- 白话深度学习与TensorFlow
- - 作者：编者:高扬//卫峥
  - 出版社：机械工业
  - ISBN：9787111574576
  - 出版日期：2017/08/01
  - 页数：304
- 售价：27.6

内容大纲
    高扬、卫峥编著的《白话深度学习与TensorFlow》是技术畅销书《白话大数据与机器学习》姊妹篇，YY大数据专家撰写，李学凌、朱频频、王庆法、王海龙联袂推荐。以插图、类比和大量示例趣说深度学习网络的关键理念、算法与TensoeFlow实践，涵盖BP网络、CNN、RNN、受限玻尔兹曼机、深度残差网络、强化学习、对抗学习，以及多个有趣应用。
    本书共三篇13章，适用于零基础的初学者
    基础篇（第1～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。
    原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过大量示例、推理与实现，帮读者最大化降低学习曲线。
    扩展篇（第9～13章），介绍一些网络的变种和一些较新的网络特性，涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习，这是读者进一步学习与实践思路的钥匙。最后给出了一些有趣的深度学习应用：人脸识别、作诗姬、大师风图像处理，有趣又有用。
作者介绍
目录
本书赞誉
序
前言
基础篇
第1章  机器学习是什么
  1.1  聚类
  1.2  回归
  1.3  分类
  1.4  综合应用
  1.5  小结
第2章  深度学习是什么
  2.1  神经网络是什么
    2.1.1  神经元
    2.1.2  激励函数
    2.1.3  神经网络
  2.2  深度神经网络
  2.3  深度学习为什么这么强
    2.3.1  不用再提取特征
    2.3.2  处理线性不可分
  2.4  深度学习应用
    2.4.1  围棋机器人——AlphaGo
    2.4.2  被教坏的少女——Tai.ai
    2.4.3  本田公司的大宝贝——ASIMO
  2.5  小结
第3章  TensorFlow框架特性与安装
  3.1  简介
  3.2  与其他框架的对比
  3.3  其他特点
  3.4  如何选择好的框架
  3.5  安装TensorFlow
  3.6  小结
原理与实践篇
第4章  前馈神经网络
  4.1  网络结构
  4.2  线性回归的训练
  4.3  神经网络的训练
  4.4  小结
第5章  手写板功能
  5.1  MNIST介绍
  5.2  使用TensorFlow完成实验
  5.3  神经网络为什么那么强
    5.3.1  处理线性不可分
    5.3.2  挑战“与或非”
    5.3.3  丰富的VC——强大的空间划分能力
  5.4  验证集、测试集与防止过拟合
  5.5  小结
第6章  卷积神经网络
  6.1  与全连接网络的对比
  6.2  卷积是什么
  6.3  卷积核

  6.4  卷积层其他参数
  6.5  池化层
  6.6  典型CNN网络
  6.7  图片识别
  6.8  输出层激励函数——SOFTMAX
    6.8.1  SOFTMAX
    6.8.2  交叉熵
  6.9  小试牛刀——卷积网络做图片分类
  6.10  小结
第7章  综合问题
  7.1  并行计算
  7.2  随机梯度下降
  7.3  梯度消失问题
  7.4  归一化
  7.5  参数初始化问题
  7.6  正则化
  7.7  其他超参数
  7.8  不唯一的模型
  7.9  DropOut
  7.10  小结
第8章  循环神经网络
  8.1  隐马尔可夫模型
  8.2  RNN和BPTT算法
    8.2.1  结构
    8.2.2  训练过程
    8.2.3  艰难的误差传递
  8.3  LSTM算法
  8.4  应用场景
  8.5  实践案例——自动文本生成
    8.5.1  RNN工程代码解读
    8.5.2  利用RNN学习莎士比亚剧本
    8.5.3  利用RNN学习维基百科
  8.6  实践案例——聊天机器人
  8.7  小结
扩展篇
第9章  深度残差网络
  9.1  应用场景
  9.2  结构解释与数学推导
  9.3  拓扑解释
  9.4  Github示例
  9.5  小结
第10章  受限玻尔兹曼机
  10.1  结构
  10.2  逻辑回归
  10.3  最大似然度
  10.4  最大似然度示例
  10.5  损失函数
  10.6  应用场景
  10.7  小结
第11章  强化学习

  11.1  模型核心
  11.2  马尔可夫决策过程
    11.2.1  用游戏开刀
    11.2.2  准备工作
    11.2.3  训练过程
    11.2.4  问题
    11.2.5  Q-Learning算法
  11.3  深度学习中的Q-Learning——DQN
    11.3.1  OpenAIGym
    11.3.2  Atari游戏
  11.4  小结
第12章  对抗学习
  12.1  目的
  12.2  训练模式
    12.2.1  二元极小极大博弈
    12.2.2  训练
  12.3  CGAN
  12.4  DCGAN
  12.5  小结
第13章  有趣的深度学习应用
  13.1  人脸识别
  13.2  作诗姬
  13.3  梵高附体
    13.3.1  网络结构
    13.3.2  内容损失
    13.3.3  风格损失
    13.3.4  系数比例
    13.3.5  代码分析
  13.4  小结
附录A  VMware Workstation的安装
附录B  Ubuntu虚拟机的安装
附录C  Python语言简介
附录D  安装Theano
附录E  安装Keras
附录F  安装CUDA
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目