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

深度學習案例精粹(基於TensorFlow與Keras)/人工智慧技術叢書

  • 作者：編者:王曉華|責編:夏毓彥
  • 出版社：清華大學
  • ISBN：9787302596516
  • 出版日期：2022/01/01
  • 裝幀：平裝
  • 頁數：204
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以實戰為主，通過豐富的實戰案例向讀者介紹深度學習可應用和落地的項目，書中所有案例都基於Python+TensorFlow 2.5+Keras技術，可用於深度學習課程的實戰訓練。本書配套示例源碼、PPT課件、思維導圖、數據集、開發環境與答疑服務。
    全書共分11章。第1章講解深度學習的概念、流程、應用場景、模型分類和框架選擇，第2?11章列舉深度學習的項目實戰案例，包括手寫體識別、數據集分類、情感分類、文本情感分類、編碼器、漢字拼音轉換、中文文本分類、多標籤文本分類、人臉檢測、人臉識別、語音漢字轉換。
    本書內容詳盡、案例豐富，是深度學習初學者必備的參考書，適合有基礎、亟待提升自己技術水平的人工智慧從業人員，也可作為高等院校和培訓機構人工智慧及相關專業的教材使用。
作者介紹
編者:王曉華|責編:夏毓彥
目錄
第1章  深度學習與應用框架
  1.1  深度學習的概念
    1.1.1  何為深度學習
    1.1.2  與傳統的「淺層學習」的區別
  1.2  案例實戰：文本的情感分類
    1.2.1  第一步：數據的準備
    1.2.2  第二步：數據的處理
    1.2.3  第三步：模型的設計
    1.2.4  第四步：模型的訓練
    1.2.5  第五步：模型的結果和展示
  1.3  深度學習的流程、應用場景和模型分類
    1.3.1  深度學習的流程與應用場景
    1.3.2  深度學習的模型分類
  1.4  主流深度學習的框架對比
    1.4.1  深度學習框架的選擇
    1.4.2  本書選擇：Keras與TensorFlow
  1.5  本章小結
第2章  實戰卷積神經網路——手寫體識別
  2.1  卷積神經網路理論基礎
    2.1.1  卷積運算
    2.1.2  TensorFlow中的卷積函數
    2.1.3  池化運算
    2.1.4  softmax激活函數
    2.1.5  卷積神經網路原理
  2.2  案例實戰：MNIST手寫體識別
    2.2.1  MNIST數據集的解析
    2.2.2  MNIST數據集的特徵和標籤
    2.2.3  TensorFlow 2.X編碼實現
    2.2.4  使用自定義的卷積層實現MNIST識別
  2.3  本章小結
第3章  實戰ResNet——CIFAR-100數據集分類
  3.1  ResNet理論基礎
    3.1.1  ResNet誕生的背景
    3.1.2  模塊工具的TensorFlow實現
    3.1.3  TensorFlow高級模塊layers
  3.2  案例實戰：CIFAR-100數據集分類
    3.2.1  CIFAR-100數據集的獲取
    3.2.2  ResNet殘差模塊的實現
    3.2.3  ResNet網路的實現
    3.2.4  使用ResNet對CIFAR-100數據集進行分類
  3.3  本章小結
第4章  實戰循環神經網路GRU——情感分類
  4.1  情感分類理論基礎
    4.1.1  複習簡單的情感分類
    4.1.2  什麼是GRU
    4.1.3  TensorFlow中的GRU層
    4.1.4  雙向GRU
  4.2  案例實戰：情感分類
    4.2.1  使用TensorFlow自帶的模型來實現分類
    4.2.2  使用自定義的DPCNN來實現分類

  4.3  本章小結
第5章  實戰圖卷積——文本情感分類
  5.1  圖卷積理論基礎
    5.1.1  「節點」「鄰接矩陣」和「度矩陣」的物理意義
    5.1.2  圖卷積的理論計算
    5.1.3  圖卷積神經網路的傳播規則
  5.2  案例實戰：Cora數據集文本分類
    5.2.1  Cora數據集簡介
    5.2.2  Cora數據集的讀取與數據處理
    5.2.3  圖卷積模型的設計與實現
    5.2.4  圖卷積模型的訓練與改進
  5.3  案例實戰：基於圖卷積的情感分類（圖卷積前沿內容）
    5.3.1  文本結構化處理的思路與實現
    5.3.2  使用圖卷積對文本進行分類實戰
    5.3.3  圖卷積模型的改進
  5.4  本章小結
第6章  實戰自然語言處理——編碼器
  6.1  編碼器理論基礎
    6.1.1  輸入層——初始詞向量層和位置編碼器層
    6.1.2  自注意力層
    6.1.3  ticks和LayerNormalization
    6.1.4  多頭自注意力
  6.2  案例實戰：簡單的編碼器
    6.2.1  前饋層的實現
    6.2.2  編碼器的實現
  6.3  案例實戰：漢字拼音轉化模型
    6.3.1  漢字拼音數據集處理
    6.3.2  漢字拼音轉化模型的確定
    6.3.3  模型訓練部分的編寫
    6.3.4  推斷函數的編寫
  6.4  本章小結
第7章  實戰BERT——中文文本分類
  7.1  BERT理論基礎
    7.1.1  BERT基本架構與應用
    7.1.2  BERT預訓練任務與Fine-Tuning
  7.2  案例實戰：中文文本分類
    7.2.1  使用Hugging Face獲取BERT預訓練模型
    7.2.2  BERT實戰文本分類
  7.3  拓展：更多的預訓練模型
  7.4  本章小結
第8章  實戰自然語言處理——多標籤文本分類
  8.1  多標籤分類理論基礎
    8.1.1  多標籤分類不等於多分類
    8.1.2  多標籤分類的激活函數——sigmoid
  8.2  案例實戰：多標籤文本分類
    8.2.1  第一步：數據的獲取與處理
    8.2.2  第二步：選擇特徵抽取模型
    8.2.3  第三步：訓練模型的建立
    8.2.4  第四步：多標籤文本分類的訓練與預測
  8.3  本章小結

第9章  實戰MTCNN——人臉檢測
  9.1  人臉檢測基礎
    9.1.1  LFW數據集簡介
    9.1.2  Dlib庫簡介
    9.1.3  OpenCV簡介
    9.1.4  使用Dlib做出圖像中的人臉檢測
    9.1.5  使用Dlib和OpenCV建立人臉檢測數據集
  9.2  案例實戰：基於MTCNN模型的人臉檢測
    9.2.1  MTCNN模型簡介
    9.2.2  MTCNN模型的使用
    9.2.3  MTCNN模型中的一些細節
  9.3  本章小結
第10章  實戰SiameseModel——人臉識別
  10.1  基於深度學習的人臉識別模型
    10.1.1  人臉識別的基本模型SiameseModel
    10.1.2  SiameseModel的實現
    10.1.3  人臉識別數據集的準備
  10.2  案例實戰：基於相似度計算的人臉識別模型
    10.2.1  一種新的損失函數Triplet Loss
    10.2.2  基於TripletSemiHardLoss的MNIST模型
    10.2.3  基於TripletSemiHardLoss和SENET的人臉識別模型
  10.3  本章小結
第11章  實戰MFCC和CTC——語音轉換
  11.1  MFCC理論基礎
    11.1.1  MFCC
    11.1.2  CTC
  11.2  案例實戰：語音漢字轉換
    11.2.1  第一步：數據集THCHS-30簡介
    11.2.2  第二步：數據集的提取與轉化
  11.3  本章小結

  • 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