![](http://img.alicdn.com/imgextra/i3/2455124912/O1CN01jskrNi1m9k4mbkI7x_!!0-item_pic.jpg)
品牌:機械工業出版社 機械工業出版社 產品名稱:TensorFlow深度學習:數學... ISBN編號:9787111645849 書名:TensorFlow深度學習:數學原理與Python實戰進階 TensorFlow深度學習:數學原理與Python實戰進階 作者:桑塔努·帕塔納雅克 作者地區:其他 代碼:99 是否是套裝:否 出版社名稱:機械工業出版社
" TensorFlow深度學習 數學原理與Python實戰進階 作 者:(印)桑塔努·帕塔納雅克(Santanu Pattanayak) 著 魏國強 等 譯 定 價:99 出 版 社:機械工業出版社 出版日期:2020年04月01日 頁 數:308 裝 幀:平裝 ISBN:9787111645849 ●原書前言 章數學基礎//1 1.1線性代數//2 1.1.1向量//2 1.1.2標量//2 1.1.3矩陣//3 1.1.4張量//3 1.1.5矩陣的運算和操作//4 1.1.6向量的線性獨立//6 1.1.7矩陣的秩//8 1.1.8單位矩陣或恆等運算符//8 1.1.9矩陣的行列式//9 1.1.10逆矩陣//10 1.1.11向量的範數(模)//11 1.1.12偽逆矩陣//12 1.1.13以特定向量為方向的單位向量//12 1.1.14一個向量在另一個向量方向上的投影(或射影)//12 1.1.15特征向量//12 1.2微積分//17 1.2.1微分//17 1.2.2函數的梯度//17 1.2.3連續偏導數//18 1.2.4海森矩陣//18 1.2.5函數的極大值和極小值//18 1.2.6局部極小值和全局最小值//20 1.2.7半正定以及正定矩陣//21 1.2.8凸集//21 1.2.9凸函數//22 1.2.10非凸函數//22 1.2.11多變量凸函數以及非凸函數範例//23 1.2.12泰勒級數//24 1.3概率//24 1.3.1並集、交集和條件概率//25 1.3.2事件交集概率的鏈式法則//26 1.3.3互斥事件//26 1.3.4事件獨立性//27 1.3.5事件條件獨立性//27 1.3.6貝葉斯定理(公式)//27 1.3.7概率質量函數//28 1.3.8概率密度函數//28 1.3.9隨機變量的數學期望//28 1.3.10隨機變量的方差//28 1.3.11偏度和峰度//29 1.3.12協方差//30 1.3.13相關性繫數//31 1.3.14一些常見的概率分布//31 1.3.15似然函數//34 1.3.16優選似然估計//35 1.3.17假設檢驗和p值//36 1.4機器學習算法的制定與優化算法//38 1.4.1監督學習//38 1.4.2無監督學習//45 1.4.3機器學習的優化算法//45 1.4.4約束優化問題//53 1.5機器學習中的幾個重要主題//54 1.5.1降維方法//54 1.5.2正則化//5 1.5.3約束優化問題中的正則化//59 1.6總結//60 第2章深度學習概念和TensorFlow介紹//61 2.1深度學習及其發展//61 2.2感知機和感知機學習算法//63 2.2.1感知機學習的幾何解釋//65 2.2.2感知機學習的局限性//66 2.2.3非線性需求//68 2.2.4隱藏層感知機的非線性激活函數//69 2.2.或感知機的不同激活函數//70 2.2.6多層感知機網絡的學習規則//74 2.2.7梯度計算的反向傳播//75 2.2.8反向傳播方法推廣到梯度計算//76 2.3TensorFlow//82 2.3.1常見的深度學習包//82 2.3.2TensorFlow的安裝//83 2.3.3TensorFlow的開發基礎//83 2.3.4深度學習視角下的梯度下降優化方法//86 2.3.5隨機梯度下降的小批量方法中的學習率//90 2.3.6TensorFlow中的優化器//90 2.3.7TensorFlow實現XOR//96 2.3.8TensorFlow中的線性回歸//100 2.3.9使用全批量梯度下降的SoftMax函數多分類//103 2.3.10使用隨機梯度下降的SoftMax函數多分類//105 2.4GPU//107 2.5總結//108 第3章卷積神經網絡//109 3.1卷積操作//109 3.1.1線性時不變和線性移不變繫統//109 3.1.2一維信號的卷積//111 3.2模擬信號和數字信號//112 3.2.1二維和三維信號//113 3.3二維卷積//114 3.3.1二維單位階躍函數//114 3.3.2LSI繫統中單位階躍響應信號的二維卷積//115 3.3.3不同的LSI繫統中圖像的二維卷積//117 3.4常見的圖像處理濾波器//120 3.4.1均值濾波器//120 3.4.2中值濾波器//122 3.4.3高斯濾波器//122 3.4.4梯度濾波器//123 3.4.5Sobel邊緣檢測濾波器//125 3.4.6恆等變換//127 3.5卷積神經網絡//128 3.6卷積神經網絡的組成部分//128 3.6.1輸入層//129 3.6.2卷積層//129 3.6.3池化層//131 3.7卷積層中的反向傳播//131 3.8池化層中的反向傳播//134 3.9卷積中的權值共享及其優點//136 3.10平移同變性//136 3.11池化的平移不變性//137 3.12舍棄層和正則化//138 3.13MNIST數據集上進行手寫數字識別的卷積神經網絡//140 3.14用來解決現實問題的卷積神經網絡//144 3.15批規範化//151 3.16卷積神經網絡中的幾種不同的網絡架構//153 3.16.1LeNet//153 3.16.2AlexNet//154 3.16.3VGG16//155 3.16.4ResNet//156 3.17遷移學習//157 3.17.1遷移學習的使用指導//158 3.17.2使用谷歌InceptionV3網絡進行遷移學習//159 3.17.3使用預訓練的VGG16網絡遷移學習//162 3.18總結//166 第4章基於循環神經網絡的自然語言處理//167 4.1向量空間模型//167 4.2單詞的向量表示//170 4.3Word2Vec//170 4.3.1CBOW//171 4.3.2CBOW在TensorFlow中的實現//173 4.3.3詞向量嵌入的Skip-gram模型//176 4.3.4Skip-gram在TensorFlow中的實現//178 4.3.5基於全局共現方法的詞向量//181 4.3.6GloVe//186 4.3.7詞向量類比法//188 4.4循環神經網絡的介紹//191 4.4.1語言建模//193 4.4.2用循環神經網絡與傳統方法預測句子中的下一個詞的對比//193 4.4.3基於時間的反向傳播//194 4.4.4循環神經網絡中的梯度消失與爆炸問題//196 4.4.5循環神經網絡中的梯度消失與爆炸問題的解決方法//198 4.4.6LSTM//199 4.4.7LSTM在減少梯度爆炸和梯度消失問題中的應用//200 4.4.8在TensorFlow中使用循環神經網絡進行MNIST數字識別//201 4.4.9門控//210 4.4.10雙向循環神經網絡//211 4.5總結//212 第5章用受限玻爾茲曼機和自編碼器進行無監督學習//214 5.1玻爾茲曼分布//214 5.2貝葉斯推斷:似然、先驗和後驗概率分布//215 5.3MCMC采樣方法//219 5.3.11Metropolis算法//222 5.4受限玻爾茲曼機//226 5.4.1訓練受限玻爾茲曼機//229 5.4.2吉布斯采樣//233 5.4.3塊吉布斯采樣//234 5.4.4Burn-in階段和吉布斯采樣中的樣本生成//235 5.4.5基於吉布斯采樣的受限玻爾茲曼機//235 5.4.6對比散度//236 5.4.7受限玻爾茲曼機的TensorFlow實現//237 5.4.8基於受限玻爾茲曼機的協同過濾//239 5.4.9深度置信網絡//244 5.5自編碼器//248 5.5.1基於自編碼器的監督式特征學習//250 5.5.2KL散度//251 5.5.3稀疏自編碼器//251 5.5.4稀疏自編碼器的TensorFlow實現//253 5.5.5去噪自編碼器//255 5.5.6去噪自編碼器的TensorFlow實現//256 5.6PCA和ZCA白化//262 5.7總結//264 第6章不錯神經網絡//265 6.1圖像分割//265 6.1.1基於像素強度直方閾值分割方法//265 6.1.2大津法//266 6.1.3用於圖像分割的分水嶺算法//268 6.1.4使用K-means聚類進行圖像分割//272 6.1.5語義分割//274 6.1.6滑動窗口方法//274 6.1.7全卷積網絡//275 6.1.8全卷積網絡的下采樣和上采樣//277 6.1.9U-Net//281 6.1.10在TensorFlow中使用全卷積神經網絡進行語義分割//283 6.2圖像分類和定位網絡//290 6.3物體檢測//292 6.3.1R-CNN//293 6.3.2Fast和Faster-CNN//294 6.4生成式對抗網絡//295 6.4.1極大極小和極小極大問題//295 6.4.2零和博弈//297 6.4.3極小極大和鞍點//298 6.4.4生成式對抗網絡的損失函數和訓練//300 6.4.5生成器的梯度消彌//302 6.4.6生成式對抗網絡的TensorFlow實現//302 6.5生成環境下的TensorFlow模型應用//305 6.6總結//308 內容簡介 本書重點在幫你掌握深度學習所要求的數學原理和編程實戰經驗,使你能快速使用TensorFlow輕松部署產品中的深度學習解決方案,並形成開發深度學習架構和解決方案時所需的數學理解和直覺。 本書提供了豐富的理論和實戰動手經驗,使你可以從零開始掌握深度學習,並能快速部署有價值的深度學習解決方案。本書重點講解了與多個行業相關的深度學習實踐方面的專業知識。通過這些實戰經驗,你將能夠使用原型來構建新的深度學習應用程序。 "![](http://img.alicdn.com/imgextra/i3/2455124912/O1CN01jskrNi1m9k4mbkI7x_!!0-item_pic.jpg)
|