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

深度學習入門與TensorFlow實踐/深度學習系列

  • 作者：林炳清|責編:謝曉芳
  • 出版社：人民郵電
  • ISBN：9787115575333
  • 出版日期：2022/02/01
  • 裝幀：平裝
  • 頁數：326
人民幣：RMB 99.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書首先介紹深度學習方面的數學知識與Python基礎知識，線性模型中的線性回歸模型和logistic模型；然後講述正向傳播演算法、反向傳播演算法及深度神經網路的完整訓練流程，輸出層的激活函數和隱藏層的常見激活函數，深度學習的過擬合和欠擬合，應對過擬合的方法，以及使用TensorFlow 2建立深度神經網路模型的步驟；接著介紹卷積神經網路及其兩個重要的組成部分—卷積和池化，以及如何使用TensorFlow 2建立卷積神經網路；最後討論如何從零開始實現循環神經網路，如何搭建深度學習框架，如何使用TensorFlow 2建立循環神經網路模型。
    本書既可供從事人工智慧方面研究的專業人士閱讀，也可供電腦專業的師生閱讀。
作者介紹
林炳清|責編:謝曉芳
目錄
第1章  深度學習簡介
  1.1  什麼是深度學習
    1.1.1  機器學習簡介
    1.1.2  深度學習與傳統機器學習演算法的區別
    1.1.3  深度學習與人類神經網路的關係
  1.2  為什麼需要學習深度學習
  1.3  誰需要學習深度學習
  1.4  學深度學習之後，你可以做什麼
  1.5  本章小結
第2章  數學和Python基礎知識
  2.1  線性代數
    2.1.1  數、向量、矩陣和張量
    2.1.2  矩陣的轉置
    2.1.3  矩陣的基本運算
    2.1.4  向量和矩陣的范數
  2.2  微積分
    2.2.1  導數的概念
    2.2.2  求導法則
  2.3  概率論
    2.3.1  隨機變數
    2.3.2  隨機變數的分佈
    2.3.3  常見的概率分佈
    2.3.4  條件概率
  2.4  Anaconda
    2.4.1  安裝Anaconda
    2.4.2  包的管理
    2.4.3  環境的管理
  2.5  Jupyter Notebook
    2.5.1  安裝Jupyter Notebook
    2.5.2  打開和關閉Jupyter Notebook
    2.5.3  代碼框
    2.5.4  標記框
  2.6  Python
    2.6.1  Python基礎
    2.6.2  Python基本數據結構
    2.6.3  控制結構和函數
    2.6.4  NumPy庫
    2.6.5  Pandas
    2.6.6  畫圖工具
  2.7  本章小結
第3章  線性模型
  3.1  線性回歸模型
    3.1.1  線性回歸模型簡介
    3.1.2  隨機梯度下降法
    3.1.3  全數據梯度下降法
    3.1.4  批量隨機梯度下降法
    3.1.5  學習步長
    3.1.6  標準化和中心化
    3.1.7  3種梯度下降法的對比
  3.2  logistic模型

    3.2.1  logistic模型簡介
    3.2.2  估計 和
  3.3  本章小結
  習題
第4章  深度神經網路
  4.1  為什麼需要深度神經網路
    4.1.1  簡單神經網路
    4.1.2  具有隱藏層的神經網路
  4.2  正向傳播演算法
  4.3  反向傳播演算法
  4.4  深度神經網路的完整訓練流程
    4.4.1  隨機梯度下降法
    4.4.2  批量隨機梯度下降法
  4.5  本章小結
  習題
第5章  激活函數
  5.1  激活函數的基本要求
  5.2  輸出層的激活函數
    5.2.1  因變數為定量數據
    5.2.2  因變數為二分類定性數據
    5.2.3  因變數為多分類定性數據
    5.2.4  識別MNIST數據集中的手寫數字
  5.3  隱藏層的激活函數
    5.3.1  sigmoid函數
    5.3.2  tanh函數
    5.3.3  ReLU函數
    5.3.4  Leaky ReLU函數
  5.4  本章小結
  習題
第6章  模型評估和正則化
  6.1  模型評估
  6.2  欠擬合和過擬合
  6.3  正則化
    6.3.1  早停法
    6.3.2  懲罰法
    6.3.3  丟棄法
    6.3.4  增加觀測點
  6.4  本章小結
  習題
第7章  基於TensorFlow 2建立深度學習模型
  7.1  安裝TensorFlow
  7.2  TensorFlow 2基本用法
    7.2.1  tf.Tensor
    7.2.2  TensorFlow 2和NumPy的兼容性
  7.3  深度神經網路建模基本步驟
    7.3.1  創建模型結構
    7.3.2  訓練模型
    7.3.3  評估和預測模型
  7.4  基於TensorFlow 2建立線性回歸模型
  7.5  基於TensorFlow 2建立神經網路分類模型

    7.5.1  神經網路分類模型
    7.5.2  神經網路模型的正則化
  7.6  本章小結
  習題
第8章  卷積神經網路
  8.1  卷積層
    8.1.1  卷積運算
    8.1.2  卷積層運算
    8.1.3  卷積運算的直觀理解
    8.1.4  填充
    8.1.5  卷積層求導
    8.1.6  用Python實現卷積層的計算
  8.2  池化層
    8.2.1  池化運算
    8.2.2  池化層求導
    8.2.3  用Python實現池化層的計算
  8.3  卷積神經網路
  8.4  本章小結
  習題
第9章  基於TensorFlow 2搭建卷積神經網路模型
  9.1  卷積層和池化層
  9.2  CNN實例——MNIST數據集和CIFAR-10數據集
    9.2.1  關於MNIST數據集的實例
    9.2.2  關於CIFAR-10數據集的實例
  9.3  CNN建模技巧
    9.3.1  卷積神經網路的結構
    9.3.2  卷積層和池化層的超參數選擇
    9.3.3  經典的卷積神經網路
  9.4  本章小結
  習題
第10章  循環神經網路
  10.1  分析IMDB的數據
    10.1.1  IMDB的數據
    10.1.2  神經網路模型（IMDB）
  10.2  詞嵌入
  10.3  循環神經網路
  10.4  從零開始實現循環神經網路
    10.4.1  莎士比亞作品應用示例
    10.4.2  正向傳播演算法
    10.4.3  反向傳播演算法
  10.5  本章小結
  習題
第11章  搭建深度學習框架
  11.1  類Tensor和自動求導
    11.1.1  類
    11.1.2  類Tensor
    11.1.3  自動求導
  11.2  為Tensor類添加運算函數並建立神經網路模型
    11.2.1  為Tensor類添加運算函數
    11.2.2  使用Tensor類建立神經網路模型

  11.3  類SGD、類Layer和激活函數
    11.3.1  類SGD
    11.3.2  類Layer
    11.3.3  激活函數
  11.4  詞嵌入和循環神經網路
    11.4.1  詞嵌入
    11.4.2  循環神經網路
  11.5  本章小結
  習題
第12章  長短期記憶模型與門控循環單元模型
  12.1  簡單循環神經網路的主要缺陷
  12.2  長短期記憶模型
    12.2.1  LSTM模型的核心思想
    12.2.2  詳解LSTM模型
    12.2.3  實現LSTM模型
  12.3  門控循環單元模型
    12.3.1  詳解GRU模型
    12.3.2  實現GRU模型
  12.4  本章小結
  習題
第13章  基於TensorFlow 2搭建循環神經網路模型
  13.1  建立LSTM模型
    13.1.1  預處理數據
    13.1.2  基於TensorFlow建立LSTM模型
  13.2  基於TensorFlow建立GRU模型
  13.3  本章小結
  習題

  • 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