 |
-- 會員 / 註冊 --
|
 |
|
|
|
白話深度學習與TensorFlow ( 簡體 字) |
| 作者：高揚 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 47308
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：7/31/2017 |
| 頁數：304 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111574576 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：基礎篇(1-3章)：介紹深度學習的基本概念和Tensorflow的基本介紹。原理與實踐篇（4-8章）：大量的關于深度學習中BP、CNN以及RNN網絡等概念的數學知識解析，加以更樸素的語言與類比，使得非數學專業的程序員還是能夠比較容易看懂。擴展篇（9-13章）：介紹新增的深度學習網絡變種與較新的深度學習特性，并給出有趣的深度學習應用。讀完本書，基本具備了搭建全套Tensorflow應用環境的能力，掌握深度學習算法和思路，以及進行一般性的文章分類、音頻分類或視頻分類的能力。 |
目錄：本書贊譽
序
前 言
基 礎 篇
第1章 機器學習是什么 2
1.1 聚類 4
1.2 回歸 5
1.3 分類 8
1.4 綜合應用 10
1.5 小結 14
第2章 深度學習是什么 15
2.1 神經網絡是什么 15
2.1.1 神經元 16
2.1.2 激勵函數 19
2.1.3 神經網絡 24
2.2 深度神經網絡 25
2.3 深度學習為什么這么強 28
2.3.1 不用再提取特征 28
2.3.2 處理線性不可分 29
2.4 深度學習應用 30
2.4.1 圍棋機器人——AlphaGo 30
2.4.2 被教壞的少女——Tai.ai 32
2.4.3 本田公司的大寶貝——
ASIMO 33
2.5 小結 37
第3章 TensorFlow框架特性與安裝 38
3.1 簡介 38
3.2 與其他框架的對比 39
3.3 其他特點 40
3.4 如何選擇好的框架 44
3.5 安裝TensorFlow 45
3.6 小結 46
原理與實踐篇
第4章 前饋神經網絡 50
4.1 網絡結構 50
4.2 線性回歸的訓練 51
4.3 神經網絡的訓練 75
4.4 小結 79
第5章 手寫板功能 81
5.1 MNIST介紹 81
5.2 使用TensorFlow完成實驗 86
5.3 神經網絡為什么那么強 92
5.3.1 處理線性不可分 93
5.3.2 挑戰“與或非” 95
5.3.3 豐富的VC——強大的空間
劃分能力 98
5.4 驗證集、測試集與防止過擬合 99
5.5 小結 102
第6章 卷積神經網絡 103
6.1 與全連接網絡的對比 103
6.2 卷積是什么 104
6.3 卷積核 106
6.4 卷積層其他參數 108
6.5 池化層 109
6.6 典型CNN網絡 110
6.7 圖片識別 114
6.8 輸出層激勵函數——SOFTMAX 116
6.8.1 SOFTMAX 116
6.8.2 交叉熵 117
6.9 小試牛刀——卷積網絡做圖片分類 124
6.10 小結 138
第7章 綜合問題 139
7.1 并行計算 139
7.2 隨機梯度下降 142
7.3 梯度消失問題 144
7.4 歸一化 147
7.5 參數初始化問題 149
7.6 正則化 151
7.7 其他超參數 155
7.8 不唯一的模型 156
7.9 DropOut 157
7.10 小結 158
第8章 循環神經網絡 159
8.1 隱馬爾可夫模型 159
8.2 RNN和BPTT算法 163
8.2.1 結構 163
8.2.2 訓練過程 163
8.2.3 艱難的誤差傳遞 165
8.3 LSTM算法 167
8.4 應用場景 171
8.5 實踐案例——自動文本生成 174
8.5.1 RNN工程代碼解讀 174
8.5.2 利用RNN學習莎士比亞劇本 183
8.5.3 利用RNN學習維基百科 184
8.6 實踐案例——聊天機器人 185
8.7 小結 196
擴 展 篇
第9章 深度殘差網絡 198
9.1 應用場景 198
9.2 結構解釋與數學推導 200
9.3 拓撲解釋 205
9.4 Github示例 207
9.5 小結 207
第10章 受限玻爾茲曼機 209
10.1 結構 209
10.2 邏輯回歸 210
10.3 最大似然度 212
10.4 最大似然度示例 214
10.5 損失函數 215
10.6 應用場景 216
10.7 小結 216
第11章 強化學習 217
11.1 模型核心 218
11.2 馬爾可夫決策過程 219
11.2.1 用游戲開刀 221
11.2.2 準備工作 223
11.2.3 訓練過程 224
11.2.4 問題 226
11.2.5 Q-Learning算法 228
11.3 深度學習中的Q-Learning——DQN 231
11.3.1 OpenAI Gym 234
11.3.2 Atari游戲 237
11.4 小結 238
第12章 對抗學習 239
12.1 目的 239
12.2 訓練模式 240
12.2.1 二元極小極大博弈 240
12.2.2 訓練 242
12.3 CGAN 244
12.4 DCGAN 247
12.5 小結 252
第13章 有趣的深度學習應用 254
13.1 人臉識別 254
13.2 作詩姬 259
13.3 梵高附體 264
13.3.1 網絡結構 265
13.3.2 內容損失 268
13.3.3 風格損失 270
13.3.4 系數比例 271
13.3.5 代碼分析 272
13.4 小結 279
附錄A VMware Workstation的安裝 280
附錄B Ubuntu虛擬機的安裝 284
附錄C Python語言簡介 290
附錄D 安裝Theano 296
附錄E 安裝Keras 297
附錄F 安裝CUDA 298
參考文獻 303 |
| 序： |
|
