欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 深度学习快速实践--基于TensorFlow和Keras的深度神经网络优化与训练/深度学习系列
      • 作者:(美)迈克·贝尼科|责编:翟天睿//任鑫|译者:王卫兵//田皓元//徐倩
      • 出版社:机械工业
      • ISBN:9787111646273
      • 出版日期:2020/03/01
      • 页数:163
    • 售价:27.6
  • 内容大纲

        内容包括神经网络的基础、深度神经网络的优化和验证、深度神经网络开发和训练环境的构建、使用Tensor-Board进行网络训练的监控和模的参数优化。本书详细介绍的深度学习问题,包括基本的回归问题、二元分类问题和多元分类问题,还包括较为复杂的卷积神经网络对图像的分类和使用预训练CNN进行的迁移学习;使用递归神经网络进行时间序列预测、自然语言分类,以及通过sequence-to-sequence模型进行机器翻译;深度强化学习的智能体构建,以及生成对抗网络的图像生成。
        本书从实践的角度给出了许多宝贵技巧和经验,内容力图详尽,并给出了详细的代码,对读者进行深度神经网络的实际开发和应用具有较高的指导和参考价值。
  • 作者介绍

        迈克·贝尼科(Mike Bernico)是State Farm Mutual Insurance Companies的首席数据科学家。他还是伊利诺伊(Illinois)大学斯普林菲尔德(Springfield)分校的兼职教授,在那里他教授数据科学基础、高级神经网络和深度学习。Mike在Illinois大学Springfield分校获得了计算机科学硕士学位。他是开源软件的倡导者,并相信开源能为世界带来好处。作为一个有着无数爱好的终身学习者,Mike还喜欢骑自行车、旅游摄影和酿酒。
  • 目录

    译者序
    原书序
    原书前言
    第1章  深度学习的构建模块
      1.1  深度神经网络的架构
        1.1.1  神经元
        1.1.2  深度学习中的代价函数和成本函数
        1.1.3  前向传播过程
        1.1.4  反向传播函数
        1.1.5  随机和小批量梯度下降
      1.2  深度学习的优化算法
        1.2.1  采用具有动量的梯度下降
        1.2.2  RMSProp算法
        1.2.3  Adam优化器
      1.3  深度学习平台架构
        1.3.1  什么是TensorFlow?
        1.3.2  什么是Keras?
        1.3.3  TensorFlow的热门替代品
        1.3.4  TensorFlow和Keras对GPU的要求
        1.3.5  安装Nvidia CUDA Toolkit和cuDNN
        1.3.6  安装Python
        1.3.7  安装TensorFlow和Keras
      1.4  深度学习数据集的构建
        1.4.1  深度学习中的偏差和方差误差
        1.4.2  train、val和test数据集
        1.4.3  深度神经网络中的偏差和方差管理
        1.4.4  K-Fold交验证
      1.5  小结
    第2章  用深度学习解决回归问题
      2.1  回归分析和深度神经网络
        2.1.1  使用神经网络进行回归的好处
        2.1.2  使用神经网络进行回归时需要注意的问题
      2.2  使用深度神经网络进行回归
        2.2.1  如何规划机器学习问题
        2.2.2  定义示例问题
        2.2.3  加载数据集
        2.2.4  定义成本函数
      2.3  在Keras中建立MLP
        2.3.1  输入层的构形
        2.3.2  隐藏层的构形
        2.3.3  输出层的构形
        2.3.4  神经网络的架构
        2.3.5  训练Keras模型
        2.3.6  评测模型的性能
      2.4  在Keras中建立深度神经网络
      ……
    第3章  用TensorBoard监控网络训练
    第4章  用深度学习解决二元分类问题
    第5章  用Keras解决多元分类问题
    第6章  参数的优化

    第7章  从头开始训练CNN
    第8章  使用预训练CNN进行迁移学习
    第9章  从头开始训练RNN
    第10章  从头开始训练具有单词嵌入的LSTM网络
    第11章  训练sequence-tosequence模型
    第12章  使用深度强化学习
    第13章  生成对抗网络