掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習原理與TensorFlow實踐 版權信息
- ISBN：9787121312984
- 條形碼：9787121312984 ; 978-7-121-31298-4
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習原理與TensorFlow實踐 本書特色
本書主要介紹了深度學習的基礎原理和TensorFlow系統基本使用方法。TensorFlow是目前機器學習、深度學習領域*秀的計算系統之一，本書結合實例介紹了使用TensorFlow開發機器學習應用的詳細方法和步驟。同時，本書著重講解了用于圖像識別的卷積神經網絡和用于自然語言處理的循環神經網絡的理論知識及其TensorFlow實現方法，并結合實際場景和例子描述了深度學習技術的應用范圍與效果。本書非常適合對機器學習、深度學習感興趣的讀者，或是對深度學習理論有所了解，希望嘗試更多工程實踐的讀者，抑或是對工程產品有較多經驗，希望學習深度學習理論的讀者。
深度學習原理與TensorFlow實踐 內容簡介
與市面上已有的TensorFlow書相比，《深度學習原理與TensorFlow實踐》的特色在于一是所有案例來自作者團隊工作中的親身實踐，所選案例均是深度學習的經典應用，非常具有代表性；二是結合了深度學習的關鍵原理，強化讀者對深度學習及TensorFlow架構的理解，從而能在知其然、并知其所以然的基礎上，更好地運用TensorFlow來開發各類應用。
《深度學習原理與TensorFlow實踐》所梳理出來的清晰脈絡和關鍵知識點，必能讓讀者在內外兼修的基礎上，循序漸進地提升功力，在人工智能時代大放異彩。
深度學習原理與TensorFlow實踐 目錄
1 深度學習簡介 1
1.1 深度學習介紹 1
1.2 深度學習的趨勢 7
1.3 參考資料 10
2 TensorFlow系統介紹 12
2.1 TensorFlow誕生的動機 12
2.2 TensorFlow系統簡介 14
2.3 TensorFlow基礎概念 16
2.3.1 計算圖 16
2.3.2 Session會話 18
2.4 系統架構 19
2.5 源碼結構 21
2.5.1 后端執行引擎 22
2.5.2 前端語言接口 24
2.6 小結 24
2.7 參考資料 25
3 Hello TensorFlow 26
3.1 環境準備 26
3.1.1 Mac OS安裝 27
3.1.2 Linux GPU服務器安裝 28
3.1.3 常用Python庫 32
3.2 Titanic題目實戰 34
3.2.1 Kaggle平臺介紹 34
3.2.2 Titanic題目介紹 35
3.2.3 數據讀入及預處理 38
3.2.4 構建計算圖 40
3.2.5 構建訓練迭代過程 44
3.2.6 執行訓練 46
3.2.7 存儲和加載模型參數 47
3.2.8 預測測試數據結果 50
3.3 數據挖掘的技巧 51
3.3.1 數據可視化 52
3.3.2 特征工程 54
3.3.3 多種算法模型 57
3.4 TensorBoard可視化 58
3.4.1 記錄事件數據 58
3.4.2 啟動TensorBorad服務 60
3.5 數據讀取 62
3.5.1 數據文件格式 63
3.5.2 TFRecord 63
3.6 SkFlow、TFLearn與TF-Slim 67
3.7 小結 69
3.8 參考資料 69
4 CNN“看懂”世界 71
4.1 圖像識別的難題 72
4.2 CNNs的基本原理 74
4.2.1 卷積的數學意義 75
4.2.2 卷積濾波 77
4.2.3 CNNs中的卷積層 81
4.2.4 池化（Pooling） 83
4.2.5 ReLU 84
4.2.6 多層卷積 86
4.2.7 Dropout 86
4.3 經典CNN模型 87
4.3.1 AlexNet 88
4.3.2 VGGNets 95
4.3.3 GoogLeNet ＆ Inception 98
4.3.4 ResNets 106
4.4 圖像風格轉換 109
4.4.1 量化的風格 109
4.4.2 風格的濾鏡 116
4.5 小結 120
4.6 參考資料 121
5 RNN“能說會道” 123
5.1 文本理解和文本生成問題 124
5.2 標準RNN模型 128
5.2.1 RNN模型介紹 128
5.2.2 BPTT算法 130
5.2.3 靈活的RNN結構 132
5.2.4 TensorFlow實現正弦序列預測 135
5.3 LSTM模型 138
5.3.1 長期依賴的難題 138
5.3.2 LSTM基本原理 139
5.3.3 TensorFlow構建LSTM模型 142
5.4 更多RNN的變體 144
5.5 語言模型 146
5.5.1 NGram語言模型 146
5.5.2 神經網絡語言模型 148
5.5.3 循環神經網絡語言模型 150
5.5.4 語言模型也能寫代碼 152
5.5.5 改進方向 163
5.6 對話機器人 164
5.6.1 對話機器人的發展 165
5.6.2 基于seq2seq的對話機器人 169
5.7 小結 181
5.8 參考資料 182
6 CNN LSTM看圖說話 183
6.1 CNN LSTM網絡模型與圖像檢測問題 184
6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹 185
6.1.2 遮擋目標圖像檢測方法 187
6.1.3 ReInspect算法實現及模塊說明 188
6.1.4 ReInspect算法的實驗數據與結論 204
6.2 CNN LSTM網絡模型與圖像摘要問題 207
6.2.1 圖像摘要問題 208
6.2.2 NIC圖像摘要生成算法 209
6.2.3 NIC圖像摘要生成算法實現說明 214
6.2.4 NIC算法的實驗數據與結論 243
6.3 小結 249
6.4 參考資料 250
7 損失函數與優化算法 253
7.1 目標函數優化策略 254
7.1.1 梯度下降算法 254
7.1.2 RMSProp優化算法 256
7.1.3 Adam優化算法 257
7.1.4 目標函數優化算法小結 258
7.2 類別采樣（Candidate Sampling）損失函數 259
7.2.1 softmax類別采樣損失函數 261
7.2.2 噪聲對比估計類別采樣損失函數 281
7.2.3 負樣本估計類別采樣損失函數 286
7.2.4 類別采樣logistic損失函數 286
7.3 小結 287
7.4 參考資料 288
結語 289
1.1 深度學習介紹 1
1.2 深度學習的趨勢 7
1.3 參考資料 10
2 TensorFlow系統介紹 12
2.1 TensorFlow誕生的動機 12
2.2 TensorFlow系統簡介 14
2.3 TensorFlow基礎概念 16
2.3.1 計算圖 16
2.3.2 Session會話 18
2.4 系統架構 19
2.5 源碼結構 21
2.5.1 后端執行引擎 22
2.5.2 前端語言接口 24
2.6 小結 24
2.7 參考資料 25
3 Hello TensorFlow 26
3.1 環境準備 26
3.1.1 Mac OS安裝 27
3.1.2 Linux GPU服務器安裝 28
3.1.3 常用Python庫 32
3.2 Titanic題目實戰 34
3.2.1 Kaggle平臺介紹 34
3.2.2 Titanic題目介紹 35
3.2.3 數據讀入及預處理 38
3.2.4 構建計算圖 40
3.2.5 構建訓練迭代過程 44
3.2.6 執行訓練 46
3.2.7 存儲和加載模型參數 47
3.2.8 預測測試數據結果 50
3.3 數據挖掘的技巧 51
3.3.1 數據可視化 52
3.3.2 特征工程 54
3.3.3 多種算法模型 57
3.4 TensorBoard可視化 58
3.4.1 記錄事件數據 58
3.4.2 啟動TensorBorad服務 60
3.5 數據讀取 62
3.5.1 數據文件格式 63
3.5.2 TFRecord 63
3.6 SkFlow、TFLearn與TF-Slim 67
3.7 小結 69
3.8 參考資料 69
4 CNN“看懂”世界 71
4.1 圖像識別的難題 72
4.2 CNNs的基本原理 74
4.2.1 卷積的數學意義 75
4.2.2 卷積濾波 77
4.2.3 CNNs中的卷積層 81
4.2.4 池化（Pooling） 83
4.2.5 ReLU 84
4.2.6 多層卷積 86
4.2.7 Dropout 86
4.3 經典CNN模型 87
4.3.1 AlexNet 88
4.3.2 VGGNets 95
4.3.3 GoogLeNet ＆ Inception 98
4.3.4 ResNets 106
4.4 圖像風格轉換 109
4.4.1 量化的風格 109
4.4.2 風格的濾鏡 116
4.5 小結 120
4.6 參考資料 121
5 RNN“能說會道” 123
5.1 文本理解和文本生成問題 124
5.2 標準RNN模型 128
5.2.1 RNN模型介紹 128
5.2.2 BPTT算法 130
5.2.3 靈活的RNN結構 132
5.2.4 TensorFlow實現正弦序列預測 135
5.3 LSTM模型 138
5.3.1 長期依賴的難題 138
5.3.2 LSTM基本原理 139
5.3.3 TensorFlow構建LSTM模型 142
5.4 更多RNN的變體 144
5.5 語言模型 146
5.5.1 NGram語言模型 146
5.5.2 神經網絡語言模型 148
5.5.3 循環神經網絡語言模型 150
5.5.4 語言模型也能寫代碼 152
5.5.5 改進方向 163
5.6 對話機器人 164
5.6.1 對話機器人的發展 165
5.6.2 基于seq2seq的對話機器人 169
5.7 小結 181
5.8 參考資料 182
6 CNN LSTM看圖說話 183
6.1 CNN LSTM網絡模型與圖像檢測問題 184
6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹 185
6.1.2 遮擋目標圖像檢測方法 187
6.1.3 ReInspect算法實現及模塊說明 188
6.1.4 ReInspect算法的實驗數據與結論 204
6.2 CNN LSTM網絡模型與圖像摘要問題 207
6.2.1 圖像摘要問題 208
6.2.2 NIC圖像摘要生成算法 209
6.2.3 NIC圖像摘要生成算法實現說明 214
6.2.4 NIC算法的實驗數據與結論 243
6.3 小結 249
6.4 參考資料 250
7 損失函數與優化算法 253
7.1 目標函數優化策略 254
7.1.1 梯度下降算法 254
7.1.2 RMSProp優化算法 256
7.1.3 Adam優化算法 257
7.1.4 目標函數優化算法小結 258
7.2 類別采樣（Candidate Sampling）損失函數 259
7.2.1 softmax類別采樣損失函數 261
7.2.2 噪聲對比估計類別采樣損失函數 281
7.2.3 負樣本估計類別采樣損失函數 286
7.2.4 類別采樣logistic損失函數 286
7.3 小結 287
7.4 參考資料 288
結語 289
展開全部
深度學習原理與TensorFlow實踐 作者簡介
喻儼，百納信息（海豚瀏覽器）研發副總裁。2007年加入微軟亞洲工程院，2011年加入百納信息負責海外業務線，從0到1做過多個項目，現致力于AI和大數據產品的研究與應用。 莫瑜，先后任職于微軟和海豚瀏覽器，從事搜索引擎、音樂檢索/哼唱搜索、內容分發推薦算法和對話機器人技術研發。長期以來持續關注和實踐大規模數據算法性能優化、搜索引擎、推薦系統和人工智能技術。 王琛，英國愛丁堡大學人工智能專業碩士，現為百納信息技術有限公司人工智能方向負責人。早年參加過信息學奧林匹克競賽獲得河北省1名、全國三等獎，并保送進入中山大學。大學期間，在ACM競賽上也屢獲佳績。碩士畢業后就職于百度基礎架構部，參與大數據平臺研發工作，對大數據分析處理、分布式系統架構等方面都有比較深刻的理解。2014年加入百納，負責多個項目的研發，自2016年起負責人工智能方向的探索。 胡振邦，擁有博士學位，百納信息技術有限公司高級算法研究員，畢業于中國地質大學計算機學院地學信息工程專業。讀博期間，參與了關于遙感衛星圖像識別分析的863項目，并且是主要的研發人員。畢業以來，一直從事圖像識別方面的算法研發工作，主要方向包括目標檢測、圖文檢索、圖像分類與驗證等，在圖像處理、計算機視覺等方面都有深厚的積累和經驗。 高杰，是一位1980年出生于蘇北的“愛學習、能折騰、有情懷”的大叔。畢業于揚州中學特招班，1998年入學華中科技大學機械系，兼修管理、會計，自學計算機，2003年考入南京大學軟件學院，曾任德國西門子內部SAP咨詢師，還在中銀國際TMT投行、金山軟件集團投資部任過職，2015年與合伙人聯合創立了圖靈科技集團，與華爾街優秀交易團隊一起致力于量化交易、算法模型和人工智能在金融領域的應用，目前這家公司管理著超過20億元的資產，是細分市場的領先公司。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
月亮虎
- >
巴金－再思錄
- >
龍榆生：詞曲概論/大家小書
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
名家帶你讀魯迅:故事新編
- >
羅曼·羅蘭讀書隨筆-精裝
- >
有舍有得是人生
本類暢銷
