- TensorFlow深度学习应用开发实战
- - 作者：编者:谷瑞//陈强//谭冠兰|责编:贾小红
  - 出版社：清华大学
  - ISBN：9787302549826
  - 出版日期：2020/07/01
  - 页数：206
- 售价：19.2

内容大纲
    随着人工智能技术的发展，深度学习成为最受关注的领域之一。在深度学习的诸多开发框架中，TensorFlow是最受欢迎的开发框架。
    本书以培养人工智能编程思维和技能为核心，以工作过程为导向，采用任务驱动的方式组织内容。全书共分为8个任务，任务1介绍深度学习的发展历程、应用领域以及开发环境的搭建过程；任务2介绍TensorFlow框架的基本原理、计算图、会话、张量等概念；任务3和任务4阐述全连接神经网络模型、神经网络优化方法及反向传播算法；任务5和任务6讨论卷积神经网络、卷积、池化的原理；任务7和任务8演示网络模型可视化操作步骤及制作与解析数据集的方法。
    本书既可作为大数据、人工智能等相关专业应用型人才的教学用书，也可以作为TensorFlow初学者的学习参考书。
作者介绍
谷瑞，副教授，苏州工业园区服务外包职业学院大数据技术与应用专业主任，苏州大学高级访问学者，英伟达计算机视觉与自然语言处理认证讲师。以第一作者发表SCI、EI检索论文5篇，主持省十三·五教育科学规划课题1项，参与企业横向项目20余项，具备丰富的项目实战经验。
目录
任务1  深度学习简介与开发环境搭建
  1.1  深度学习的发展及应用
    1.1.1  深度学习的发展历程
    1.1.2  深度学习的应用领域
  1.2  深度学习框架简介
    1.2.1  TensorFlow
    1.2.2  Caffe
    1.2.3  PyTorch
    1.2.4  MXNet
    1.2.5  不同框架的对比
  1.3  开发环境搭建
    1.3.1  Windows环境下的安装配置
    1.3.2  Linux环境下的安装配置
  1.4  本章小结
  1.5  本章习题
任务2  构建二维数据拟合模型
  2.1  TensorFlow运行机制
    2.1.1  TensorFlow系统架构
    2.1.2  构建计算图
    2.1.3  在会话中运行计算图
    2.1.4  指定GPU设备
  2.2  TensorFlow数据模型
    2.2.1  张量及属性
    2.2.2  类型转换
    2.2.3  形状变换
  2.3  变量的定义与使用
    2.3.1  变量的定义与初始化
    2.3.2  随机初始化变量
    2.3.3  获取变量
    2.3.4  共享变量
  2.4  占位符与数据喂入机制
    2.4.1  占位符定义
    2.4.2  数据喂入
  2.5  模型的保存与恢复
    2.5.1  模型保存
    2.5.2  模型恢复
  2.6  构建二维数据拟合模型
    2.6.1  准备数据
    2.6.2  搭建模型
    2.6.3  反向传播
    2.6.4  迭代训练
    2.6.5  使用模型
  2.7  本章小结
  2.8  本章习题
任务3  构建泰坦尼克号生还率模型
  3.1  M-P神经元拟合原理
    3.1.1  M-P神经元模型
    3.1.2  训练神经元
  3.2  激活函数实现神经元非线化
    3.2.1  激活函数的作用

    3.2.2  Sigmoid激活函数
    3.2.3  Tanh激活函数
    3.2.4  Relu激活函数
  3.3  BP神经网络模型
    3.3.1  BP神经网络结构
    3.3.2  神经网络向前传输推导
    3.3.3  神经网络向前传输实践
    3.3.4  构建BP神经网络模型
  3.4  损失函数调整误差
    3.4.1  交叉熵损失函数
    3.4.2  均方误差损失函数
  3.5  梯度下降
    3.5.1  梯度下降的作用及常用方法
    3.5.2  梯度下降使模型最小偏差实践
  3.6  模型优化
    3.6.1  学习率控制参数更新速度
    3.6.2  正则化减少过拟合现象
  3.7  构建泰坦尼克号生还率模型
    3.7.1  数据读取及预处理
    3.7.2  搭建向前传输过程
    3.7.3  迭代训练
  3.8  本章小结
  3.9  本章习题
任务4  构建手写字识别模型
  4.1  MNIST数据集
    4.1.1  MNIST数据集简介
    4.1.2  下载MNIST数据集
    4.1.3  图像的矩阵表示
    4.1.4  标签的独热表示
  4.2  构建识别MNIST模型
    4.2.1  MNIST手写字模型简介
    4.2.2  定义模型节点参数
    4.2.3  网络向前传输过程
    4.2.4  网络参数优化
    4.2.5  训练并保存模型
  4.3  模型验证
    4.3.1  验证集验证模型
    4.3.2  识别自定义图片
  4.4  本章小结
  4.5  本章习题
任务5  LeNet-5模型识别手写字
  5.1  卷积神经网络结构特征
    5.1.1  卷积神经网络简介
    5.1.2  卷积物理含义
    5.1.3  网络结构特征
  5.2  卷积神经网络函数
    5.2.1  卷积操作
    5.2.2  池化操作
    5.2.3  DropOut机制
  5.3  卷积高级操作

    5.3.1  多通道卷积
    5.3.2  多卷积核
    5.3.3  反卷积
  5.4  LeNet-5识别手写字
    5.4.1  LeNet-5模型简介
    5.4.2  构建向前传输模型
    5.4.3  优化模型
    5.4.4  训练保存模型
    5.4.5  验证模型
  5.5  本章小结
  5.6  本章习题
任务6  打造CIFAR-10图像识别模型
  6.1  CIFAR-10数据集简介
    6.1.1  CIFAR-10数据集简介
    6.1.2  下载CIFAR-10数据集
  6.2  读取CIFAR-10数据
    6.2.1  读取并显示图片
    6.2.2  将标签表示成独热
  6.3  数据增强
    6.3.1  图像几何变换
    6.3.2  图像色彩调整
    6.3.3  图像的标准化
    6.3.4  图像标注
  6.4  构建CIFAR-10图像识别模型
    6.4.1  数据批量读取
    6.4.2  模型构建
    6.4.3  训练并预测
  6.5  ImageNet图像识别模型
    6.5.1  ImageNet数据集简介
    6.5.2  历代ImageNet识别模型
  6.6  本章小结
  6.7  本章习题
任务7  可视化性别识别模型
  7.1  在程序中使用TensorBoard
    7.1.1  TensorBoard基本介绍
    7.1.2  TensorBoard使用步骤
  7.2  TensorBoard可视化
    7.2.1  标量与直方图可视化
    7.2.2  卷积过程可视化
    7.2.3  训练过程可视化
  7.3  可视化性别识别模型
    7.3.1  模型简介
    7.3.2  读取数据集
    7.3.3  训练模型
    7.3.4  可视化模型
  7.4  本章小结
  7.5  本章习题
任务8  理解tf.data数据处理框架
  8.1  Dataset的基本机制
    8.1.1  Dataset数据处理框架

    8.1.2  创建Dataset
  8.2  Iterator迭代数据集
    8.2.1  单次迭代器
    8.2.2  可初始化迭代器
    8.2.3  可重新初始化迭代器
    8.2.4  可馈送迭代器
  8.3  Dataset数据批处理
    8.3.1  直接批处理
    8.3.2  预处理后批处理
  8.4  Dataset数据集构建与解析
    8.4.1  数据集预处理
    8.4.2  构建TFRecordDataset数据集
    8.4.3  从tf.train.Example中解析数据
  8.5  本章小结
  8.6  本章习题
附录  人工智能数学基础

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目