| | | | 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 | |
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 |
" | | |
| | | | |
|
