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

深度學習實踐(基於TensorFlow及PyTorch庫的編程指南)

  • 作者：編者:陳光齊|責編:劉麗菲
  • 出版社：化學工業
  • ISBN：9787122493569
  • 出版日期：2026/02/01
  • 裝幀：平裝
  • 頁數：225
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    《深度學習實踐—基於TensorFlow及PyTorch庫的編程指南》突破傳統深度學習教材先理論后實踐的模式，從直觀的實例應用入手，讓讀者快速體驗利用深度學習解決實際問題的過程。讀者將從運行實常式序開始，初步理解代碼的作用，並逐步學會自主調整模型參數、調試程序，以驗證其精度和效率。
    第1章介紹深度學習發展歷程及基本概念；第2章聚焦開發環境搭建，並給出快速示例，幫助讀者迅速開啟深度學習之旅，熟悉基礎操作環境；第3章介紹深度學習原理，結合FCNN、CNN、LSTM、GAN、Transformer等典型模型示例，使讀者理解深度學習的核心理論與模型架構；第4?6章著重傳授Python編程基礎，以及TensorFlow、PyTorch這兩種主流深度學習框架的編程知識，為實際開發奠定編程基礎；第7章闡述張量概念與操作，幫助讀者掌握其關鍵特性與操作方法；第8章專註于網路設計與超參數優化；第9、10章通過深度學習在電腦視覺與防災領域的應用實例，展現深度學習在實際場景中的強大應用能力，使讀者了解如何將所學知識運用到具體領域解決實際問題；第11章為程序代碼，讀者可掃二維碼獲取。
    本書特別適合需要快速入門人工智慧深度學習解決實際問題的，智能建造、數值模擬等非AI 方向的技術人員、在校本科生、研究生。本書也可作為相關專業師生教學用書。
作者介紹
編者:陳光齊|責編:劉麗菲
目錄
第1章  緒論
  1.1  什麼是深度學習？
  1.2  深度學習的崛起及科學創新成果
  1.3  Python、TensorFlow 及PyTorch 簡介
  1.4  本書的目標與結構
第2章  快速入門
  2.1  安裝Visual Studio
    2.1.1  下載和安裝Visual Studio Community
    2.1.2  下載和安裝Python
    2.1.3  下載和安裝TensorFlow 及關聯庫
    2.1.4  下載和安裝其他需要的庫
  2.2  深度學習應用示例及環境檢核
第3章  深度學習的基本原理及示例
  3.1  深度學習的工作原理及各網路架構應用示例
  3.2  全連接神經網路（FCNN）架構及工作原理
    3.2.1  全連接神經網路架構
    3.2.2  FCNN 的前向傳播計算
    3.2.3  計算損失函數及梯度
    3.2.4  反向傳播計算
    3.2.5  利用TensorFlow 訓練FCNN 模型的步驟
    3.2.6  利用PyTorch 訓練FCNN 模型的基本步驟
    3.2.7  實例：全連接神經網路（FCNN）模型應用
  3.3  卷積神經網路（CNN）架構及工作原理
    3.3.1  CNN 方法的主要思路
    3.3.2  二維卷積操作
    3.3.3  卷積神經網路架構
    3.3.4  損失函數的計算
    3.3.5  卷積網路架構的梯度計算
    3.3.6  池化操作
    3.3.7  展平Flatten 操作
    3.3.8  CNN 是對FCNN 的改良
    3.3.9  實例：卷積神經網路（CNN）模型的應用
  3.4  循環神經網路（RNN）架構及工作原理
    3.4.1  RNN 的架構
    3.4.2  RNN 的工作原理
    3.4.3  長短期記憶網路（LSTM）架構及工作原理
  3.5  生成對抗網路（GAN）架構及工作原理
    3.5.1  生成器的工作原理
    3.5.2  生成器的網路架構
    3.5.3  判別器的工作原理
    3.5.4  判別器的網路架構
    3.5.5  模型訓練過程（損失計算、反向傳播與迭代訓練）
    3.5.6  細節調整
    3.5.7  實例：生成對抗網路（GAN）模型的應用
  3.6  Transformer 網路架構
    3.6.1  神經網路架構的定義
    3.6.2  前向傳播
    3.6.3  損失函數的計算
    3.6.4  反向傳播
    3.6.5  迭代訓練

    3.6.6  Transformer 網路架構的優勢與應用
    3.6.7  實例：Transformer 網路架構的應用
第4章  Python 編程示例的代碼與釋義
  4.1  Python 程序執行方式之一：互動式解釋器
  4.2  Python 程序執行方式之二：利用Visual Studio進行編寫和運行
  4.3  Python 程序的一般構成
  4.4  第一部分：庫和模塊的導入
    4.4.1  深度學習程序中所導入的常用庫
    4.4.2  導入庫中部分模塊
  4.5  第二部分：數據準備
  4.6  第三部分：神經網路分析的主要代碼
    4.6.1  模型定義
    4.6.2  輸出模型的架構概覽
    4.6.3  模型編譯
    4.6.4  模型訓練
    4.6.5  模型評估
  4.7  第四部分：實行預測
  4.8  第五部分：結果的可視化
    4.8.1  繪製真實值與預測值散點圖
    4.8.2  誤差計算及繪製誤差分佈直方圖
    4.8.3  繪製特徵重要性圖
    4.8.4  可視化對部分樣本的預測結果
    4.8.5  生成混淆矩陣及其可視化
    4.8.6  生成分類模型的性能報告
    4.8.7  繪製三個子圖：預測值與真值的比較，誤差及相對誤差圖
  4.9  第六部分：保存數據集
  4.10  Python 編程的基本規定
    4.10.1  縮進、命名規範、代碼布局和註釋的要求
    4.10.2  編碼風格
    4.10.3  Python 的變數
    4.10.4  控制結構
  4.11  Python 的函數
    4.11.1  Python 的內置函數及標準庫模塊
    4.11.2  使用def 定義自定義函數
  4.12  Python 面向對象編程
    4.12.1  類和對象
    4.12.2  類的繼承
    4.12.3  封裝
  4.13  PyTorch 中的類
  4.14  文件操作
    4.14.1  打開和關閉文件
    4.14.2  讀取文件
    4.14.3  寫入文件
    4.14.4  使用 with 語句
    4.14.5  二進位文件操作
    4.14.6  文件和目錄管理
  4.15  模塊、包和庫
    4.15.1  模塊
    4.15.2  包
    4.15.3  庫

  4.16  Python 標準庫
  4.17  庫，包，模塊的導入
    4.17.1  庫，包，模塊的導入方式
    4.17.2  Python 標準庫的模塊
  4.18  第三方庫函數
    4.18.1  NumPy 矩陣計算與線性代數庫
    4.18.2  Matplotlib 數據可視化庫
    4.18.3  其他常用第三方庫
    4.18.4  導入規則
  4.19  Python 中的help() 和dir() 函數
    4.19.1  help() 函數
    4.19.2  dir() 函數
  4.20  代碼中使用中文
  4.21  異常處理
    4.21.1  基本的異常捕獲及處理
    4.21.2  自定義異常與異常鏈
    4.21.3  常見異常處理模式
第5章  基於TensorFlow庫的深度學習編程
  5.1  創建神經網路模型
    5.1.1  序貫模型
    5.1.2  函數式API
    5.1.3  自定義層與模型子類化
  5.2  常用神經網路層
    5.2.1  全連接層
    5.2.2  卷積層
    5.2.3  標準卷積層
    5.2.4  轉置卷積層
    5.2.5  池化層
    5.2.6  循環神經網路層
    5.2.7  長短期記憶網路層
    5.2.8  門控循環單元層
    5.2.9  批歸一化層
    5.2.10  其他功能層
  5.3  編譯模型
  5.4  訓練模型
    5.4.1  訓練過程
    5.4.2  權重更新
  5.5  評估模型與預測
  5.6  深度學習的幾個重要概念
    5.6.1  模型輸入數據的形狀
    5.6.2  激活函數
    5.6.3  損失函數
    5.6.4  評估模型性能的指標
    5.6.5  優化器
    5.6.6  正則化
第6章  基於PyTorch 庫的深度學習編程
  6.1  創建神經網路模型
    6.1.1  順序模型方式創建模型
    6.1.2  自定義模塊（繼承 nn.Module）方式創建模型
    6.1.3  自定義層構建模型

    6.1.4  Sequential + 自定義層
    6.1.5  模型組合
  6.2  神經網路層
  6.3  編譯模型
  6.4  訓練模型
  6.5  評估模型
  6.6  進行預測
第7章  張量
  7.1  Python、TensorFlow 及PyTorch中張量的異同點
  7.2  Python 中TensorFlow 及PyTorch間的張量互換
  7.3  常用維度的張量
第8章  神經網路的設計及優化
  8.1  神經網路的設計
  8.2  訓練集與測試集劃分的影響
    8.2.1  交叉驗證
    8.2.2  交叉驗證示例
  8.3  超參數及其優化
  8.4  網格搜索法
    8.4.1  網格搜索法的主要思想和實現步驟
    8.4.2  網格搜索法的實現示例
  8.5  隨機搜索法
  8.6  貝葉斯優化法優化超參數
    8.6.1  貝葉斯優化法的主要思想、工作原理及特點
    8.6.2  貝葉斯優化法的實現示例
  8.7  方法比較與實例
    8.7.1  數據集及分析目標
    8.7.2  定義模型創建函數
    8.7.3  網格搜索法優化超參數的結果
    8.7.4  隨機搜索法優化超參數的結果
    8.7.5  貝葉斯優化法優化超參數的結果
    8.7.6  三種優化方法的結果比較
第9章  深度學習實踐——電腦視覺領域
  9.1  ImageNet 資料庫及ILSVRC 奪冠模型
  9.2  常用預訓練模型及其在圖像分類中的應用
    9.2.1  預訓練模型下載
    9.2.2  預訓練模型進行物體分類的精度驗證
    9.2.3  直接訓練常用模型
    9.2.4  遷移學習方法1：特徵提取
    9.2.5  遷移學習方法2：特徵提取+ 微調
    9.2.6  遷移學習：從單分類到多分類任務
  9.3  常用預訓練模型在目標檢測中的應用
    9.3.1  目標檢測模型架構的組成部分及其功能
    9.3.2  將ResNet50 多分類模型改造成目標檢測程序的修改
    9.3.3  利用Faster R-CNN 目標檢測框架
  9.4  常用預訓練模型在語義分割中的應用
    9.4.1  常見的語義分割模型
    9.4.2  基於DeepLabv3+ 模型架構的語義分割
第10章  深度學習實踐——地質災害預測與監測
  10.1  利用語義分割技術探測裂縫技術的應用
  10.2  利用DeepLabv3+ 模型框架進行裂縫探測

    10.2.1  DeepLab 模型系列概覽
    10.2.2  Crack500 裂縫數據集
    10.2.3  利用Xception 作為backbone的語義分割程序
    10.2.4  裂紋檢測結果
  10.3  利用遷移學習進行滑坡檢測
    10.3.1  基於深度學習的語義分割模型DeepLabv3+的遷移學習實現
    10.3.2  滑坡檢測結果
  10.4  利用對象檢測技術支持海上搜救任務
    10.4.1  海上搜救任務中的對象檢測挑戰與數據集
    10.4.2  基於YOLOv5 的 baseline 模型
    10.4.3  模型改進Sea-YOLOv5：移動窗口分層自注意力拓展頭
    10.4.4  實驗結果與分析
  10.5  基於深度學習的落石監測系統
    10.5.1  系統概述與需求分析
    10.5.2  數據集準備
    10.5.3  核心演算法實現
    10.5.4  系統實現與實驗驗證
    10.5.5  挑戰與展望
第11章  程序代碼
參考文獻

  • 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