│ 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

詳解深度學習 基于TensorFlow和Keras學習RNN ( 簡體 字)
作者：[日]巢籠悠輔|譯者:鄭明智	類別：1. -> 程式設計 -> 深度學習
譯者：
出版社：人民郵電	3dWoo書號： 52119 詢問書籍請說出此書號！ 【缺書】 NT售價： 395 元
出版日：11/1/2019
頁數：293
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：9787115519962
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： 于處理時間序列數據的深度學習算法，通過基于Python 語言的庫TensorFlow 和Keras來學習神經網絡、深度學習的理論和實現。全書共六章，前兩章講解了學習神經網絡所需的數學知識和Python 基礎知識；中間兩章講解了神經網絡的基本算法以及深度學習的基礎知識和應用；最后兩章詳細介紹了專門用于處理時間序列數據的循環神經網絡（RNN）。
目錄： 第 1章　數學準備 001 1.1　偏微分　001 1.1.1　導函數和偏導函數　001 1.1.2　微分系數與偏微分系數　003 1.1.3　偏微分的基本公式　006 1.1.4　復合函數的偏微分　007 1.1.5　拓展全微分　009 1.2　線性代數　011 1.2.1　向量　011 1.2.1.1　向量的基礎知識　011 1.2.1.2　向量的和與標量倍數　011 1.2.1.3　向量的內積　012 1.2.2　矩陣　013 1.2.2.1　矩陣的基礎知識　013 1.2.2.2　矩陣的和與標量倍數　014 1.2.2.3　矩陣的乘積　014 1.2.2.4　正則矩陣與逆矩陣　016 1.2.2.5　轉置矩陣　017 1.3　小結　018 第　2章 Python準備　019 2.1　Python 2和Python 3　020 2.2　Anaconda發行版　021 2.3　Python的基礎知識　025 2.3.1　Python程序的執行　025 2.3.2　數據類型　026 2.3.2.1　類型是什么　026 2.3.2.2　字符串類型　027 2.3.2.3　數值類型　028 2.3.2.4　布爾類型　030 2.3.3　變量　031 2.3.3.1　變量是什么　031 2.3.3.2　變量與類型　032 2.3.4　數據結構　033 2.3.4.1　列表　033 2.3.4.2　字典　034 2.3.5　運算　035 2.3.5.1　運算符與操作數　035 2.3.5.2　算術運算的運算符　036 2.3.5.3　賦值運算符　036 2.3.6　基本結構　038 2.3.6.1　if語句　038 2.3.6.2　while語句　039 2.3.6.3　for語句　041 2.3.7　函數　043 2.3.8　類　045 2.3.9　庫　048 2.4　NumPy　049 2.4.1　NumPy數組　049 2.4.2　使用NumPy進行向量和矩陣的計算　051 2.4.3　數組和多維數組的生成　053 2.4.4　切片　054 2.4.5　廣播　056 2.5　面向深度學習的庫　058 2.5.1　TensorFlow　058 2.5.2　Keras　059 2.5.3　參考Theano　060 2.6　小結　063 第3章　神經網絡　065 3.1　什么是神經網絡　065 3.1.1　腦和神經元　065 3.1.2　深度學習和神經網絡　066 3.2　作為電路的神經網絡　067 3.2.1　簡單的模型化　067 3.2.2　邏輯電路　069 3.2.2.1　邏輯門　069 3.2.2.2　與門　069 3.2.2.3　或門　072 3.2.2.4　非門　074 3.3　簡單感知機　075 3.3.1　模型化　075 3.3.2　實現　077 3.4　邏輯回歸　081 3.4.1　階躍函數與sigmoid函數　081 3.4.2　模型化　082 3.4.2.1　似然函數與交叉熵誤差函數　082 3.4.2.2　梯度下降法　084 3.4.2.3　隨機梯度下降法與小批量梯度下降法　085 3.4.3　實現　086 3.4.3.1　使用TensorFlow的實現　086 3.4.3.2　使用Keras的實現　092 3.4.4　拓展sigmoid函數與概率密度函數、累積分布函數　096 3.4.5　拓展梯度下降法和局部*優解　099 3.5　多分類邏輯回歸　101 3.5.1　softmax函數　101 3.5.2　模型化　102 3.5.3　實現　106 3.5.3.1　使用TensorFlow的實現　106 3.5.3.2　使用Keras的實現　110 3.6　多層感知機　111 3.6.1　非線性分類　111 3.6.1.1　異或門　111 3.6.1.2　邏輯門的組合　113 3.6.2　模型化　115 3.6.3　實現　119 3.6.3.1　使用TensorFlow的實現　119 3.6.3.2　使用Keras的實現　122 3.7　模型的評估　123 3.7.1　從分類到預測　123 3.7.2　預測的評估　124 3.7.3　簡單的實驗　126 3.8　小結　131 第4章　深度神經網絡　133 4.1　進入深度學習之前的準備　133 4.2　訓練過程中的問題　138 4.2.1　梯度消失問題　138 4.2.2　過擬合問題　141 4.3　訓練的高效化　142 4.3.1　激活函數　143 4.3.1.1　雙曲正切函數　143 4.3.1.2　ReLU　145 4.3.1.3　Leaky ReLU　147 4.3.1.4　Parametric ReLU　149 4.3.2　Dropout　152 4.4　代碼的設計　157 4.4.1　基本設計　157 4.4.1.1　使用TensorFlow的實現　157 4.4.1.2　使用Keras的實現　160 4.4.1.3　拓展對TensorFlow模型進行類封裝　161 4.4.2　訓練的可視化　166 4.4.2.1　使用TensorFlow的實現　167 4.4.2.2　使用Keras的實現　172 4.5　**技術　176 4.5.1　數據的正則化與權重的初始化　176 4.5.2　學習率的設置　179 4.5.2.1　動量　179 4.5.2.2　Nesterov動量　180 4.5.2.3　Adagrad　181 4.5.2.4　Adadelta　182 4.5.2.5　RMSprop　184 4.5.2.6　Adam　185 4.5.3　早停法　187 4.5.4　Batch Normalization　190 4.6　小結　195 第5章　循環神經網絡　197 5.1　基本概念　197 5.1.1　時間序列數據　197 5.1.2　過去的隱藏層　199 5.1.3　基于時間的反向傳播算法　202 5.1.4　實現　204 5.1.4.1　準備時間序列數據　205 5.1.4.2　使用TensorFlow的實現　207 5.1.4.3　使用Keras的實現　214 5.2　LSTM　215 5.2.1　LSTM 塊　215 5.2.2　CEC、輸入門和輸出門　217 5.2.2.1　穩態誤差　217 5.2.2.2　輸入權重沖突和輸出權重沖突　219 5.2.3　遺忘門　220 5.2.4　窺視孔連接　222 5.2.5　模型化　223 5.2.6　實現　227 5.2.7　長期依賴信息的訓練評估——Adding Problem　229 5.3　GRU　232 5.3.1　模型化　232 5.3.2　實現　233 5.4　小結　235 第6章　循環神經網絡的應用　237 6.1　雙向循環神經網絡　237 6.1.1　未來的隱藏層　237 6.1.2　前向、后向傳播　239 6.1.3　MNIST的預測　241 6.1.3.1　轉換為時間序列數據　241 6.1.3.2　使用TensorFlow的實現　242 6.1.3.3　使用Keras的實現　245 6.2　循環神經網絡編碼器- 解碼器　246 6.2.1　序列到序列模型　246 6.2.2　簡單的問答系統　247 6.2.2.1　設置問題——加法的訓練　247 6.2.2.2　數據的準備　248 6.2.2.3　使用TensorFlow的實現　251 6.2.2.4　使用Keras的實現　260 6.3　注意力模型　261 6.3.1　時間的權重　261 6.3.2　LSTM中的注意力機制　263 6.4　記憶網絡　265 6.4.1　記憶外部化　265 6.4.2　應用于問答系統　266 6.4.2.1　bAbi任務　266 6.4.2.2　模型化　267 6.4.3　實現　269 6.4.3.1　數據的準備　269 6.4.3.2　使用TensorFlow的實現　272 6.5　小結　276 附錄　279 A.1　模型的保存和讀取　279 A.1.1　使用TensorFlow時的處理　279 A.1.2　使用Keras時的處理　284 A.2　TensorBoard　285 A.3　tf.contrib.learn　292
序：