- 深度学习原理与TensorFlow实践(人工智能专业人才培养系列教材)
- - 作者：编者:闭应洲//周锋//王满堂|责编:赵玉山
  - 出版社：电子工业
  - ISBN：9787121441592
  - 出版日期：2022/08/01
  - 页数：264
- 售价：21.6

内容大纲
本书采用“理论+实践”的方式，全面系统地讲授了深度学习的基本原理以及使用TensorFlow实现各类深度学习网络的方法。全书共10章，第1～3章主要介绍深度学习的基础知识，包括深度学习的概念和应用、深层神经网络的训练和优化、TensorFlow的内涵和特点等内容；第4～5章主要介绍TensorFlow的安装，以及计算模型、数据模型、运行模型等TensorFlow编程的基础知识；第6～10章主要围绕TensorFlow介绍各类深度学习网络，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、深度学习网络进阶等。全书在各个章节设置有大量的实验和实操案例，兼具知识性和实用性。
本书适合人工智能相关专业的学生和技术人员，以及人工智能领域兴趣爱好者阅读。
作者介绍
目录
第1章  引言
  1.1  人工智能简介
  1.2  机器学习简介
    1.2.1  机器学习的概念
    1.2.2  机器学习的本质
    1.2.3  机器学习的步骤
    1.2.4  机器学习的关键点
    1.2.5  机器学习的实战
    1.2.6  机器学习的教材
  1.3  机器学习的分类
    1.3.1  有监督学习
    1.3.2  无监督学习
    1.3.3  半监督学习
    1.3.4  强化学习
  1.4  本章小结
第2章  深度学习的原理
  2.1  深度学习简介
    2.1.1  深度学习的概念
    2.1.2  深度学习的特点
  2.2  深度学习的现实意义
    2.2.1  深层神经网络的模型结构
    2.2.2  非线性处理能力
    2.2.3  特征自动提取和转换
  2.3  深度学习的应用领域
    2.3.1  计算机视觉
    2.3.2  自然语言处理
    2.3.3  语音识别
  2.4  深层神经网络简介
    2.4.1  神经元模型
    2.4.2  单层神经网络
    2.4.3  深层神经网络
    2.4.4  深层神经网络节点
    2.4.5  深层神经网络参数
    2.4.6  节点输出值计算
  2.5  深层神经网络的训练与优化
    2.5.1  深层神经网络的训练
    2.5.2  深层神经网络的优化
  2.6  本章小结
第3章  深度学习框架简介
  3.1  TensorFlow简介
  3.2  TensorFlow的特点
  3.3  其他深度学习框架
  3.4  本章小结
第4章  TensorFlow的安装
  4.1  安装准备
    4.1.1  硬件检查
    4.1.2  处理器推荐——GPU
    4.1.3  系统选择—-Linux
    4.1.4  配合Python 语言使用
    4.1.5  Anaconda 的安装

  4.2  TensorFlow 的主要依赖包
    4.2.1  Protocol Buffer
    4.2.2  Bazel
  4.3  Python安装TensorFlow
    4.3.1  使用pip安装
    4.3.2  从源代码编译并安装
  4.4  TensorFlow的使用
    4.4.1  向量求和
    4.4.2  加载过程的问题
  4.5  推荐使用IDE
  4.6  本章小结
第5章  TensorFlow编程基础
  5.1  计算图与张量
    5.1.1  初识计算图与张量
    5.1.2  TensorFlow的计算模型——计算图
    5.1.3  TensorFlow的数据模型——张量
  5.2  TensorFlow的运行模型——会话
    5.2.1  TensorFlow的系统结构
    5.2.2  会话的使用
    5.2.3  使用with/as进行上下文管理
    5.2.4  会话的配置
    5.2.5  占位符
  5.3  TensorFlow变量
    5.3.1  变量的创建
    5.3.2  变量与张量
    5.3.3  管理变量空间
  5.4  实验：识别图中模糊的手写数字
  5.5  本章小结
第6章  单个神经元
  6.1  神经元拟合原理
    6.1.1  正向传播
    6.1.2  反向传播
  6.2  激活函数
    6.2.1  Sigmoid函数
    6.2.2  Tanh函数
    6.2.3  ReLU函数
    6.2.4  Swish函数
  6.3  Softmax算法与损失函数
    6.3.1  Softmax算法
    6.3.2  损失函数
    6.3.3  综合应用实验
  6.4  梯度下降
    6.4.1  梯度下降法
    6.4.2  梯度下降函数
    6.4.3  退化学习率
  6.5  学习参数初始化
  6.6  使用Maxout网络扩展单个神经元
    6.6.1  Maxout简介
    6.6.2  使用Maxout网络实现MNIST分类
  6.7  本章小结

第7章  多层神经网络
  7.1  线性问题与非线性问题
    7.1.1  用线性逻辑回归处理二分类问题
    7.1.2  用线性逻辑回归处理多分类问题
    7.1.3  非线性问题浅析
  7.2  解决非线性问题
    7.2.1  使用带隐藏层的神经网络拟合异或操作
    7.2.2  非线性网络的可视化
  7.3  利用全连接神经网络将图片进行分类
  7.4  全连接神经网络模型的优化方法
    7.4.1  利用异或数据集演示过拟合问题
    7.4.2  通过正则化改善过拟合情况
    7.4.3  通过增大数据集改善过拟合
    7.4.4  基于Dropout技术来拟合异或数据集
    7.4.5  全连接神经网络的深浅关系
  7.5  本章小结
第8章  卷积神经网络
  8.1  认识卷积神经网络
    8.1.1  全连接神经网络的局限性
    8.1.2  卷积神经网络简介
  8.2  卷积神经网络的结构
    8.2.1  网络结构简介
    8.2.2  卷积层
    8.2.3  池化层
  8.3  卷积神经网络的相关函数
    8.3.1  卷积函数tf.nn.conv2d
    8.3.2  池化函数tf.nn.max_pool和tf.nn.avg_pool
  8.4  使用卷积神经网络对图片分类
    8.4.1  CIFAR数据集介绍及使用
    8.4.2  CIFAR数据集的处理
    8.4.3  建立一个卷积神经网络
  8.5  反卷积神经网络
    8.5.1  反卷积计算
    8.5.2  反池化计算
    8.5.3  反卷积神经网络的应用
  8.6  卷积神经网络进阶
    8.6.1  函数封装库的使用
    8.6.2  深度学习的模型训练技巧
  8.7  本章小结
第9章  循环神经网络
  9.1  循环神经网络的原理
    9.1.1  循环神经网络的基本结构
    9.1.2  RNN的反向传播过程
    9.1.3  搭建简单RNN
  9.2  改进的RNN
    9.2.1  LSTM
    9.2.2  改进的LSTM
    9.2.3  Bi-RNN
    9.2.4  CTC
  9.3  RNN实战

    9.3.1  cell类
    9.3.2  构建RNN
    9.3.3  使用RNN对MNIST数据集分类
    9.3.4  RNN的初始化
    9.3.5  RNN的优化
    9.3.6  利用BiRNN实现语音识别
  9.4  本章小结
第10章  深度学习网络进阶
  10.1  深层神经网络
    10.1.1  深层神经网络介绍
    10.1.2  GoogLeNet模型
    10.1.3  ResNet模型
    10.1.4  Inception-ResNet-v2模型
    10.1.5  TensorFlow中图片分类模型库——slim
    10.1.6  slim深度网络模型实战图像识别
    10.1.7  实物检测模型库
    10.1.8  实物检测领域的相关模型
    10.1.9  NASNet控制器
  10.2  生成对抗神经网络
    10.2.1  什么是GAN
    10.2.2  各种不同的GAN
    10.2.3  GAN实践
    10.2.4  GAN网络的高级接口TFGAN
  10.3  本章小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目