幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

TensorFlow深度學習(手把手教你掌握100個精彩案例Python版)/人工智慧科學與技術叢書

  • 作者：編者:柯博文|責編:盛東亮//鍾志芳
  • 出版社：清華大學
  • ISBN：9787302578093
  • 出版日期：2022/01/01
  • 裝幀：平裝
  • 頁數：370
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是一本系統論述TensorFlow編程的新形態圖書（含紙質圖書、程序代碼及微課視頻）。全書分為22章：第1?5章介紹了TensorFlow基礎；第6?8章介紹了神經網路多層感知層編程；第9?12章介紹了人工智慧數學；第13章介紹了存儲和讀取；第14章介紹了回歸預測數據結果；第15?17章介紹了圖形辨識和CNN；第18?20章介紹了CNN數學基礎；第21?22章介紹了物體的影像辨識。
    為便於讀者高效學習，快速掌握人工智慧和機器學習編程與實踐，本書提供所有實例的完整源代碼，並配套製作了微課視頻。本書適合作為廣大高校電腦專業相關課程的教材，也可以作為從事深度學習與機器學習技術開發者的參考用書。
作者介紹
編者:柯博文|責編:盛東亮//鍾志芳
    柯博文，美國矽谷的科技公司創業者，LoopTek公司CTO，擁有20多年的實際開發經驗。長期專註于Android、iPhone、Raspberry Pi的應用開發。在谷歌、蘋果等應用商店開發銷售近百款應用軟體，以及多款硬體商品；併為國泰世華銀行、台灣房屋、台北市衛生局、中國移動等多家大型知名企業、機構開發相關軟體產品。曾任中國電子視像行業協會顧問、台灣工研院資通所顧問。致力推廣Raspberry Pi和手機應用，在全球多個城市都定期舉辦教學與推廣活動，並在全球多個教育培訓機構講授相關課程。出版多部暢銷圖書。
目錄
第1章  Python程序設計語言
  1.1  Python程序設計語言歷史
  1.2  Python程序設計語言簡介
  1.3  Python版本簡介
第2章  安裝和運行Python開發環境
  2.1  在Windows操作系統中安裝Python
  2.2  在Windows操作系統中測試與運行Python
  2.3  在Mac操作系統中安裝Python
  2.4  在Mac操作系統中測試與運行Python
  2.5  在Linux和樹莓派中安裝Python
  2.6  在Linux或樹莓派中測試與運行Python
第3章  開發程序和工具
  3.1  我的第1個Windows版Python程序
  3.2  我的第1個Mac、Linux和樹莓派版Python程序
  3.3  開發和調試工具的下載和安裝
  3.4  打開PyCharm
  3.5  用PyCharm創建項目
  3.6  調試項目
  3.7  安裝Anaconda
  3.8  使用Anaconda
  3.9  pip安裝包
  3.10  本書需要安裝的第三方函數庫列表
第4章  TensorFlow簡介和安裝
  4.1  TensorFlow簡介
  4.2  安裝TensorFlow
  4.3  TensorFlow測試
第5章  顯卡確認
  5.3  安裝Python 的TensorFlow-GPU函數庫
  5.4  運行TensorFlow-GPU程序
  5.5  通過程序指定GPU顯卡
  5.6  指定GPU顯卡內存上限
第6章  TensorFlow神經網路模型快速上手
  6.1  人工智慧開發步驟
  6.2  創建訓練集
  6.3  構建模型
  6.4  編譯
  6.5  訓練
  6.6  評估正確率
  6.7  預測
第7章  TensorFlow改善神經網路模型MLP的準確率
  7.1  模型不同的寫法
  7.2  TensorFlow與Keras 函數庫的關係和差異
  7.3  標記處理獨熱編碼
  7.4  處理多個特徵值
  7.5  通過改變深度學習訓練次數改善預測結果
  7.6  通過改變深度學習每次訓練的數據量改善預測結果
  7.7  通過增加神經元的數量改善預測結果
  7.8  通過增加隱藏層的數量改善預測結果
  7.9  通過增加訓練集的數據筆數改善訓練結果
  7.10  使預測正確率達到100%

第8章  TensorFlow神經網路模型實戰案例
  8.1  鳶尾花的種類判斷
  8.2  鳶尾花植物辨識資料庫
  8.3  利用Python處理Excel文檔
  8.4  下載並存儲鳶尾花數據
  8.5  多層感知器模型
  8.6  使用TensorFlow.keras 創建模型
  8.7  澳大利亞堪培拉天氣預測
  8.8  Excel數據的提取和存儲
  8.9  CSV數據的提取、處理和存儲
  8.10  處理天氣記錄的Excel數據
  8.11  使用神經網路模型MLP預測天氣
第9章  TensorFlow神經網路神經元
  9.1  神經網路圖形工具
  9.2  神經網路圖形工具的TensorFlow數據
  9.3  神經網路圖形工具對應的TensorFlow程序
  9.4  調整隱藏層和神經元
  9.5  用最少的隱藏層和神經元區分數據
  9.6  通過TensorFlow 計算權重和偏移量
  9.7  將神經元的權重和偏移量用表達式表示
  9.8  用TensorFlow畫出神經元的權重和偏移量
  9.9  binary_crossentropy 二元法的處理
  9.10  自定義數據驗證回歸和神經元的關係
  9.11  激活函數
  9.12  多個神經元
第10章  MLP神經網路的數學理論
  10.1  激活函數Sigmoid的數學理論
  10.2  激活函數Tanh的數學理論
  10.3  激活函數ReLU的數學理論
  10.4  使用激活函數的目的
  10.5  MLP的計算公式
  10.6  兩層神經元的數學計算
第11章  TensorFlow神經網路隱藏層
  11.1  隱藏層的作用
  11.2  隱藏層的數學原理
  11.3  MLP實例XOR問題
  11.4  空間轉換
  11.5  再次切割
  11.6  隱藏層的設置
第12章  TensorFlow神經網路最短路徑演算法
  12.1  圖形顯示訓練過程歷史
  12.2  深度學習優化——最短路徑演算法
  12.3  Adam演算法
  12.4  SGD演算法
  12.5  RMSprop演算法
  12.6  Adagrad、Adadelta、Nadam和Momentum演算法
  12.7  選擇優化演算法的方法
  12.8  特徵值數據標準化
  12.9  優化學習率
  12.10  編譯模型的metrics 指針

第13章  TensorFlow神經網路訪問模型和訓練結果
  13.1  TensorBoard的使用
  13.2  保存模型和訓練后的結果
  13.3  提取模型系統結構和模型權重
  13.4  通過Callback每次訓練存儲權重一次
  13.5  自動判斷是否需要訓練模型
  13.6  分批次訓練
第14章  TensorFlow神經網路MLP回歸
  14.1  回歸的神經網路開發方法
  14.2  神經網路回歸的metrics 指針
  14.3  單次梯度更新函數
  14.4  損失函數與代價函數
  14.5  波士頓房屋價格的資料庫分析
  14.6  將波士頓房屋價格數據下載存儲至Excel和CSV
  14.7  特徵關係
  14.8  使用回歸神經網路MLP預測波士頓房屋價格
  14.9  調整神經網路使MLP回歸更加準確
  14.10  MLP回歸分批繼續訓練
  14.11  波士頓房屋價格的預測單次梯度更新
第15章  圖像識別
  15.1  模式識別原理
  15.2  將圖片轉換成特徵值
  15.3  多層感知器MLP實戰模式識別
  15.4  實戰手寫數字圖片數據集MNIST
  15.5  顯示MNIST中每一筆數據內容
  15.6  圖形顯示MNIST內的數據
  15.7  顯示多張圖片
  15.8  圖形和文字的識別原理
  15.9  將圖形數據轉換為MLP訓練集
  15.10  使用MLP識別圖形和文字
  15.11  服飾數據集的模式識別
  15.12  圖形化顯示服飾數據集
  15.13  使用MLP識別服飾數據集
第16章  卷積神經網路
  16.1  CNN簡介
  16.2  CNN和MLP的差異
  16.3  CNN快速上手
  16.4  CNN做手寫數字圖片識別之特徵值的處理
  16.5  CNN做手寫數字圖片識別之模型
  16.6  CNN做手寫數字圖片識別之訓練和預測
  16.7  CNN做手寫數字圖片識別之減少訓練時間
  16.8  通過CNN提高圖片識別率
  16.9  使用CNN識別服飾種類
  16.10  使用CNN識別彩色圖片
  16.11  使用CNN識別100種人物和物體
  16.12  TensorFlow Datasets函數庫
  16.13  使用和整理TensorFlow Datasets函數庫
第17章  OpenCV和CNN即時識別
  17.1  OpenCV簡介
  17.2  使用OpenCV顯示圖片

  17.3  使用OpenCV打開攝像機並捕捉實時畫面
  17.4  使用OpenCV存儲照片
  17.5  通過攝像機識別的一個手寫數字
  17.6  OpenCV手寫程序
  17.7  即時手寫識別App
  17.8  改善實際運用上的準確度
  17.9  二值化
第18章  卷積神經網路原理
  18.1  Conv2D函數的數學原理
  18.2  Conv2D函數對圖片每一個點的處理
  18.3  Conv2D函數對邊緣的處理
  18.4  使用Conv2D函數顯示圖片
  18.5  參數kernel_size 和padding的差異
  18.6  濾鏡數量的意義
  18.7  激活函數的意義
  18.8  多層Conv2D函數
  18.9  多層池化層MaxPooling2D函數
  18.10  池化層計算方法
  18.11  平均池化Average Pooling
  18.12  均值池化MeanPooling
第19章  利用卷積神經網路提高準確率的技巧
  19.1  利用ImageDataGenerator函數創建更多訓練集
  19.2  利用width_shift_range參數水平移動圖片
  19.3  利用rotation_range參數旋轉圖片
  19.4  利用zoom_range參數放大縮小圖片
  19.5  利用brightness_range參數調整明暗度
  19.6  height_shift_range、fill_mode及cval參數
  19.7  將ImageDataGenerator用於MNIST數據
  19.8  二值化和更多神經元
  19.9  MNIST手寫預測
  19.10  混淆數組Confusion Matrix
第20章  圖學網路應用模塊
  20.1  圖學網路應用模塊
  20.2  使用VGG16預測1000種對象
  20.3  自製VGG16模型
  20.4  將模型存儲成圖片
  20.5  使用VGG16模型做CIFAR-10彩色數據訓練
  20.6  使用VGG16模型做MNIST_fashion灰度數據訓練
  20.7  使用攝像機和VGG16模型即時識別10 000種對象
  20.8  圖學網路應用模塊VGG19
  20.9  圖學網路應用模塊ResNet50
  20.10  圖學網路應用模塊Xception
  20.11  圖學網路應用模塊 InceptionV3
  20.12  圖學網路應用模塊InceptionResNetV2
  20.13  圖學網路應用模塊NASNetLarge
  20.14  圖學網路應用模塊DenseNet121
第21章  多影像識別實戰
  21.1  創建或設計識別圖片
  21.2  創建訓練圖庫
  21.3  訓練圖庫

  21.4  結合攝像機即時判斷訓練的圖庫
  21.5  使用VGG16訓練和測試圖庫
  21.6  使用OpenCV找出多個物體
  21.7  多對象的預測
  21.8  利用攝像機做多對象的預測
  21.9  文字的即時識別
第22章  多影像識別技術
  22.1  多對象檢測和多影像識別技術
  22.2  Mask R-CNN簡介
  22.3  Mask R-CNN使用
  22.4  取得預測率和對象位置
  22.5  Mask R-CNN結合OpenCV和攝像機即時識別
  22.6  通過Mask R-CNN判斷視頻上的多對象並存儲視頻
  22.7  準備訓練圖片
  22.8  訓練自己的Mask R-CNN權重
  22.9  測試自己訓練的物體
  22.10  調整訓練程序
  22.11  使用Mask R-CNN識別多個氣球的位置
  22.12  TensorFlow 1.14和TensorFlow 2.1版本程序差異

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032