| | | 白話深度學習與TensorFlow 高揚 | 該商品所屬分類:圖書 -> 機械工業出版社 | 【市場價】 | 529-768元 | 【優惠價】 | 331-480元 | 【作者】 | 高揚 | 【出版社】 | 機械工業出版社 | 【ISBN】 | 9787111574576 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
店鋪:機械工業出版社官方旗艦店 出版社:機械工業出版社 ISBN:9787111574576 商品編碼:10026488576379 品牌:機械工業出版社(CMP) 出版時間:2017-08-01 頁數:200 字數:400000 審圖號:9787111574576 作者:高揚
" 商品參數 商品基本信息 | 商品名稱: | 白話深度學習與TensorFlow | 作者: | 高揚 | 市場價: | 69.00 | ISBN號: | 9787111574576 | 版次: | 1-1 | 出版日期: | 2017-07 | 頁數: | 304 | 字數: | 400 | 出版社: | 機械工業出版社 | 內容介紹 內容簡介 | 基礎篇(1-3章):介紹深度學習的基本概念和Tensorflow的基本介紹。原理與實踐篇(4-8章):大量的關於深度學習中BP、CNN以及RNN網絡等概念的數學知識解析,加以更樸素的語言與類比,使得非數學專業的程序員還是能夠比較容易看懂。擴展篇(9-13章):介紹新增的深度學習網絡變種與較新的深度學習特性,並給出有趣的深度學習應用。讀完本書,基本具備了搭建全套Tensorflow應用環境的能力,掌握深度學習算法和思路,以及進行一般性的文章分類、音頻分類或視頻分類的能力。 | 目錄 目錄 | 目錄?Contents 本書贊譽 序 前言 基礎篇 *1章機器學習是什麼 2 1.1聚類 4 1.2回歸 5 1.3分類 8 1.4綜合應用 10 1.5小結 14 *2章深度學習是什麼 15 2.1神經網絡是什麼 15 2.1.1 16 2.1.2激勵函數 19 2.1.3神經網絡 24 2.2深度神經網絡 25 2.3深度學習為什麼這麼強 28 2.3.1不用再提取特征 28 2.3.2處理線性不可分 29 2.4深度學習應用 30 2.4.1圍棋機器人——AlphaGo 30 2.4.2被教壞的少女——Tai.ai 32 2.4.3本田公司的大寶貝—— ASIMO 33 2.5小結 37 第3章TensorFlow框架特性與安裝 38 3.1簡介 38 3.2與其他框架的對比 39 3.3其他特點 40 3.4如何選擇好的框架 44 3.5安裝TensorFlow 45 3.6小結 46 原理與實踐篇 第4章前饋神經網絡 50 4.1網絡結構 50 4.2線性回歸的訓練 51 4.3神經網絡的訓練 75 4.4小結 79 第5章手寫板功能 81 5.1MNIST介紹 81 5.2使用TensorFlow完成實驗 86 5.3神經網絡為什麼那麼強 92 5.3.1處理線性不可分 93 5.3.2挑戰“與或非” 95 5.3.3豐富的VC——強大的空間 劃分能力 98 5.4驗證集、測試集與防止過擬合 99 5.5小結 102 第6章卷積神經網絡 103 6.1與全連接網絡的對比 103 6.2卷積是什麼 104 6.3卷積核 106 6.4卷積層其他參數 108 6.5池化層 109 6.6典型CNN網絡 110 6.7圖片識別 114 6.8輸出層激勵函數——SOFTMAX 116 6.8.1SOFTMAX 116 6.8.2交叉熵 117 6.9小試牛刀——卷積網絡做圖片分類 124 6.10小結 138 第7章綜合問題 139 7.1並行計算 139 7.2隨機梯度下降 142 7.3梯度消失問題 144 7.4歸一化 147 7.5參數初始化問題 149 7.6正則化 151 7.7其他超參數 155 7.8不唯*的模型 156 7.9DropOut 157 7.10小結 158 第8章循環神經網絡 159 8.1隱馬爾可夫模型 159 8.2RNN和BPTT算法 163 8.2.1結構 163 8.2.2訓練過程 163 8.2.3艱難的誤差傳遞 165 8.3LSTM算法 167 8.4應用場景 171 8.5實踐案例——自動文本生成 174 8.5.1RNN工程代碼解讀 174 8.5.2利用RNN學習莎士比亞劇本 183 8.5.3利用RNN學習維基百科 184 8.6實踐案例——聊天機器人 185 8.7小結 196 擴展篇 第9章深度殘差網絡 198 9.1應用場景 198 9.2結構解釋與數學推導 200 9.3拓撲解釋 205 9.4Github示例 207 9.5小結 207 *10章受限玻爾茲曼機 209 10.1結構 209 10.2邏輯回歸 210 10.3*大似然度 212 10.4*大似然度示例 214 10.5損失函數 215 10.6應用場景 216 10.7小結 216 *11章強化學習 217 11.1模型核心 218 11.2馬爾可夫決策過程 219 11.2.1用遊戲開刀 221 11.2.2準備工作 223 11.2.3訓練過程 224 11.2.4問題 226 11.2.5Q-Learning算法 228 11.3深度學習中的Q-Learning——DQN 231 11.3.1OpenAI Gym 234 11.3.2Atari遊戲 237 11.4小結 238 *12章對抗學習 239 12.1目的 239 12.2訓練模式 240 12.2.極小極大博弈 240 12.2.2訓練 242 12.3CGAN 244 12.4DCGAN 247 12.5小結 252 *13章有趣的深度學習應用 254 13.1人臉識別 254 13.2作詩姬 259 13.3梵高附體 264 13.3.1網絡結構 265 13.3.2內容損失 268 13.3.3風格損失 270 13.3.4繫數比例 271 13.3.5代碼分析 272 13.4小結 279 附錄AVMware Workstation的安裝 280 附錄BUbuntu虛擬機的安裝 284 附錄CPython語言簡介 290 附錄D安裝Theano 296 附錄E安裝Keras 297 附錄F安裝CUDA 298 參考文獻 303
|
" | | | | | |