│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號 目前顯示有庫存 顯示全部書籍 詳細書籍分類

零起點TensorFlow快速入門 ( 簡體 字)
作者：何海群	類別：1. -> 程式設計 -> 深度學習
譯者：
出版社：電子工業出版社	3dWoo書號： 47737 詢問書籍請說出此書號！ 【缺書】 NT售價： 345 元
出版日：10/1/2017
頁數：360
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：9787121323331
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： 推 薦 序 ——梁忠 近日AlphaGo和柯潔的黑白大戰，因為對陣的一方是中國頂級圍棋高手柯潔，所以引起國人的高度關注。如果利用百度搜索引擎，輸入AlphaGo，可以得出7000多萬條搜索結果，遠遠高于其他熱門詞條。 事實上，AlphaGo只是Google擁有的兩套人工智能系統中的一套，是Google 2014年收購DeepMind的人工智能系統，專注于棋賽開發。Google另外一套人工智能系統就是本書介紹的TensorFlow系統。 在TensorFlow等人工智能系統出現之前，計算機所做的事情最多就是按照人類編好的既定程序，簡單重復地、按部就班地運行，沒有超越人類事先為計算機設定的思維邊界。 計算機與人類大腦相比，根本的區別在于不具備學習和創新能力。 計算機最多是記憶的信息多，重復計算的速度快，不受情緒的影響等。但是，在TensorFlow等人工智能系統出現之后，計算機所做的事情除了簡單重復運行之外，更重要的是其具備了一定的自我學習和創新能力。 TensorFlow等人工智能系統使得計算機在一定程度上能夠自主學習，自我提高，總結過去的經驗，汲取以往的教訓，具備一定的創新性。這一點從AlphaGo與柯潔對壘的3場棋局的結果中不難看出。 這正是以AlphaGo和TensorFlow為代表的人工智能系統區別于以往任何計算機技術的關鍵所在，也是為什么TensorFlow被稱為互聯網以來唯一的“黑科技”項目的原因。 具備了一定的自我學習和創造能力的人工智能系統的出現，將對經濟系統的各個領域產生重大影響。筆者有著超過20年境內外金融行業從業經歷，將從一個側面分享人工智能對金融領域的影響。 從整個金融業的歷史沿革來看，大致經歷了四個階段：純人工階段、單機電腦階段、互聯網（含移動互聯網）階段和人工智能階段。 隨著每個階段的漸次演進，提供金融服務一方的人力成本投入在逐漸減少，提供金融服務的效率在提高；對于接受金融服務的一方來說，金融服務的可獲得性以及便捷程度在逐漸增加，金融服務越來越圍繞著人進行，以人為中心的全方位的社會經濟服務體系正在形成。 金融服務體系中銀行服務、證券服務、保險服務等的內部界限開始變得模糊，金融服務與其他非金融的社會經濟服務之間的界限開始變得不清。 特別是金融業進入人工智能階段之后，人工智能系統將接受金融服務一方的身份特征數據、交易數據和行為數據等大數據，進行實時分析和動態跟蹤，以遠低于人工成本的成本，為每個人建立一個基于生命周期的綜合金融模型，對每個人未來的金融行為進行預測，自動為他們提供賬戶資金管理、貨幣兌換、證券買賣、保險購買、購房購車計劃、旅行休閑、子女教育、養老規劃等方面的金融建議和授權代理操作，并根據模型預測結果與實際情況相比對，自主學習和修正模型，以便更加貼合接受金融服務一方的真實金融意圖，使得人工智能模型的預測建議和人的實際金融行為無限接近。 由此人類將從日常繁雜的各種金融交易中解放出來，投身到更需要自己或自己更感興趣的方面去。 展望未來，人工智能的應用前景無限美好。探尋當下，人工智能在世界各地的各行各業方興未艾。 千里之行，始于足下，何海群先生的《零起點TensorFlow快速入門》是有志于人工智能領域的IT人士的一塊敲門磚和鋪路石。 祝愿人工智能在華夏大地生根發芽，開花結果。 梁忠：中國人民大學財政金融系博士，曾任里昂證券CLSA分析員；瑞銀證券UBSS董事，財富管理中國研究部主管；瑞士信貸（香港）有限公司中國研究部董事；瑞信方正證券執行董事，研究部主管，具有20年國際頂級金融機構從業經歷。 前 言 感謝梁忠先生在百忙之中為本書撰寫序言，TensorFlow神經網絡作為互聯網以來唯一的“黑科技”項目，無遠弗屆，無分行業領域，對社會各界都會從上至下帶來徹底的顛覆與革命。 梁忠先生作為非IT領域的學者、專家，從第三方角度，冷靜地觀察這場數字革命，同時可以向更多的大眾介紹這場革命的火花，推動行業變革，功莫大焉。 TensorFlow黑科技與泰坦尼克 經典大片《泰坦尼克》（Titanic），以1912年泰坦尼克號郵輪在其處女航行時撞擊冰山而沉沒的事件為背景，描述了處于不同階層的兩個人——窮畫家杰克和貴族女露絲拋棄世俗的偏見墜入愛河，最終杰克把生存的機會讓給了露絲的感人故事。 在機器學習領域，《Titanic數據集》是與《IRIS數據集》并列的經典數據集。 Titanic數據集是根據泰坦尼克號上的人員是否存活而生成的數據集，是國際著名的機器學習大賽Kaggle的入門練手題。 Titanic數據集共有1237個數據，其中包括819個訓練集和418個測試集。數據集中共有12個字段，包括年齡、性別、船廠等級等12個屬性。 《泰坦尼克》案例就是通過使用神經網絡算法，根據Titanic數據集，計算經典大片《泰坦尼克》（Titanic）的男女兩位主人公：窮畫家杰克和貴族女露絲，每個人的生存概率。 初看這個問題，似乎是“不可能完成的任務”，不過，TensorFlow既然被譽為自Internet以來唯一的黑科技，自然有其解決的辦法。 其中的一個案例，計算結果表明：杰克獲救的機會是16.7%，露絲是95.8%。 曾經有歷史學者，通過研究歷史數據中的食鹽、布匹消費量，而推斷當時相關國家的人口、經濟、軍事等實力，并衍生出計量歷史學這樣一個學科。 馬云曾經說過：“要么電子商務，要么無商可務。” 也許，未來的學術領域，也會“要么AI，要么NO-A。”這里的A，代表Anything。 相信隨著類似Titanic數據集案例、梵高畫風等一系列基于TensorFlow等神經網絡、深度學習項目的不斷涌現，未來的各個學科會基于AI人工智能進行新的學術重組。 更好的TensorFlow入門教程 本書是目前較好的TensorFlow機器學習入門教程： ? 無需任何理論基礎，全程采用MBA案例模式，懂Excel就可看懂。 ? 獨創的逆向式課件模式，結合TensorBoard可視化系統，案例、圖表優先，層層剖析。 ? 率先系統介紹TensorFlow經典入門案例合集，Pkmital帕拉格?庫馬爾案例合集。 ? 率先系統介紹TensorFlow三大簡化接口Keras、TFLearn和TensorLayer，并提供多組配套案例。 ? 三位一體的課件模式：圖書+開發平臺+成套的教學案例，系統講解，逐步深入。 ? 業內率先發布系統化的TensorFlow函數和API中文文檔、神經網絡算法模型匯編，可作為案頭工具書隨時查閱。 本書采用獨創的黑箱模式，MBA案例教學機制，結合大量經典案例，介紹TensorFlow系統和常用的深度學習算法。 “Python量化三部曲” “Python量化三部曲”包括： ? 《零起點Python大數據與量化交易》（入門課程）； ? 《零起點Python機器學習與量代交易》（重點分析sklean）； ? 《零起點TensorFlow與量化交易》（重點分析TensorFlow）。 此外還有幾部補充作品： ? 《零起點Python足彩大數據與機器學習實盤分析》； ? 《零起點Python機器學習快速入門》； ? 《零起點TensorFlow快速入門》。 本書是《零起點Python機器學習快速入門》的后續之作，為了省略篇幅，省略了Python基礎教程，以及sklearn等機器學習方面的入門內容，沒有經驗的讀者，建議先閱讀《零起點Python機器學習快速入門》，再開始本書的學習，這樣會收到事半功倍的效果。 本書原本是極寬量化培訓課程高級班的教學課件，建議“Python量化三部曲”的讀者，在讀完入門課程后，先閱讀本書和《零起點Python機器學習快速入門》，再閱讀后面兩部作品。 網絡資源 本書的案例程序已經做過優化處理，無需GPU顯卡，全部支持單CPU平臺，不過為避免版本沖突，請盡量使用zwPython 2017m6版本運行本書的案例程序。 使用其他Python運行環境的讀者，如Linux、Mac平臺的用戶，請盡量使用Python 3.5和TensorFlow 1.1版本，請自行安裝其他所需的模塊庫，如NumPy、Pandas、TuShare等第三方模塊庫。 此外需要注意的是，大家運行本書案例得到的結果可能與書中略有差別，甚至大家多次運行同一案例，每次運行的結果可能都有所差異，這屬于正常情況。 這是因為TensorFlow等深度學習系統內部都使用了隨機數作為種子數，用于系統變量初始化等操作，致使每次分析的起點或者中間參數有所不同造成的。 本書的讀者QQ群是：124134140（zwPython量化交易＆大數據）。 本書有關的程序和數據下載，請瀏覽網站：TopQuant.vip極寬量化社區，網站【下載中心】有最新的程序和數據下載地址。 本書在TopQuant.vip極寬量化社區設有專欄，對本書、人工智能和機器學習有任何建議的，請在社區相關專欄發布信息，我們會在第一時間進行反饋和答復。 目錄設置 為運行本書課件程序，用戶需要下載以下3個軟件，并設置好目錄。 ? zwPython，必須是根目錄、Python開發平臺，為避免版本沖突，請盡量使用zwPython 2017m6版本。 ? ailib，也必須是根目錄、AI智能模型和TnensorBoard可視化日志數據目錄。 ? TensorFlow深度學習課件，本書配套教學課件Python程序源碼，請盡量下載最新版本，目錄不必是根目錄，但必須與Ailib在同一個硬盤，可以直接復制到Ailib目錄之下。 以上軟件、程序最好保存在SSD固態硬盤，此做法可以讓速度快很多；目錄名稱不要使用中文名稱，壓縮文件中的中文名稱只是為了便于用戶下載。 致謝 本書的出版要特別感謝電子工業出版社的黃愛萍編輯，感謝她在選題策劃和稿件整理方面做出的大量工作。 同時，在本書創作過程中，極寬開源量化團隊和培訓班的全體成員，提出很多寶貴的意見，并對部分課件程序做了中文注解。 特別是吳娜、余勤、孫洋、王碩幾位成員，為極寬開源量化文庫和 TopQuant極寬量化開源軟件編寫文檔，并且在團隊成員管理方面做了大量工作，為他們的付出表示感謝！ 本書完稿時，恰逢小女星語20歲生日。 謹以本書，獻給我聰明美麗的女兒，作為她的成年禮。 愿她的一生，幸福安康。 何海群（字王） 北京極寬科技有限公司CTO 2017年6月18日
內容簡介： TensorFlow是近年來影響最大的神經網絡和深度學習平臺，本書以生動活潑的語言，從入門者的角度，對TensorFlow進行介紹，書中包含大量簡單風趣的實際案例，如孤獨的神經元、梵高畫風等，讓廣大初學者快速掌握神經網絡的基本編程，為進一步學習人工智能奠定扎實的基礎。
目錄： 第1章 不朽的梵高 1 1.1 星夜傳奇 1 1.2 TensorFlow簡介 3 案例1-1：星夜傳奇實戰編程 5 案例1-2：星夜傳奇批量編程 11 1.3 十萬次迭代 14 1.4 黑箱大法 16 1.5 超級KISS法則與大智若愚 17 第2章 TensorFlow安裝 22 2.1 目錄結構 22 2.2 化繁為簡 23 2.3 CPU版本安裝 25 2.4 GPU版本安裝 25 案例2-1：GPU開發環境測試 28 第3章 可視化AI圖表 33 3.1 TensorBoard可視化工具 33 案例3-1：hello，愛麗絲 34 3.1.1 TensorBoard主界面 36 3.1.2 快速啟動腳本 38 3.2 加法器 41 案例3-2：加法器的算法結構圖 41 案例3-3：加法器的變化版本 43 案例3-4：乘法器的算法結構圖 44 第4章 快速入門 47 4.1 你好，神經網絡 47 案例4-1：字符串表達式 47 案例4-2：hello，TensorFlow 48 4.2 圖運算與Session 49 案例4-3：缺省圖運算 49 案例4-4：可視化Session 52 4.3 常量、變量與占位符 56 案例4-5：常量加法 57 案例4-6：加法與占位符 58 案例4-7：加法與變量 59 4.4 TensorFlow常用數值運算 62 第5章 TensorFlow總覽 63 5.1 TensorFlow產業鏈關系圖 65 5.2 TensorFlow模塊列表 66 5.2.1 源碼目錄結構 66 案例5-1：內置模塊列表 68 5.2.2 模塊結構圖 70 5.2.3 API抽象接口示意圖 71 5.2.4 神經網絡三大模塊 71 5.3 數據類型 72 5.4 TensorFlow常用術語 73 5.5 TensorFlow簡化接口 77 第6章 基礎知識 79 6.1 數據流圖 79 6.2 設備切換Device 81 6.3 三大數據類型 82 案例6-1：變量操作 86 6.4 Feed數據提交 89 案例6-2：Feed提交數據 90 案例6-3：批量Feed提交數據 92 案例6-4：批量Feed提交多維數據 92 6.5 Fetch獲取數據 93 案例6-5：Fetch獲取數據 93 案例6-6：Fetch獲取多維數組 95 案例6-7：會話Session 97 6.6 批尺寸Batch_Size 99 第7章 孤獨的神經元 101 7.1 神經元模型 101 案例7-1：單細胞算法 102 7.2 可視化分析 107 案例7-2：單細胞算法優化版 108 第8章 歸來吧，數據 112 8.1 分類——機器學習的核心 112 8.2 萬物皆回歸 112 案例8-1：傳統機器學習 114 案例8-2：TensorFlow線性回歸模型 117 8.3 模型簡理 124 案例8-3：TensorFlow模型保存 125 案例8-4：TensorFlow模型讀取 126 第9章 Pkmital入門案例套餐（上） 128 9.1 Halcon簡介 128 9.2 帕拉格?庫馬爾案例合集簡介 129 9.3 Pkmital案例集合詳解 131 9.4 TensorFlow基礎 132 案例9-1：TensorFlow基礎權重設置和圖形計算 132 案例9-2：圖像的卷積計算 140 9.5 回歸算法 145 案例9-3：線性回歸 145 案例9-4：線性回歸修正版 150 9.6 多項式回歸 151 案例9-5：多項式回歸 151 案例9-6：多項式回歸修正版 153 9.7 邏輯回歸模型 154 案例9-7：邏輯回歸模型 154 9.8 CNN卷積神經網絡算法 159 案例9-8：CNN卷積神經網絡 159 第10章 Pkmital入門案例套餐（下） 165 10.1 自編碼算法 165 案例10-1：自編碼算法 165 10.2 dAE降噪自編碼算法 170 案例10-2：dAE降噪自編碼算法 170 10.3 CAE卷積編碼算法 177 案例10-3：CAE卷積編碼算法 177 10.4 DRN深度殘差網絡 183 案例10-4：DRN深度殘差網絡 183 10.5 VAE變分自編碼算法 189 案例10-5：VAE變分自編碼算法 189 10.6 TDV聯合矩陣模型 199 第11章 TensorFlow內置案例分析 201 11.1 預備知識 202 11.2 Mnist手寫數字識別 211 案例11-1：Mnist初級案例 211 案例11-2：Mnist專業版本 215 11.3 FFNNs前饋神經網絡模型 224 案例11-3：FFNNs前饋神經網絡模型 224 第12章 TensorLayer案例分析 234 12.1 手寫識別算法 234 案例12-1：Mnist手寫識別 234 12.2 Mnist神經網絡模型合集 242 案例12-2：Dropout網絡模型 243 案例12-3：DropConnect網絡模型 253 可視化數據 256 案例12-4：dAE降噪自編碼算法1 257 可視化數據 260 案例12-5：dAE降噪自編碼算法2 260 可視化數據 262 案例12-6：CNN卷積神經網絡算法 263 可視化數據 266 第13章 TFLearn案例分析 267 13.1 生存游戲 268 13.1.1 泰坦尼克數據集 268 13.1.2 Kaggle機器學習公開賽 269 案例13-1：泰坦尼克號生存與死亡 270 13.2 線性回歸 274 案例13-2：線性回歸模型 275 13.3 模型管理 278 案例13-3：保存讀取模型數據 278 13.4 超智能體 283 案例13-4：超智能體：NOT取反運算 284 案例13-5：超智能體：OR或運算 286 案例13-6：超智能體：AND（與）運算 288 案例13-7：超智能體：XOR（異或）運算 289 13.5 CNN卷積神經網絡算法 292 案例13-8：CNN卷積神經網絡算法 292 第14章 Keras案例分析 297 14.1 Keras模型 298 14.2 Keras使用流程 299 14.3 Keras常用模塊 300 14.4 Keras模型可視化 301 案例14-1：MLP多層神經網絡 303 案例14-2：CNN卷積神經網絡 309 案例14-3：IRNN修正循環神經網絡 316 案例14-4：HRNN分層循環神經網絡 322 第15章 TensorFlow常用運行模式 327 15.1 深度學習三大要素 327 15.2 神經網絡基本結構 328 15.3 基本神經元層 329 15.4 神經網絡通用流程 335 15.5 Loss損失函數 338 15.6 TensorFlow常用優化算法 340
序：