Python快樂(lè)編程：Tensor Flow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)

定　價(jià)：￥59.80

作　者：	千鋒教育高教產(chǎn)品研發(fā)部編
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	"好程序員成長(zhǎng)"叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787302541264	出版時(shí)間：	2020-02-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	257	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　TensorFlow是目前應(yīng)用為廣泛的主流深度學(xué)習(xí)框架，由谷歌公司于2015年開(kāi)源?！禤ython快樂(lè)編程：Tensor Flow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)/“好程序員成長(zhǎng)”叢書(shū)》是TensorFlow的入門(mén)書(shū)籍，旨在幫助讀者快速理解該框架的基本概念和操作方法，初步掌握通過(guò)TensorFlow解決實(shí)際問(wèn)題的能力。對(duì)于剛接觸深度學(xué)習(xí)的初學(xué)者而言，一本簡(jiǎn)單易懂、易上手的教材至關(guān)重要?！禤ython快樂(lè)編程：Tensor Flow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)/“好程序員成長(zhǎng)”叢書(shū)》擺脫純理論的講解方式，將理論與實(shí)際操作相結(jié)合，通過(guò)豐富的代碼實(shí)例和詳盡的步驟介紹，與讀者一起“跳出枯燥，快樂(lè)學(xué)習(xí)”?！禤ython快樂(lè)編程：Tensor Flow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)/“好程序員成長(zhǎng)”叢書(shū)》包括14章。前3章從TensorFlow簡(jiǎn)介與安裝入手，幫助讀者快速了解該框架的基礎(chǔ)概念和操作方法；第4章介紹線(xiàn)性回歸算法；第5章講述神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)；第6～9章分別通過(guò)實(shí)例詳細(xì)講解手寫(xiě)數(shù)字識(shí)別問(wèn)題、卷積神經(jīng)網(wǎng)絡(luò)算法、圖像數(shù)據(jù)處理和循環(huán)神經(jīng)網(wǎng)絡(luò)算法；第10～13章介紹TensorFlow產(chǎn)品化、高層封裝、可視化等實(shí)用技巧，以及遺傳算法、K-means算法等進(jìn)階操作；第14章通過(guò)汽車(chē)車(chē)牌識(shí)別項(xiàng)目的實(shí)現(xiàn)來(lái)進(jìn)一步學(xué)習(xí)TensorFlow在圖像識(shí)別方面的應(yīng)用。《Python快樂(lè)編程：Tensor Flow深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)/“好程序員成長(zhǎng)”叢書(shū)》適合于想系統(tǒng)學(xué)習(xí)深度學(xué)習(xí)和應(yīng)用TensorFlow的相關(guān)從業(yè)人員以及在校學(xué)生等。

作者簡(jiǎn)介

　　胡耀文，清華大學(xué)出版社技術(shù)編審委員會(huì)委員，2009年參與國(guó)慶60周年官兵電子紀(jì)念冊(cè)項(xiàng)目，CSDN著名技術(shù)專(zhuān)家，博客瀏覽量超過(guò)1460350次，2012年7月出版Windows CE 7開(kāi)發(fā)實(shí)戰(zhàn)詳解，2013年5月出版Windows8開(kāi)發(fā)權(quán)威指南，2014年：2016年連續(xù)三年獲得微軟全球MVP有價(jià)值專(zhuān)家。

圖書(shū)目錄

第1章初識(shí)TensorFlow
1．1 深度學(xué)習(xí)介紹
1．2 TensorFlow簡(jiǎn)介
1．3 TensorFlow環(huán)境搭建
1．4 TensorFlow測(cè)試
1．5 本章小結(jié)
1．6 習(xí)題
第2章 TensorFlow基礎(chǔ)
2．1 張量
2．2 會(huì)話(huà)
2．3 變量與占位符
2．4 矩陣
2．4．1 創(chuàng)建矩陣
2．4．2 矩陣基本運(yùn)算
2．5 本章小結(jié)
2．6 習(xí)題
第3章 TensorFlow進(jìn)階
3．1 TensorFlow的計(jì)算模型
3．1．1 計(jì)算圖的工作原理
3．1．2 計(jì)算圖的使用
3．2 TensorFlow的嵌入層
3．3 TensorFlow的多層
3．4 TensorFlow實(shí)現(xiàn)損失函數(shù)
3．4．1 損失函數(shù)
3．4．2 損失函數(shù)工作原理及實(shí)現(xiàn)
3．5 TensorFlow實(shí)現(xiàn)反向傳播
3．5．1 反向傳播算法
3．5．2 反向傳播算法的工作原理及實(shí)現(xiàn)
3．6 TensorFlow實(shí)現(xiàn)隨機(jī)訓(xùn)練和批量訓(xùn)練
3．7 TensorFlow創(chuàng)建分類(lèi)器
3．8 TensorFlow實(shí)現(xiàn)模型評(píng)估
3．8．1 模型評(píng)估方法
3．8．2 模型評(píng)估工作原理及實(shí)現(xiàn)
3．9 本章小結(jié)
3．10 習(xí)題
第4章基于TensorFlow的線(xiàn)性回歸
4．1 線(xiàn)性回歸簡(jiǎn)介
4．2 TensorFlow求逆矩陣
4．3 TensorFlow求矩陣的分解
4．4 TensorFlow實(shí)現(xiàn)線(xiàn)性回歸算法
4．5 線(xiàn)性回歸中的損失函數(shù)
4．6 TensorFlow實(shí)現(xiàn)戴明回歸
4．7 TensorFlow實(shí)現(xiàn)Ridge-回歸與Lasso回歸
4．8 TensorFlow實(shí)現(xiàn)邏輯回歸
4．9 本章小結(jié)
4．10 習(xí)題
第5章神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)
5．1 神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介
5．2 TensorFlow實(shí)現(xiàn)激活函數(shù)
5．2．1 Sigmoid函數(shù)
5．2．2 Tanh函數(shù)
5．2．3 ReLU數(shù)
5．3 TensorFlow實(shí)現(xiàn)單層神經(jīng)網(wǎng)絡(luò)
5．4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)常見(jiàn)層
5．5 本章小結(jié)
5．6 習(xí)題
第6章數(shù)字識(shí)別問(wèn)題
6．1 MNIST數(shù)據(jù)處理
6．2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練進(jìn)階
6．2．1 程序與數(shù)據(jù)的拆分
6．2．2 變量管理
6．3 TensorFlow模型持久化
6．3．1 TensorFlow實(shí)現(xiàn)保存或加載模型
6．3．2 TensorFlow模型持久化的原理及數(shù)據(jù)格式
6．4 本章小結(jié)
6．5 習(xí)題
第7章 TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
7．1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
7．2 TensorFlow實(shí)現(xiàn)簡(jiǎn)單的CNN
7．3 TensorFlow實(shí)現(xiàn)進(jìn)階CNN
7．4 TensorFlow實(shí)現(xiàn)圖片風(fēng)格渲染
7．5 本章小結(jié)
7．6 習(xí)題
第8章圖像數(shù)據(jù)處理
8．1 TFRecords
8．2 圖像數(shù)據(jù)的預(yù)處理
8．2．1 圖像預(yù)處理方法簡(jiǎn)介
8．2．2 圖像預(yù)處理實(shí)例
8．3 多線(xiàn)程輸入數(shù)據(jù)處理框架
8．3．1 隊(duì)列與多線(xiàn)程
8．3．2 輸入文件隊(duì)列
8．3．3 組合訓(xùn)練數(shù)據(jù)
8．4 數(shù)據(jù)集的使用方法
8．5 本章小結(jié)
8．6 習(xí)題
第9章 TensorFlow實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
9．1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
9．2 通過(guò)TensorFlow實(shí)現(xiàn)垃圾短信預(yù)測(cè)
9．3 通過(guò)TensorFlow實(shí)現(xiàn)LSTM模型
9．4 通過(guò)TensorFlow實(shí)現(xiàn)多層LSTM模型
9．5 本章小結(jié)
9．6 習(xí)題
第10章 TensorFlow產(chǎn)品化
10．1 TensorFlow的單元測(cè)試
10．2 TensorFlow并發(fā)執(zhí)行
10．3 TensorFlow分布式實(shí)踐
10．4 TensorFlow產(chǎn)品化開(kāi)發(fā)
10．5 本章小結(jié)
10．6 習(xí)題
第11章 TensorFlow的進(jìn)階用法
11．1 TensorFlow實(shí)現(xiàn)遺傳算法
11．2 TensorFlow實(shí)現(xiàn)K-means算法
11．3 TensorFlow求解常微分方程
11．4 本章小結(jié)
11．5 習(xí)題
第12章 TensorFlow高層封裝
12．1 TensorFlow的常見(jiàn)封裝方法簡(jiǎn)介
12．2 Keras
12．2．1 序貫?zāi)Ｐ?br />12．2．2 函數(shù)式模型
12．3 Estimator
12．3．1 Estimator的基本用法
12．3．2 Estimatot自定義模型
12．4 本章小結(jié)
12．5 習(xí)題
第13章 TensorFlow可視化
13．1 TensorBoard簡(jiǎn)介
13．2 TensorBoard可視化
13．2．1 TensorFlow命名空間與TensorBoard圖上節(jié)點(diǎn)
13．2．2 TensorBoard節(jié)點(diǎn)信息
13．3 本章小結(jié)
13．4 習(xí)題
第14章 TensorFlow實(shí)現(xiàn)車(chē)牌識(shí)別
14．1 項(xiàng)目簡(jiǎn)介
14．2 生成訓(xùn)練數(shù)據(jù)集
14．3 數(shù)據(jù)讀取
14．4 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
14．5 開(kāi)始模型訓(xùn)練
14．6 測(cè)試模型準(zhǔn)確度
14．7 本章小結(jié)