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(模型演算法原理與實戰)

  • 作者：編者:王振麗|責編:于先軍
  • 出版社：中國鐵道
  • ISBN：9787113305154
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：322
人民幣：RMB 79.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書循序漸進地講解了使用TensorFlow開發深度學習程序的核心知識，並通過具體實例的實現過程演練了使用TensorFlow的方法和流程。書中首先講解了TensorFlow深度學習基礎知識；然後介紹了數據集製作、前饋神經網路、卷積神經網路、循環神經網路、生成式對抗網路、自然語言處理、注意力機制、概率圖模型、深度信念網路、強化學習、無監督學習、TensorFlow Lite移動端與嵌入式輕量級開發、TensorFlow.js智能前端開發等實戰應用內容；最後通過開發姿勢預測器和智能客服系統，講解TensorFlow的綜合應用。
作者介紹
編者:王振麗|責編:于先軍
目錄
第1章  TensorFlow深度學習基礎
  1.1  人工智慧與深度學習概述
    1.1.1  人工智慧介紹
    1.1.2  機器學習
    1.1.3  深度學習
    1.1.4  機器學習和深度學習的區別
  1.2  TensorFlow綜述
    1.2.1  TensorFlow介紹
    1.2.2  TensorFlow的優勢
  1.3  搭建TensorFlow開發環境
    1.3.1  使用pip安裝TensorFlow
    1.3.2  使用Anaconda安裝TensorFlow
  1.4  TensorFlow核心概念
    1.4.1  TensorFlow的基本構成
    1.4.2  會話
    1.4.3  優化器
    1.4.4  張量
  1.5  TensorFlow開發流程
    1.5.1  準備數據集
    1.5.2  構建模型
    1.5.3  訓練模型
    1.5.4  驗證模型
第2章  數據集製作實戰
  2.1  使用tf.data處理數據集
    2.1.1  製作數據集並訓練和評估
    2.1.2  將tf.data作為驗證數據集進行訓練
  2.2  將模擬數據製作成內存對象數據集實戰
    2.2.1  可視化內存對象數據集
    2.2.2  改進的方案
  2.3  將圖片製作成數據集實戰
    2.3.1  製作簡易圖片數據集
    2.3.2  製作手勢識別數據集
  2.4  TFRecord數據集製作實戰
    2.4.1  將圖片製作為TFRecord數據集
    2.4.2  將CSV文件保存為TFRecord文件
    2.4.3  讀取TFRecord文件的內容
第3章  TensorFlow前饋神經網路實戰
  3.1  神經網路概述
    3.1.1  深度學習與神經網路概述
    3.1.2  全連接層
    3.1.3  使用TensorFlow創建神經網路模型
  3.2  單層前饋神經網路
    3.2.1  單層前饋神經網路介紹
    3.2.2  BP演算法
  3.3  深度前饋神經網路
    3.3.1  深度前饋神經網路的原理
    3.3.2  基於MNIST數據集識別手寫數字
  3.4  汽車油耗預測實戰(使用神經網路實現分類)
    3.4.1  準備數據
    3.4.2  創建網路模型

    3.4.3  訓練、測試模型
第4章  TensorFlow卷積神經網路實戰
  4.1  卷積神經網路基礎
    4.1.1  發展背景
    4.1.2  CNN基本結構
    4.1.3  第一個CNN程序
  4.2  使用CNN進行圖像分類
    4.2.1  準備數據集
    4.2.2  創建數據集
    4.2.3  配置數據集
    4.2.4  創建模型
    4.2.5  編譯模型
    4.2.6  訓練模型
    4.2.7  可視化訓練結果
    4.2.8  過擬合處理：數據增強
    4.2.9  過擬合處理：將Dropout引入網路
    4.2.10  重新編譯和訓練模型
    4.2.11  預測新數據
  4.3  CNN識別器實戰
    4.3.1  創建CNN物體識別模型
    4.3.2  CNN服飾識別器
第5章  循環神經網路實戰
  5.1  文本處理與RNN簡介
    5.1.1  RNN基礎
    5.1.2  文本分類
  5.2  RNN開發實戰一一電影評論情感分析
第6章  生成式對抗網路實戰
  6.1  GAN介紹
    6.1.1  生成模型和判別模型
    6.1.2  GAN基本流程
  6.2  GAN實現MNIST識別
    6.2.1  構建生成模型G
    6.2.2  構建判別模型
    6.2.3  構建損失函數
    6.2.4  準備數據集
    6.2.5  開始訓練
    6.2.6  保存模型並生成測試圖
  6.3  GAN紋理生成器
    6.3.1  創建生成器
    6.3.2  創建GAN模型
    6.3.3  生成圖像
    6.3.4  具體操作
第7章  自然語言處理實戰
  7.1  自然語言處理基礎
    7.1.1  自然語言處理介紹
    7.1.2  自然語言處理的發展歷程
    7.1.3  語言模型
  7.2  自然語言處理實戰(一)：RNN生成文本
    7.2.1  準備數據集
    7.2.2  向量化處理文本

    7.2.3  預測任務並創建訓練樣本和目標
    7.2.4  創建訓練批次
    7.2.5  創建模型
    7.2.6  測試模型
    7.2.7  訓練模型
    7.2.8  生成文本
    7.2.9  預測循環
    7.2.10  自定義訓練
  7.3  自然語言處理實戰(二)：使用Seq2Seq模型實現機器翻譯
    7.3.1  準備數據集
    7.3.2  編寫編碼器(encoder)和解碼器(decoder)模型
    7.3.3  訓練
    7.3.4  翻譯
第8章  注意力機制實戰
  8.1  注意力機制基礎
    8.1.1  注意力機制介紹
    8.1.2  注意力機制的變體
    8.1.3  注意力機制解決什麼問題
  8.2  注意力機制實戰：機器翻譯
    8.2.1  項目介紹
    8.2.2  下載並準備數據集
    8.2.3  文本預處理
    8.2.4  編碼器模型
    8.2.5  繪製可視化注意力圖
    8.2.6  解碼器
    8.2.7  訓練
    8.2.8  翻譯
第9章  概率圖模型實戰
  9.1  概率圖模型表示
    9.1.1  貝葉斯網路：有向圖模型
    9.1.2  馬爾可夫隨機場：無向圖模型
  9.2  TensorFlowProbability
    9.2.1  TensorFlowProbability的結構
    9.2.2  概率圖模型推斷
  9.3  概率圖模型應用實戰
    9.3.1  高斯過程回歸實戰
    9.3.2  聯合分佈的貝葉斯建模
第10章  深度信念網路實戰
  10.1  深度信念網路基礎
    10.1.1  深度信念網路的發展歷程
    10.1.2  玻爾茲曼機(BM)
    10.1.3  受限玻爾茲曼機(RBM)
    10.1.4  深度信念網路
  10.2  DBN應用實戰：程序缺陷預測
    10.2.1  使用DBN模型進行ANN處理
    10.2.2  實現集成
第11章  強化學習實戰
  11.1  強化學習的基本概念
    11.1.1  基本模型和原理
    11.1.2  網路模型設計

  11.2  Actor-Critic演算法
    11.2.1  Actor-Critic演算法介紹
    11.2.2  Actor-Critic演算法實戰：手推購物車(實現CartPole遊戲)
  11.3  TensorFlow強化學習實戰演練
    11.3.1  推車子遊戲
    11.3.2  自動駕駛程序
第12章  無監督學習實戰
  12.1  無監督學習的基本概念
    12.1.1  什麼是無監督學習
    12.1.2  有監督學習、無監督學習和半監督學習的對比
  12.2  無監督學習應用實戰
    12.2.1  訓練商品評論模型
    12.2.2  視頻嵌入系統
第13章  TensorFlow Lite移動端與嵌入式輕量級開發實戰
  13.1  安裝TensorFlow Lite解釋器
  13.2  在Android中創建TensorFlow Lite
    13.2.1  需要安裝的工具
    13.2.2  新建Android工程
    13.2.3  使用JCenter中的TensorFlow Lite AAR
    13.2.4  運行和測試
  13.3  TensorFlow Lite轉換器實戰
    13.3.1  轉換方式
    13.3.2  將TensorFlowRNN轉換為TensorFlow Lite
  13.4  將元數據添加到TensorFlow Lite模型
    13.4.1  具有元數據格式的模型
    13.4.2  使用Flatbuffers Python API添加元數據
第14章  TensorFlowTensorFlow.js智能前端開發實戰
  14.1  Tensorflow.js簡介
    14.1.1  Tensorflow.js的由來
    14.1.2  Tensorflow.js的優點
    14.1.3  安裝Tensorflow.js
    14.1.4  平台和環境
    14.1.5  第一個TensorFlow.js程序
  14.2  保存和載入tfModel模型
    14.2.1  保存tf.Model
    14.2.2  載入t.Model
  14.3  使用卷積神經網路進行手寫數字識別
    14.3.1  編寫HTML文件
    14.3.2  載入數據
    14.3.3  定義模型架構
    14.3.4  訓練模型
    14.3.5  評估模型
第15章  綜合實戰：姿勢預測器
  15.1  系統介紹
  15.2  準備模型
    15.2.1  身體部位監測點說明
    15.2.2  導入TensorFlow Lite模型
  15.3  Android姿勢預測器
    15.3.1  準備工作
    15.3.2  頁面布局

    15.3.3  實現主Activity
    15.3.4  圖像處理
    15.3.5  姿勢識別
第16章  綜合實戰：智能客服系統
  16.1  系統介紹
  16.2  準備模型
    16.2.1  模型介紹
    16.2.2  下載模型文件
  16.3  Android物體檢測識別器
    16.3.1  準備工作
    16.3.2  頁面布局
    16.3.3  實現主Activity
    16.3.4  智能回復處理

  • 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