| | | TensorFlow神經網絡編程 計算機與互聯網 (印)曼普裡特·辛格·古 | 該商品所屬分類:圖書 -> ε | 【市場價】 | 529-768元 | 【優惠價】 | 331-480元 | 【出版社】 | 機械工業出版社 | 【ISBN】 | 9787111611783 | 【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 | |
![](/c49/32/54914098020.jpg)
出版社:機械工業出版社 ISBN:9787111611783 商品編碼:54914098020 開本:小16開 出版時間:2018-11-01 頁數:220 代碼:69
" 商品基本信息,請以下列介紹為準 | 商品名稱: | TensorFlow神經網絡編程 計算機與互聯網 書籍 | 作者: | (印)曼普裡特·辛格·古特(Manpreet Singh Ghotra),(印)拉蒂普·杜瓦(Rajdeep Dua)著 | 代碼: | 69.0 | 出版社: | 機械工業出版社 | 出版日期: | 2018-11-01 | ISBN: | 9787111611783 | 印次: | 1 | 版次: | 1 | 裝幀: | 平裝-膠訂 | 開本: | 小16開 |
內容簡介 | 本書先簡要介紹流行的TensorFlow庫,並講解如何用它訓練不同的神經網絡。 你將深入了解神經網絡的基礎知識和它背後的數學原理,以及為什麼我們會選擇TensorFlow訓練神經網絡。然後,你將實現一個簡單的前饋神經網絡。接下來,你將使用TensorFlow掌握神經網絡的優化技術和算法,以及一些更復雜的神經網絡的實現。*後,你將對如何利用TensorFlow的強大功能來訓練各種復雜的神經網絡有一個正確的理解。 |
目錄 | 譯者序 作者簡介 審校者簡介 前言 第1 章神經網絡的數學原理 1 1.1理解線性代數 1 1.1.1環境設置 2 1.1.2線性代數的數據結構 3 1.1.3線性代數運算 4 1.1.4求解線性方程 · 9 1.1.5奇異值分解 11 1.1.6特征值分解 14 1.1.7主成分分析 14 1.2微積分 15 1.2.1梯度 16 1.2.2Hessian 矩陣 23 1.2.3行列式 24 1.3化 25 1.4總結 28 第2 章深度前饋神經網絡 29 2.1定義前饋神經網絡 29 2.2理解反向傳播 30 2.3在TensorFlow 中實現前饋神經網絡 · 31 2.4分析Iris 數據集 · 34 2.5使用前饋網絡進行圖像分類 40 2.6總結 54 第3 章神經網絡的優化 · 55 3.1什麼是優化 55 3.2優化器的類型 56 3.3梯度下降 57 3.3.1梯度下降的變體 58 3.3.2優化梯度下降的算法 59 3.4優化器的選擇 61 3.5總結 64 第4 章卷積神經網絡 · 65 4.1卷積神經網絡概述和直觀理解 66 4.1.1單個卷積層的計算 66 4.1.2TensorFlow 中的CNN 70 4.2卷積作 · 72 4.2.1對圖像進行卷積 73 4.2.2步長 75 4.3池化 · 76 4.3.1池化 77 4.3.2示例代碼 78 4.4使用卷積網絡進行圖像分類 80 4.5總結 · 102 第5 章遞歸神經網絡 · 103 5.1遞歸神經網絡介紹 103 5.1.1RNN 實現 105 5.1.2TensorFlow RNN 實現 110 5.2長短期記憶網絡簡介 114 5.2.1LSTM 的生命周期 115 5.2.2LSTM 實現 117 5.3情感分析 122 5.3.1詞嵌入 122 5.3.2使用RNN 進行情感分析 · 128 5.4總結 134 第6 章生成模型 135 6.1生成模型簡介 135 6.1.1判別模型對生成模型 136 6.1.2生成模型的類型 137 6.2GAN · 140 6.2.1GAN 示例 141 6.2.2GAN 的種類 150 6.3總結 · 152 第7 章深度信念網絡 · 153 7.1理解深度信念網絡 154 7.2訓練模型 161 7.3標簽預測 162 7.4探索模型的準確度 162 7.5DBN 在MNIST 數據集上的應用 · 163 7.5.1加載數據集 163 7.5.2具有256 的RBM層的DBN 的輸入參數 · 163 7.5.3具有256 的RBM層的DBN 的輸出 · 165 7.6DBN 中RBM 層數量的影響 · 165 7.6.1具有512 的RBM 層 · 165 7.6.2具有128 的RBM 層 · 166 7.6.3準確度指標對比 166 7.7具有兩個RBM 層的DBN 167 7.8用DBN 對NotMNIST 數據集進行分類 · 169 7.9總結 172 第8 章自編碼器 173 8.1自編碼算法 174 8.2欠完備自編碼器 175 8.3數據集 · 175 8.4基本自編碼器 177 8.4.1自編碼器的初始化 177 8.4.2AutoEncoder 類 178 8.4.3應用於MNIST 數據集的基本自編碼器 180 8.4.4基本自編碼器的完整代碼 · 184 8.4.5基本自編碼器小結 186 8.5加性高斯噪聲自編碼器 186 8.5.1自編碼器類 187 8.5.2應用於MNIST 數據集的加性高斯自編碼器 188 8.5.3繪制重建的圖像 191 8.5.4加性高斯自編碼器的完整代碼 · 192 8.5.5比較基本自編碼器和加性高斯噪聲自編碼器 193 8.5.6加性高斯噪聲自編碼器小結 · 194 8.6稀疏自編碼器 194 8.6.1KL 散度 194 8.6.2稀疏自編碼器的完整代碼 · 196 8.6.3應用於MNIST 數據集的稀疏自編碼器 198 |
" | | | | | |