深度學(xué)習(xí)入門(mén)與實(shí)戰(zhàn)：基于TensorFlow

定　價(jià)：￥69.00

作　者：	[日] 中井，悅司著，郭海嬌譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115504821	出版時(shí)間：	2019-04-01	包裝：	平裝
開(kāi)本：	小16開(kāi)	頁(yè)數(shù)：	241	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　TensorFlow由美國(guó)谷歌公司開(kāi)發(fā)和維護(hù)，被廣泛應(yīng)用于各類(lèi)機(jī)器學(xué)習(xí)算法的編程實(shí)現(xiàn)。本書(shū)緊密?chē)@代表性的深度學(xué)習(xí)應(yīng)用——手寫(xiě)數(shù)字識(shí)別，逐層介紹構(gòu)成神經(jīng)網(wǎng)絡(luò)的各個(gè)節(jié)點(diǎn)的功能，并用TensorFlow編寫(xiě)示例代碼對(duì)各部分的工作原理加以驗(yàn)證，從根本上理解深度學(xué)習(xí)。本書(shū)非常適合深度學(xué)習(xí)的初學(xué)者，而非專(zhuān)門(mén)從事機(jī)器學(xué)習(xí)和數(shù)據(jù)分析的專(zhuān)家。

作者簡(jiǎn)介

　　中井悅司：1971年4月生于日本大阪市?，F(xiàn)任某大型搜索系統(tǒng)公司的云解決方案架構(gòu)師，致力于傳播機(jī)器學(xué)習(xí)等知識(shí)，并積極地將自己的經(jīng)驗(yàn)傳授給年輕的程序員們。著作有《Linux系統(tǒng)網(wǎng)絡(luò)管理技術(shù)》《Linux系統(tǒng)架構(gòu)和應(yīng)用技巧》《機(jī)器學(xué)習(xí)入門(mén)之道》等。

圖書(shū)目錄

第 1章深度學(xué)習(xí)與TensorFlow
1．1　深度學(xué)習(xí)概覽
1．1．1　機(jī)器學(xué)習(xí)的基本模型
1．1．2　神經(jīng)網(wǎng)絡(luò)的必要性
1．1．3　深度學(xué)習(xí)的特點(diǎn)
1．1．4　參數(shù)優(yōu)化
1．2　環(huán)境準(zhǔn)備
1．2．1　基于CentOS 7環(huán)境的安裝步驟
1．2．2　Jupyter的使用方法
1．3　TensorFlow概覽
1．3．1　用多維數(shù)組表示模型
1．3．2　TensorFlow 代碼實(shí)現(xiàn)
1．3．3　通過(guò)Session執(zhí)行訓(xùn)練
第　2章分類(lèi)算法基礎(chǔ)
2．1　邏輯回歸之二元分類(lèi)器
2．1．1　利用概率進(jìn)行誤差評(píng)價(jià)
2．1．2　通過(guò)TensorFlow執(zhí)行最大似然估計(jì)
2．1．3　通過(guò)測(cè)試集驗(yàn)證
2．2　Softmax函數(shù)與多元分類(lèi)器
2．2．1　線性多元分類(lèi)器的結(jié)構(gòu)
2．2．2　通過(guò)Softmax 函數(shù)進(jìn)行概率轉(zhuǎn)換
2．3　應(yīng)用多元分類(lèi)器進(jìn)行手寫(xiě)數(shù)字識(shí)別
2．3．1　MNIST數(shù)據(jù)集的使用方法
2．3．2　圖片數(shù)據(jù)的分類(lèi)算法
2．3．3　TensorFlow執(zhí)行訓(xùn)練
2．3．4　小批量梯度下降法和隨機(jī)梯度下降法
第3章　應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)
3．1　單層神經(jīng)網(wǎng)絡(luò)的構(gòu)成
3．1．1　使用單層神經(jīng)網(wǎng)絡(luò)的二元分類(lèi)器
3．1．2　隱藏層的作用
3．1．3　改變節(jié)點(diǎn)數(shù)和激活函數(shù)后的效果
3．2　應(yīng)用單層神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫(xiě)數(shù)字分類(lèi)
3．2．1　應(yīng)用單層神經(jīng)網(wǎng)絡(luò)的多元分類(lèi)器
3．2．2　通過(guò)TensorBoard確認(rèn)網(wǎng)絡(luò)圖
3．3　擴(kuò)展為多層神經(jīng)網(wǎng)絡(luò)
3．3．1　多層神經(jīng)網(wǎng)絡(luò)的效果
3．3．2　基于特征變量的分類(lèi)邏輯
3．3．3　補(bǔ)充：參數(shù)向極小值收斂的例子
第4章　卷積核提取圖片特征
4．1　卷積核的功能
4．1．1　卷積核示例
4．1．2　在TensorFlow中運(yùn)用卷積核
4．1．3　通過(guò)池化層縮小圖片
4．2　應(yīng)用卷積核進(jìn)行圖片分類(lèi)
4．2．1　應(yīng)用特征變量進(jìn)行圖片分類(lèi)
4．2．2　卷積核的動(dòng)態(tài)學(xué)習(xí)
4．3　應(yīng)用卷積核進(jìn)行手寫(xiě)數(shù)字識(shí)別分類(lèi)
4．3．1　保存Session信息的功能
4．3．2　通過(guò)單層CNN對(duì)手寫(xiě)數(shù)字進(jìn)行識(shí)別分類(lèi)
4．3．3　確認(rèn)動(dòng)態(tài)學(xué)習(xí)的卷積核
第5章　應(yīng)用卷積核多層化實(shí)現(xiàn)性能提升
5．1　完成卷積神經(jīng)網(wǎng)絡(luò)
5．1．1　通過(guò)多層卷積核抽取特征
5．1．2　用TensorFlow實(shí)現(xiàn)多層CNN
5．1．3　自動(dòng)識(shí)別手寫(xiě)數(shù)字應(yīng)用
5．2　延伸閱讀
5．2．1　CIFAR-10（彩色圖片數(shù)據(jù)集）的分類(lèi)延伸
5．2．2　通過(guò)“A Neural Network Playground”進(jìn)行直觀理解
5．2．3　補(bǔ)充：反向傳播算法中的梯度計(jì)算
附錄A　Mac OS X和Windows環(huán)境的安裝方法
A．1　Mac OS X環(huán)境的準(zhǔn)備步驟
A．2　Windows 10環(huán)境的準(zhǔn)備步驟
附錄B　Python 2的基本語(yǔ)法
B．1　Hello， World!
B．2　字符串
B．3　列表與詞典
B．4　控制語(yǔ)句
B．5　函數(shù)與模塊
附錄C　數(shù)學(xué)公式