載及安裝TensorFlow 11
2.3 GPU版本的安裝方[0法0] 12
2.3.1 安裝CUDA軟件包 12
2.3.2 安裝cuDNN庫 13
2.3.3 測試顯卡 14
2.4 熟悉Anaconda 3開發工具 15
2.4.1 快速瞭解Spyder 16
2.4.2 快速瞭解Jupyter [0No0]tebook 18
[0第0]3章 TensorFlow基本開發步驟——以邏輯迴歸擬閤二維數據為例 19
3.1 實例1：從一組看似混亂的數據中找齣y≈2x的規律 19
3.1.1 準備數據 20
3.1.2 搭建模型 21
3.1.3 迭代訓練模型 23
3.1.4 使用模型 25
3.2 模型是如何訓練齣來的 25
3.2.1 模型裏的內容及意義 25
3.2.2 模型內部的數據流嚮 26
3.3 瞭解TensorFlow開發的基本步驟 27
3.3.1 定義輸入節點的方[0法0] 27
3.3.2 實例2：通過字典類型定義輸入節點 28
3.3.3 實例3：直接定義輸入節點 28
3.3.4 定義“[0學0]習參數”的變量 29
3.3.5 實例4：通過字典類型定義“[0學0]習參數” 29
3.3.6 定義“運算” 29
3.3.7 [0優0]化函數，[0優0]化目標 30
3.3.8 初始化所有變量 30
3.3.9 迭代更[親斤]參數到[0優0]解 31
3.3.10 測試模型 31
3.3.11 使用模型 31
[0第0]4章 TensorFlow編程基礎 32
4.1 編程模型 32
4.1.1 瞭解模型的運行 [1機1] 製 33
4.1.2 實例5：編寫hello world程序演示session的使用 34
4.1.3 實例6：演示with session的使用 35
4.1.4 實例7：演示注入 [1機1] 製 35
4.1.5 建立session的其他方[0法0] 36
4.1.6 實例8：使用注入 [1機1] 製獲取節點 36
4.1.7 指定GPU運算 37
4.1.8 設置GPU使用資源 37
4.1.9 保存和載入模型的方[0法0]介紹 38
4.1.10 實例9：保存/載入綫性迴歸模型 38
4.1.11 實例10：分析模型內容，演示模型的其他保存方[0法0] 40
4.1.12 檢查點（Checkpoint） 41
4.1.13 實例11：為模型添加保存檢查點 41
4.1.14 實例12：更簡便地保存檢查點 44
4.1.15 模型操作常用函數總結 45
4.1.16 TensorBoard可視化介紹 45
4.1.17 實例13：綫性迴歸的TensorBoard可視化 46
4.2 TensorFlow基礎類型定義及操作函數介紹 48
4.2.1 張量及操作 49
4.2.2 算術運算函數 55
4.2.3 矩陣相關的運算 56
4.2.4 復數操作函數 58
4.2.5 規約計算 59
4.2.6 分割 60
4.2.7 序列比較與索引提取 61
4.2.8 錯誤類 62
4.3 共享變量 62
4.3.1 共享變量用途 62
4.3.2 使用get-variable獲取變量 63
4.3.3 實例14：演示get_variable和Variable的區彆 63
4.3.4 實例15：在特定的作用域下獲取變量 65
4.3.5 實例16：共享變量功能的實現 66
4.3.6 實例17：初始化共享變量的作用域 67
4.3.7 實例18：演示作用域與操作符的受限範圍 68
4.4 實例19：圖的基本操作 70
4.4.1 建立圖 70
4.4.2 獲取張量 71
4.4.3 獲取節點操作 72
4.4.4 獲取元素列錶 73
4.4.5 獲取對象 73
4.4.6 練習題 74
4.5 配置分布式TensorFlow 74
4.5.1 分布式TensorFlow的角色及原理 74
4.5.2 分布部署TensorFlow的具體方[0法0] 75
4.5.3 實例20：使用TensorFlow實現分布式部署訓練 75
4.6 動態圖（Eager） 81
4.7 數據集（tf.data） 82
[0第0]5章識彆圖中模糊的手寫數字（實例21） 83
5.1 導入圖片數據集 84
5.1.1 MNIST數據集介紹 84
5.1.2 下載並安裝MNIST數據集 85
5.2 分析圖片的特點，定義變量 87
5.3 構建模型 87
5.3.1 定義[0學0]習參數 87
5.3.2 定義輸齣節點 88
5.3.3 定義反嚮傳播的結構 88
5.4 訓練模型並輸齣中間狀態參數 89
5.5 測試模型 90
5.6 保存模型 91
5.7 讀取模型 92
[0第0]2篇深度[0學0]習基礎——神經網絡
[0第0]6章單個神經元 96
6.1 神經元的擬閤原理 96
6.1.1 正嚮傳播 98
6.1.2 反嚮傳播 98
6.2 激活函數——加入非綫性因素，解決綫性模型缺陷 99
6.2.1 Sigmoid函數 99
6.2.2 Tanh函數 100
6.2.3 ReLU函數 101
6.2.4 Swish函數 103
6.2.5 激活函數總結 103
6.3 softmax算[0法0]——處理分類問題 103
6.3.1 什麼是softmax 104
6.3.2 softmax原理 104
6.3.3 常用的分類函數 105
6.4 損失函數——用真實值與預測值的距離來指導模型的收斂方嚮 105
6.4.1 損失函數介紹 105
6.4.2 TensorFlow中常見的loss函數 106
6.5 softmax算[0法0]與損失函數的綜閤應用 108
6.5.1 實例22：交叉熵實驗 108
6.5.2 實例23：one_hot實驗 109
6.5.3 實例24：sparse交叉熵的使用 110
6.5.4 實例25：計算loss值 110
6.5.5 練習題 111
6.6 梯度下降——讓模型逼近小偏差 111
6.6.1 梯度下降的作用及分類 111
6.6.2 TensorFlow中的梯度下降函數 112
6.6.3 退化[0學0]習率——在訓練的速度與精度之間找到平衡 113
6.6.4 實例26：退化[0學0]習率的用[0法0]舉例 114
6.7 初始化[0學0]習參數 115
6.8 單個神經元的擴展——Maxout網絡 116
6.8.1 Maxout介紹 116
6.8.2 實例27：用Maxout網絡實現MNIST分類 117
6.9 練習題 118
[0第0]7章多層神經網絡——解決非綫性問題 119
7.1 綫性問題與非綫性問題 119
7.1.1 實例28：用綫性單分邏輯迴歸分析腫瘤是良性還是惡性的 119
7.1.2 實例29：用綫性邏輯迴歸處理多分類問題 123
7.1.3 認識非綫性問題 129
7.2 使用隱藏層解決非綫性問題 130
7.2.1 實例30：使用帶隱藏層的神經網絡擬閤異或操作 130
7.2.2 非綫性網絡的可視化及其意義 133
7.2.3 練習題 135
7.3 實例31：利用全連接網絡將圖片進行分類 136
7.4 全連接網絡訓練中的[0優0]化技巧 137
7.4.1 實例32：利用異或數據集演示過擬閤問題 138
7.4.2 正則化 143
7.4.3 實例33：通過正則化改善過擬閤情況 144
7.4.4 實例34：通過增[0大0]數據集改善過擬閤 145
7.4.5 練習題 146
7.4.6 dropout——訓練過程中，將部分神經單元暫時丟棄 146
7.4.7 實例35：為異或數據集模型添加dropout 147
7.4.8 實例36：基於退化[0學0]習率dropout技術來擬閤異或數據集 149
7.4.9 全連接網絡的深淺關係 150
7.5 練習題 150
[0第0]8章捲積神經網絡——解決參數太多問題 151
8.1 全連接網絡的局限性 151
8.2 理解捲積神經網絡 152
8.3 網絡結構 153
8.3.1 網絡結構描述 153
8.3.2 捲積操作 155
8.3.3 池化層 157
8.4 捲積神經網絡的相關函數 158
8.4.1 捲積函數tf.nn.conv2d 158
8.4.2 padding規則介紹 159
包郵深度學習之TensorFlow：入門、原理與進階實戰+scikit|7634822 下載 mobi epub pdf txt 電子書格式