產品名稱：TensorFlow+Keras深度學習... 是否是套裝：否 書名：TensorFlow+Keras深度學習人工智能實踐應用 TensorFlow+Keras深度學習人工智能實踐應用 代碼：69 出版社名稱：清華大學出版社 作者：林大貴 開本：16開 ISBN編號：9787302493020
" TensorFlow+Keras深度學習人工智能實踐應用 作 者:林大貴 著 著作  定 價:69 出 版 社:清華大學出版社 出版日期:2018年02月01日 頁 數:311 裝 幀:平裝 ISBN:9787302493020  ●目 錄第1章 人工智能、機器學習與深度學習簡介 11.1 人工智能、機器學習、深度學習的關繫 21.2 機器學習介紹 41.3 機器學習分類 41.4 深度學習簡介 71.5 結論 8第2章 深度學習的原理 92.1 神經傳導的原理 102.2 以矩陣運算仿真神經網絡 132.3 多層感知器模型 142.4 使用反向傳播算法進行訓練 162.5 結論 21第3章 TensorFlow與Keras介紹 223.1 TensorFlow架構圖 233.2 TensorFlow簡介 243.3 TensorFlow程序設計模式 263.4 Keras介紹 273.5 Keras程序設計模式 283.6 Keras與TensorFlow比較 293.7 結論 30第4章 在Windows中安裝TensorFlow與Keras 314.1 安裝Anaconda 324.2 啟動命令提示符 354.3 建立TensorFlow的Anaconda虛擬環境 374.4 在Anaconda虛擬環境安裝TensorFlow與Keras 404.5 啟動Jupyter Notebook 424.6 結論 48第5章 在Linux Ubuntu中安裝TensorFlow與Keras 495.1 安裝Anaconda 505.2 安裝TensorFlow與Keras 525.3 啟動Jupyter Notebook 535.4 結論 54第6章 Keras MNIST手寫數字識別數據集 556.1 下載MNIST數據 566.2 查看訓練數據 586.3 查看多項訓練數據images與label 606.4 多層感知器模型數據預處理 626.5 features數據預處理 626.6 label數據預處理 646.7 結論 65第7章 Keras多層感知器識別手寫數字 667.1 Ker感知器識別MNIST手寫數字圖像的介紹 677.2 進行數據預處理 697.3 建立模型 697.4 進行訓練 737.5 以測試數據評估模型準確率 777.6 進行預測 787.7 顯示混淆矩陣 797.8 隱藏層增加為1000 817.9 多層感知器加入DropOut功能以避免過度擬合 847.10 建立多層感知器模型包含兩個隱藏層 867.11 結論 89第8章 Keras卷積神經網絡識別手寫數字 908.1 卷積神經網絡簡介 918.2 進行數據預處理 978.3 建立模型 988.4 進行訓練 1018.5 評估模型準確率 1048.6 進行預測 1048.7 顯示混淆矩陣 1058.8 結論 107第9章 Keras CIFAR-10圖像識別數據集 1089.1 下載CIFAR-10數據 1099.2 查看訓練數據 1119.3 查看多項images與label 1129.4 將images進行預處理 1139.5 對label進行數據預處理 1149.6 結論 115第10章 Keras卷積神經網絡識別CIFAR-10圖像 11610.1 卷積神經網絡簡介 11710.2 數據預處理 11810.3 建立模型 11910.4 進行訓練 12310.5 評估模型準確率 12610.6 進行預測 12610.7 查看預測概率 12710.8 顯示混淆矩陣 12910.9 建立3次的卷積運算神經網絡 13210.10 模型的保存與加載 13510.11 結論 136第11章 Keras泰坦尼克號上的旅客數據集 13711.1 下載泰坦尼克號旅客數據集 13811.2 使用Pandas DataFrame讀取數據並進行預處理 14011.3 使用Pandas DataFrame進行數據預處理 14211.4 將DataFrame轉換為Array 14311.5 將ndarray特征字段進行標準化 14511.6 將數據分為訓練數據與測試數據 14511.7 結論 147第12章 Keras多層感知器預測泰坦尼克號上旅客的生存概率 14812.1 數據預處理 14912.2 建立模型 15012.3 開始訓練 15212.4 評估模型準確率 15512.5 加入《泰坦尼克號》電影中Jack與Rose的數據 15612.6 進行預測 15712.7 找出泰坦尼克號背後的感人故事 15812.8 結論 160第13章 IMDb網絡電影數據集與自然語言處理 16113.1 Keras自然語言處理介紹 16313.2 下載IMDb數據集 16713.3 讀取IMDb數據 16913.4 查看IMDb數據 17213.5 建立token 17313.6 使用token將“影評文字”轉換成“數字列表” 17413.7 讓轉換後的數字長度相同 17413.8 結論 176第14章 Keras建立MLP、RNN、LSTM模型進行IMDb情感分析 17714.1 建立多層感知器模型進行IMDb情感分析 17814.2 數據預處理 17914.3 加入嵌入層 18014.4 建立多層感知器模型 18114.5 訓練模型 18214.6 評估模型準確率 18414.7 進行預測 18514.8 查看測試數據預測結果 18514.9 查看《美女與野獸》的影評 18714.10 預測《美女與野獸》的影評是正面或負面的 19014.11 文字處理時使用較大的字典提取更多文字 19214.12 RNN模型介紹 19314.13 使用Keras RNN模型進行IMDb情感分析 19514.14 LSTM模型介紹 19714.15 使用Keras LSTM模型進行IMDb情感分析 19914.16 結論 200第15章 TensorFlow程序設計模式 20115.1 建立“計算圖” 20215.2 執行“計算圖” 20415.3 TensorFlow placeholder 20615.4 TensorFlow數值運算方法介紹 20715.5 TensorBoard 20815.6 建立一維與二維張量 21115.7 矩陣基本運算 21215.8 結論 214第16章 以TensorFlow張量運算仿真神經網絡的運行 21516.1 以矩陣運算仿真神經網絡 21616.2 以placeholder傳入X值 22016.3 創建layer函數以矩陣運算仿真神經網絡 22216.4 建立layer_debug函數顯示權重與偏差 22516.5 結論 226第17章 TensorFlow MNIST手寫數字識別數據集 22717.1 下載MNIST數據 22817.2 查看訓練數據 22917.3 查看多項訓練數據images與labels 23217.4 批次讀取MNIST數據 23417.5 結論 235第18章 TensorFlow多層感知器識別手寫數字 23618.1 TensorFlow建立多層感知器辨識手寫數字的介紹 23718.2 數據準備 23918.3 建立模型 23918.4 定義訓練方式 24218.5 定義評估模型準確率的方式 24318.6 進行訓練 24418.7 評估模型準確率 24918.8 進行預測 24918.9 隱藏層加入更 25018.10 建立包含兩個隱藏層的多層感知器模型 25118.11 結論 252第19章 TensorFlow卷積神經網絡識別手寫數字 25319.1 卷積神經網絡簡介 25419.2 進行數據預處理 25519.3 建立共享函數 25619.4 建立模型 25819.5 定義訓練方式 26419.6 定義評估模型準確率的方式 26419.7 進行訓練 26519.8 評估模型準確率 26619.9 進行預測 26719.10 TensorBoard 26819.11 結論 270第20章 TensorFlow GPU版本的安裝 27120.1 確認顯卡是否支持CUDA 27320.2 安裝CUDA 27420.3 安裝cuDNN 27820.4 將cudnn64_5.dll存放的位置加入Path環境變量 28120.5 在Anaconda建立TensorFlow GPU虛擬環境 28320.6 安裝TensorFlow GPU版本 28520.7 安裝Keras 28620.8 結論 286第21章 使用GPU加快TensorFlow與Keras訓練 28721.1 啟動TensorFlow GPU環境 28821.2 測試GPU與CPU執行性能 29321.3 超出顯卡內存的 29621.4 以多層感知器的實際範例比較CPU與GPU的執行速度 29721.5 以CNN的實際範例比較CPU與GPU的執行速度 29921.6 以Keras Cifar CNN的實際範例比較CPU與GPU的執行速度 30221.7 結論 304附錄A 本書範例程序的下載與安裝說明 305A.1 在Windows繫統中下載與安裝範例程序 306A.2 在Ubuntu Linux繫統中下載與安裝範例程序 310  內容簡介  本書提供安裝、上機操作指南，同時輔以大量範例程序介紹TensorFlow + Keras深度學習方面的知識。本書分9部分，共21章，內容主要包括基本概念介紹、TensorFlow 與 Keras 的安裝、Keras MNIST手寫數字識別、Keras CIFAR-10照片圖像物體識別、Keras多層感知器預測泰坦尼克號上旅客的生存概率、使用Keras MLP、RNN、LSTM進行IMDb自然語言處理與情感分析、以TensorFlow張量運算仿真神經網絡的運行、TensorFlow MNIST手寫數字識別、使用GPU大幅加快深度學習訓練。TensorFlow + Keras深度學習方面的知識不需要具備高等數學模型、算法等專業知識，讀者隻需要具備基本的Python程序設計能力，按照本書......  林大貴 著 著作  林大貴,從事IT行業多年，在繫統設計、網站開發、數字營銷、商業智慧、大數據、機器學習等領域具有豐富的實戰經驗。  1．多層感知器模型的介紹為了能夠識別MNIST
手寫數字圖像，我們將建立如圖7-1
所示的多層感知器模型。圖7-12．多層感知器的訓練與預測建立如圖7-2
所示的多層感知器模型後，必須先訓練模型纔能夠進行預測（識別）這些手寫數字。TensorFlow+Keras深度學習人工智能實踐應用68訓練（Training）數據預處理訓練Features多層感知器模型7
3
9Label預測（Predict）數據預處理訓練完成Features
&n......  前 言近年來，人工智能（Artifi Intelligence，AI）吸引了大眾與媒體的目光，AlphaGo的成功更加讓人工智能技術變得炙手可熱，其實AI早已進入了我們的生活，如手機中的語音助理、人臉識別、影音平臺每日的推薦等。然而，人工智能的發展纔剛剛起步，未來人工智能的應用將會深入生活的每一個層面，也就是說未來一定是AI的時代。深度學習是人工智能中成長最快的領域，深度學習就是仿真人類神經網絡的工作方式，常見的深度學習架構有深度神經網絡（DNN）、卷積神經網絡（CNN）、遞歸神經網絡（RNN）等。深度學習特別適用於視覺識別、語音識別、自然語言處理、識別癌細胞等領域，目前已經取得非常好的效果。近年來，各大科技公司（如Google、Microsoft、Facebook、Amazon、Tesla等）都積極投入到深度學習領域進行研發。以Google公司為例，它在2014年以4...... "
| 
