新書推薦：
《
狂飙年代：18世纪俄国的新文化和旧文化（第三卷）
》
售價：HK$
177.0
《
协和专家大医说：医话肿瘤
》
售價：HK$
109.8
《
潜水指南 全彩图解第4版
》
售價：HK$
132.2
《
超大规模集成电路设计——从工具到实例
》
售價：HK$
88.5
《
村上春树·旅（一本充满村上元素的旅行指南，带你寻访电影《挪威的森林》拍摄地，全彩印刷；200余幅摄影作品）
》
售價：HK$
66.1
《
智能驾驶硬件在环仿真测试与实践
》
售價：HK$
155.7
《
都铎王朝时期英格兰海事法庭研究
》
售價：HK$
87.4
《
中年成长：突破人生瓶颈的心理自助方案
》
售價：HK$
65.0
|
| 編輯推薦： |
|
《TensorFlow深度学习及实践》内容由浅入深，既有原理介绍，又有实战操作，使读者在实践中掌握相关知识，并为解决实际问题提供详细的方法；具有超强的实用性，实例丰富，不仅给出了70多个实例帮助读者理解概念，还提供了综合案例，如图像识别、语音识别、自然语言处理等方面的应用；使用TensorFlow库实现各种模型，这样可以降低学习门槛，即使没有深度学习基础的读者也可以快速上手。
|
| 內容簡介： |
|
TensorFlow是2015年年底开源的一套深度学习框架，也是目前*活跃的深度学习框架之一。本书从深度学习的基础讲起，深入TensorFlow的基本框架、原理、源代码和实现等各个方面，其目的在于降低学习门槛，为读者解决问题提供详细的方法和指导。本书主要内容包括：人工智能简介，TesnorFlow的环境搭建、可视化、基础知识、聚类分析、回归分析、支持向量机，TensorFlow实现卷积神经网络、循环神经网络、深度神经网络等。 本书适合作为对深度学习感兴趣的初学者的参考用书，也适合作为人工智能、计算机等相关专业深度学习课程的教材。
|
| 目錄：
|
目录
第1章人工智能简介
1.1什么是人工智能
1.2AlphaGo的原理简介
1.2.1MCTS算法
1.2.2AlphaGo的基本原理
1.3什么是深度学习
1.4深度学习的方法
1.5TensorFlow是什么
1.5.1TensorFlow的特点
1.5.2TensorFlow的使用公司和使用对象
1.5.3为什么Google要开源这个神器
1.6其他深度学习框架
1.7小结
1.8习题
第2章TensorFlow环境搭建
2.1安装环境介绍
2.1.1CUDA简介
2.1.2cuDNN简介
2.1.3查看GPU信息
2.2安装TensorFlow
2.2.1下载TensorFlow
2.2.2基于pip的安装
2.2.3基于Java的安装
2.2.4从源代码安装
2.3其他模块
2.3.1numpy模块
2.3.2matplotlib模块
2.3.3jupyter模块
2.3.4scikitimage模块
2.3.5librosa模块
2.3.6nltk模块
2.3.7keras模块
2.3.8tflearn模块
2.4文本编辑器
2.4.1Geany
2.4.2Sublime Text
2.4.3IDLE
2.4.4PyCharm
2.5TensorFlow测试样本
2.6小结
2.7习题
第3章TensorFlow可视化
3.1PlayGround
3.1.1数据
3.1.2特征
3.1.3隐藏层
3.1.4输出
3.2TensorBoard
3.3TensorBoard代码
3.4小结
3.5习题
第4章TensorFlow基础知识
4.1张量
4.1.1张量的属性
4.1.2张量的创建
4.1.3TensorFlow的交互式运行
4.2数据流图
4.3操作
4.4会话
4.5变量
4.5.1初始化
4.5.2形变
4.5.3数据类型与维度
4.5.4其他操作
4.5.5共享变量
4.6矩阵的创建与操作
4.7模型的保存与读取
4.7.1保存模型
4.7.2载入模型
4.7.3从磁盘读取信息
4.8批标准化
4.9使用GPU
4.9.1指定GPU设备
4.9.2指定GPU的显存占用
4.10神经元函数
4.10.1激活函数
4.10.2卷积函数
4.10.3分类函数
4.11优化方法
4.12队列与线程
4.12.1队列
4.12.2队列管理器
4.12.3线程和协调器
4.13读取数据源
4.13.1placeholder填充数据
4.13.2文件读入数据
4.13.3预先读入内存方式
4.14创建分类器
4.15小结
4.16习题
第5章TensorFlow聚类分析
5.1无监督学习
5.2聚类的概念
5.3k均值聚类算法
5.3.1k均值聚类算法迭代判据
5.3.2k均值聚类算法的机制
5.3.3k均值聚类算法的优缺点
5.3.4k均值聚类算法的实现
5.4k最近邻算法
5.4.1实例分析
5.4.2k最近邻算法概述
5.4.3模型和三要素
5.4.4kNN算法的不足
5.5k均值聚类算法的典型应用
5.5.1实例： 对人工数据集使用k均值聚类算法
5.5.2实例： 对人工数据集使用k最近邻算法
5.5.3实例： 对图像识别使用k最近邻算法
5.6小结
5.7习题
第6章TensorFlow回归分析
6.1求逆矩阵
6.2矩阵分解
6.3实例： TensorFlow实现线性回归算法
6.4选择损失函数
6.4.1最小化损失函数
6.4.2实例： TensorFlow实现线性回归损失函数
6.5TensorFlow的其他回归算法
6.5.1戴明回归算法
6.5.2岭回归与lasso回归算法
6.5.3弹性网络回归算法
6.6逻辑回归分析
6.6.1逻辑回归
6.6.2损失函数
6.6.3实例： TensorFlow实现逻辑回归算法
6.7小结
6.8习题
第7章TensorFlow支持向量机
7.1支持向量机简介
7.1.1几何间隔和函数间隔
7.1.2最大化间隔
7.1.3软间隔
7.1.4SMO算法
7.1.5核函数
7.1.6实例： TensorFlow实现支持向量机
7.2非线性支持向量机
7.2.1风险最小化
7.2.2VC维
7.2.3结构风险最小化
7.2.4松弛变量
7.2.5实例： TensorFlow实现非线性支持向量机
7.3实例： TensorFlow实现多类支持向量机
7.4小结
7.5习题
第8章深度神经网络基础知识
8.1神经元
8.1.1神经元的结构
8.1.2神经元的功能
8.2简单神经网络
8.3深度神经网络
8.4梯度下降
8.4.1批量梯度下降法
8.4.2随机梯度下降法
8.4.3小批量梯度下降法
8.4.4实例： 梯度下降法
8.5前向传播
8.5.1前向传播算法数学原理
8.5.2DNN的前向传播算法
8.6后向传播
8.6.1求导链式法则
8.6.2后向传播算法思路
8.6.3后向传播算法的计算过程
8.6.4实例： 实现一个简单的二值分类算法
8.7优化函数
8.7.1随机梯度下降优化法
8.7.2动量优化法
8.7.3Adagrad优化法
8.7.4Adadelta优化法
8.7.5Adam优化法
8.8实例： TensorFlow实现简单深度神经网络
8.9小结
8.10习题
第9章TensorFlow实现卷积神经网络
9.1卷积神经网络的概述
9.1.1什么是卷积神经网络
9.1.2为什么要用卷积神经网络
9.1.3卷积神经网络的结构
9.1.4实例： 简单卷积神经网络的实现
9.2卷积神经网络的函数
9.3AlexNet
9.4TensorFlow实现ResNet
9.4.1ResNet的基本原理
9.4.2实例： TensorFlow实现ResNet
9.5TesnorFlow卷积神经网络的典型应用
9.6反卷积神经网络
9.6.1反卷积原理
9.6.2反卷积操作
9.6.3实例： TensorFlow实现反卷积
9.6.4反池化原理
9.6.5实例： TensorFlow实现反池化
9.6.6偏导计算
9.6.7梯度停止
9.7深度学习的训练技巧
9.7.1优化卷积核技术
9.7.2多通道卷积技术
9.8小结
9.9习题
第10章TensorFlow实现循环神经网络
10.1循环神经网络的概述
10.1.1循环神经网络的结构
10.1.2实例： 简单循环神经网络的实现
10.2长短时记忆网络
10.2.1LSTM的网络结构
10.2.2LSTM的前向计算
10.2.3实例： LSTM的实现
10.3自然语言建模
10.4实例： BiRNN实现语音识别
10.4.1语音识别背景
10.4.2获取并整理样本
10.4.3训练模型
10.5Seq2Seq任务
10.5.1Seq2Seq任务介绍
10.5.2EncoderDecoder框架
10.5.3实例： TensorFlow实现Seq2Seq翻译
10.5.4实例： 比特币市场的分析与预测
10.6小结
10.7习题
第11章TensorFlow实现深度神经网络
11.1深度神经网络的起源
11.2模型介绍
11.2.1AlexNet模型
11.2.2VGG模型
11.2.3GoogleNet模型
11.2.4残差网络
11.2.5InceptionResNetv2结构
11.2.6其他的深度神经网络结构
11.3实例： VGG艺术风格转移
11.4生成式对抗网络
11.4.1GAN的理论知识
11.4.2生成式模型的应用
11.4.3discriminator和generator损失计算
11.4.4基于深度卷积的GAN
11.4.5指定类别生成模拟样本的GAN
11.5实例： 构建InfoGAN生成MNIST模拟数据
11.6小结
11.7习题
参考文献
|
| 內容試閱：
|
前言
深度神经网络（Deep Neural Network，DNN），也称深度学习，是人工智能领域的重要分支，是目前许多AI应用的基础。自从深度学习在语音识别和图像识别任务中取得突破性成果后，使用深度学习的应用数量开始呈爆炸式增加。深度学习方法被大量应用在身份识别、无人驾驶、癌症检测、游戏AI等方面，甚至在许多领域，深度神经网络的准确度已经超过人类自身的操作。
从2005年到2011年，出现了多种廉价的数据捕获设备（具有集成GPS、数百万像素相机和重力传感器的手机）和新型高维数据捕获装置（3D LIDAR和光学系统，IoT设备等），它们使获得前所未有的大量信息成为可能。
此外，在硬件领域，摩尔定律的尽头已经近在咫尺，这促使了大量并行设备的开发，使其用于训练同一模型的数据成倍增长。
硬件和数据可用性方面的进步使研究人员能够重新审视先驱者基于视觉的神经网络架构（卷积神经网络等）的工作，将它们用于解决许多新的问题。
深度学习的数学原理并不复杂，但它的一些设计思想很巧妙。入门深度学习，在数学方面只要知道如何对函数求导以及知道与矩阵相乘相关的知识即可。深度学习的入门门槛甚至比传统机器学习算法还要低。
TensorFlow在众多开源框架中，几乎一家独大，使用TensorFlow的人越多，社区就越活跃，遇到问题就越容易解决，相关的开源项目也会越多。
本书以TensorFlow作为使用工具，从简单的加法运算操作开始，介绍TensorFlow环境的搭建、基本使用方法，然后实现一个最简单的只有两个参数的模型，接着实现图像识别、语音识别、自然语言处理等一些高级应用。书中还用4章内容介绍深度神经网络的原理和应用。
本书特点
书中内容由浅入深，既有原理介绍，又有实战操作，使读者可以学以致用。
本书知识全面，介绍详尽，即使没有深度学习基础的读者，通过本书的学习也可以快速上手，掌握理论基础知识。
书中使用TensorFlow库实现各种模型，这样既可以降低读者的学习门槛，又可以为解决问题提供详细的方法。
本书具有超强的实用性，书中提供了从单个神经元到对抗神经网络，从有监督学习到半监督学习，从简单的数据分类到语音、图像分类等一系列前沿技术，让读者随时可以查阅和参考。
本书主要内容
第1章 人工智能简介，介绍什么是人工智能，什么是深度学习，以及深度学习有哪些方法等，让读者简单了解人工智能。
第2章 TensorFlow环境搭建，介绍TensorFlow的安装环境、安装方法以及相关模块等内容，向读者展示TensorFlow的使用环境。
第3章 TensorFlow可视化，从PlayGround和TensorBoard这两方面介绍可视化，带读者领略TensorFlow可视化功能。
第4章 TensorFlow基础知识，从张量、数据流图、会话、变量、矩阵操作等内容介绍TensorFlow基础知识，让读者体会TensorFlow基本功能。
第5章 TensorFlow聚类分析，从k均值聚类算法、k最近邻算法等内容，向读者介绍聚类分析是什么，怎样定义相似性标准。
第6章 TensorFlow回归分析，通过矩阵分析、线性回归、戴明回归、逻辑回归等内容介绍回归分析，帮助读者通过数学模型来解释不同的现象。
第7章 TensorFlow支持向量机，从线性支持向量机、非线性支持向量机两大方面向读者详细地介绍怎样利用支持向量机方法寻求最优。
第8章 深度神经网络基础知识，通过神经元、简单神经网络、深度神经网络、前向传播、反射传播等内容向读者全面阐述神经网络的发展动向。
第9章 TensorFlow实现卷积神经网络，通过卷积神经网络的概念、实现、相关函数以及反卷积神经网络等内容，向读者讲解卷积神经网络的功能和实际应用。
第10章 TensorFlow实现循环神经网络，通过循环神经网络的结构、实现、长短时记忆网络、自然语言建模等内容，向读者详细地介绍这个对时序数据非常有用的框架。
第11章 TensorFlow实现深度神经网络，通过深度神经网络的起源、模型、艺术风格、生成式对抗网络等内容，向读者介绍各种深度模型，并由简单神经元介绍到对抗神经网络。
配套资源
本书提供PPT课件、源代码、习题答案等资料，请扫描此处二维码或到清华大学出版社官方网站本书页面下载。
由于时间仓促，加之作者水平有限，错误和疏漏之处在所难免，诚恳期望得到各领域专家和广大读者的批评指正，请发送邮件到workemail 6@163.com。
作者
2020年4月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
