滿額折
深度學習TensorFlow編程實戰（簡體書）
商品資訊
ISBN13：9787302559702
出版社：清華大學出版社(大陸)
作者：袁梅宇
出版日：2020/08/01
裝訂／頁數：平裝／281頁
規格：24cm*17cm (高/寬)
版次：一版
商品簡介
作者簡介
目次
相關商品
商品簡介
《深度學習TensorFlow編程實戰》講述深度學習的基本原理，使用TensorFlow實現涉及的深度學習算法。
通過理論學習和編程操作，《深度學習TensorFlow編程實戰》使讀者瞭解並掌握深度學習的原理和TensorFlow編程技能，拉近理論與實踐的距離。
《深度學習TensorFlow編程實戰》共分為10章，主要內容包括TensorFlow介紹、TensorFlow文件操作、BP神經網絡原理與實現、TensorFlow基礎編程、神經網絡訓練與優化、卷積神經網絡原理、卷積神經網絡示例、詞嵌入模型、循環神經網絡原理、循環神經網絡示例。
《深度學習TensorFlow編程實戰》源碼全部在TensorFlow1.13版本上調試成功。
《深度學習TensorFlow編程實戰》內容較全面、可操作性強，做到了理論與實踐相結合。
《深度學習TensorFlow編程實戰》適合深度學習和TensorFlow編程人員作為入門和提高的技術參考書，也適合用作計算機專業高年級本科生和研究生的教材或教學參考書。
通過理論學習和編程操作，《深度學習TensorFlow編程實戰》使讀者瞭解並掌握深度學習的原理和TensorFlow編程技能，拉近理論與實踐的距離。
《深度學習TensorFlow編程實戰》共分為10章，主要內容包括TensorFlow介紹、TensorFlow文件操作、BP神經網絡原理與實現、TensorFlow基礎編程、神經網絡訓練與優化、卷積神經網絡原理、卷積神經網絡示例、詞嵌入模型、循環神經網絡原理、循環神經網絡示例。
《深度學習TensorFlow編程實戰》源碼全部在TensorFlow1.13版本上調試成功。
《深度學習TensorFlow編程實戰》內容較全面、可操作性強，做到了理論與實踐相結合。
《深度學習TensorFlow編程實戰》適合深度學習和TensorFlow編程人員作為入門和提高的技術參考書，也適合用作計算機專業高年級本科生和研究生的教材或教學參考書。
作者簡介
袁梅宇，北航工學博士，碩士導師，現在昆明理工大學計算機系任教。為本科生和研究生主講Java程序設計、Java EE技術、數據庫原理、人工智能、Dot Net技術等核心課程，參加過863 CIMS Net建設、中歐合作項目DRAGON和多項國家基金和省基金項目，第一作者公開發表論文十餘篇，軟件著作權（頒證）六項。第一作者專著有《Java EE企業級編程開發實例詳解》、《數據挖掘與機器學習――WEKA應用技術與實踐》（第一版、第二版）、《求精要訣――Java EE編程開發案例精講》。
目次
第1章 TensorFlow介紹 1
1.1 深度學習與TensorFlow簡介 2
1.1.1 深度學習簡介 2
1.1.2 TensorFlow簡介 3
1.2 TensorFlow的安裝 6
1.2.1 Anaconda下載 6
1.2.2 在Windows平臺安裝TensorFlow 7
1.2.3 在Linux Ubuntu下安裝TensorFlow 8
1.2.4 Anaconda管理 9
1.3 常用數據集 13
1.3.1 MNIST數據集 13
1.3.2 Fashion-MNIST數據集 14
1.3.3 IMDB數據集 16
1.3.4 CIFAR-10數據集 18
1.3.5 REUTERS數據集 20
1.3.6 QIQC數據集 22
1.3.7 Dogs vs. Cats數據集 23
第2章 TensorFlow文件操作 25
2.1 CSV文件操作 26
2.1.1 讀取CSV文件 26
2.1.2 生成CSV文件 27
2.2 編寫網絡下載程序 28
2.3 TFRecords文件操作 30
2.3.1 生成TFRecords文件 30
2.3.2 讀取TFRecords文件 33
2.4 數據集API 35
2.4.1 數據集對象 35
2.4.2 讀取內存數據 36
2.4.3 讀取文本文件 38
2.4.4 讀取CSV文件 39
2.4.5 讀取圖像文件 41
第3章 BP神經網絡原理與實現 45
3.1 神經網絡構件 46
3.1.1 神經元 46
3.1.2 激活函數 47
3.2 神經網絡原理 52
3.2.1 神經網絡表示 52
3.2.2 前向傳播 54
3.2.3 代價函數 58
3.2.4 梯度下降 58
3.2.5 反向傳播 60
3.3 BP神經網絡的Python實現 62
3.3.1 輔助函數 62
3.3.2 前向傳播實現 66
3.3.3 反向傳播實現 68
3.3.4 模型訓練和預測 72
3.3.5 主函數和運行結果 74
3.4 BP神經網絡的TensorFlow實現 76
3.4.1 加載數據集 76
3.4.2 模型訓練和預測 77
第4章 TensorFlow基礎編程 79
4.1 TensorFlow的編程環境 80
4.2 TensorFlow計算圖 81
4.3 核心概念 81
4.3.1 變量與占位符 81
4.3.2 矩陣運算 85
4.3.3 常用運算符 86
4.3.4 圖、會話及運行 87
4.4 通過實例學習TensorFlow 90
4.4.1 異或問題描述與解決思路 90
4.4.2 低級API解決異或問題 91
4.4.3 用Keras解決異或問題 93
4.4.4 用Estimators解決異或問題 94
4.5 一個簡單的文本分類示例 97
4.6 TensorBoard可視化工具 101
4.6.1 啟動TensorBoard 101
4.6.2 在瀏覽器中查看 103
第5章 神經網絡訓練與優化 107
5.1 神經網絡迭代概述 108
5.1.1 訓練誤差與泛化誤差 108
5.1.2 訓練集、驗證集和測試集的劃分 109
5.1.3 偏差與方差 111
5.2 正則化方法 112
5.2.1 提前終止 113
5.2.2 正則化 113
5.2.3 Dropout 115
5.3 優化算法 117
5.3.1 小批量梯度下降 117
5.3.2 Momentum算法 119
5.3.3 RMSProp算法 121
5.3.4 Adam算法 124
第6章 卷積神經網絡原理 127
6.1 CNN介紹 128
6.1.1 CNN與圖像處理 128
6.1.2 卷積的基本原理 128
6.1.3 池化的基本原理 138
6.2 Keras實現LeNet-5網絡 142
6.2.1 LeNet-5介紹 142
6.2.2 使用Keras實現LeNet-5網絡 143
6.3 用Estimator實現CIFAR-10圖像識別 147
6.3.1 預創建的Estimator 147
6.3.2 定制 Estimator 151
6.3.3 用TensorBoard查看 157
第7章 卷積神經網絡示例 161
7.1 經典CNN案例 162
7.1.1 VGG 162
7.1.2 ResNet 163
7.1.3 Inception 165
7.1.4 Xception 168
7.2 使用預訓練的CNN 169
7.2.1 直接使用預訓練CNN 169
7.2.2 數據生成器 172
7.2.3 特徵提取 173
7.2.4 微調 181
7.3 CNN可視化 183
7.3.1 中間激活可視化 183
7.3.2 過濾器可視化 190
第8章 詞嵌入模型 195
8.1 詞嵌入模型介紹 196
8.1.1 獨熱碼 196
8.1.2 詞嵌入 202
8.2 詞嵌入學習 204
8.2.1 詞嵌入學習的動機 204
8.2.2 Skip-Gram算法 205
8.2.3 CBOW算法 207
8.2.4 負採樣 208
8.2.5 GloVe算法 211
8.3 Word2Vec算法實現 212
8.3.1 Skip-Gram算法實現 212
8.3.2 CBOW算法實現 218
8.3.3 負採樣Skip-Gram算法實現 220
第9章 循環神經網絡原理 229
9.1 RNN介紹 230
9.1.1 有記憶的神經網絡 230
9.1.2 RNN的用途 233
9.2 基本的RNN模型 236
9.2.1 基本RNN的原理 236
9.2.2 基本RNN的訓練問題 241
9.2.3 基本RNN示例 243
9.3 LSTM 246
9.3.1 LSTM原理 246
9.3.2 LSTM示例 250
9.4 GRU 251
9.4.1 GRU原理 251
9.4.2 GRU示例 253
第10章 循環神經網絡示例 255
10.1 情感分析 256
10.2 文本序列數據生成 262
10.2.1 向莎士比亞學寫詩 262
10.2.2 神經機器翻譯 268
參考文獻 282
1.1 深度學習與TensorFlow簡介 2
1.1.1 深度學習簡介 2
1.1.2 TensorFlow簡介 3
1.2 TensorFlow的安裝 6
1.2.1 Anaconda下載 6
1.2.2 在Windows平臺安裝TensorFlow 7
1.2.3 在Linux Ubuntu下安裝TensorFlow 8
1.2.4 Anaconda管理 9
1.3 常用數據集 13
1.3.1 MNIST數據集 13
1.3.2 Fashion-MNIST數據集 14
1.3.3 IMDB數據集 16
1.3.4 CIFAR-10數據集 18
1.3.5 REUTERS數據集 20
1.3.6 QIQC數據集 22
1.3.7 Dogs vs. Cats數據集 23
第2章 TensorFlow文件操作 25
2.1 CSV文件操作 26
2.1.1 讀取CSV文件 26
2.1.2 生成CSV文件 27
2.2 編寫網絡下載程序 28
2.3 TFRecords文件操作 30
2.3.1 生成TFRecords文件 30
2.3.2 讀取TFRecords文件 33
2.4 數據集API 35
2.4.1 數據集對象 35
2.4.2 讀取內存數據 36
2.4.3 讀取文本文件 38
2.4.4 讀取CSV文件 39
2.4.5 讀取圖像文件 41
第3章 BP神經網絡原理與實現 45
3.1 神經網絡構件 46
3.1.1 神經元 46
3.1.2 激活函數 47
3.2 神經網絡原理 52
3.2.1 神經網絡表示 52
3.2.2 前向傳播 54
3.2.3 代價函數 58
3.2.4 梯度下降 58
3.2.5 反向傳播 60
3.3 BP神經網絡的Python實現 62
3.3.1 輔助函數 62
3.3.2 前向傳播實現 66
3.3.3 反向傳播實現 68
3.3.4 模型訓練和預測 72
3.3.5 主函數和運行結果 74
3.4 BP神經網絡的TensorFlow實現 76
3.4.1 加載數據集 76
3.4.2 模型訓練和預測 77
第4章 TensorFlow基礎編程 79
4.1 TensorFlow的編程環境 80
4.2 TensorFlow計算圖 81
4.3 核心概念 81
4.3.1 變量與占位符 81
4.3.2 矩陣運算 85
4.3.3 常用運算符 86
4.3.4 圖、會話及運行 87
4.4 通過實例學習TensorFlow 90
4.4.1 異或問題描述與解決思路 90
4.4.2 低級API解決異或問題 91
4.4.3 用Keras解決異或問題 93
4.4.4 用Estimators解決異或問題 94
4.5 一個簡單的文本分類示例 97
4.6 TensorBoard可視化工具 101
4.6.1 啟動TensorBoard 101
4.6.2 在瀏覽器中查看 103
第5章 神經網絡訓練與優化 107
5.1 神經網絡迭代概述 108
5.1.1 訓練誤差與泛化誤差 108
5.1.2 訓練集、驗證集和測試集的劃分 109
5.1.3 偏差與方差 111
5.2 正則化方法 112
5.2.1 提前終止 113
5.2.2 正則化 113
5.2.3 Dropout 115
5.3 優化算法 117
5.3.1 小批量梯度下降 117
5.3.2 Momentum算法 119
5.3.3 RMSProp算法 121
5.3.4 Adam算法 124
第6章 卷積神經網絡原理 127
6.1 CNN介紹 128
6.1.1 CNN與圖像處理 128
6.1.2 卷積的基本原理 128
6.1.3 池化的基本原理 138
6.2 Keras實現LeNet-5網絡 142
6.2.1 LeNet-5介紹 142
6.2.2 使用Keras實現LeNet-5網絡 143
6.3 用Estimator實現CIFAR-10圖像識別 147
6.3.1 預創建的Estimator 147
6.3.2 定制 Estimator 151
6.3.3 用TensorBoard查看 157
第7章 卷積神經網絡示例 161
7.1 經典CNN案例 162
7.1.1 VGG 162
7.1.2 ResNet 163
7.1.3 Inception 165
7.1.4 Xception 168
7.2 使用預訓練的CNN 169
7.2.1 直接使用預訓練CNN 169
7.2.2 數據生成器 172
7.2.3 特徵提取 173
7.2.4 微調 181
7.3 CNN可視化 183
7.3.1 中間激活可視化 183
7.3.2 過濾器可視化 190
第8章 詞嵌入模型 195
8.1 詞嵌入模型介紹 196
8.1.1 獨熱碼 196
8.1.2 詞嵌入 202
8.2 詞嵌入學習 204
8.2.1 詞嵌入學習的動機 204
8.2.2 Skip-Gram算法 205
8.2.3 CBOW算法 207
8.2.4 負採樣 208
8.2.5 GloVe算法 211
8.3 Word2Vec算法實現 212
8.3.1 Skip-Gram算法實現 212
8.3.2 CBOW算法實現 218
8.3.3 負採樣Skip-Gram算法實現 220
第9章 循環神經網絡原理 229
9.1 RNN介紹 230
9.1.1 有記憶的神經網絡 230
9.1.2 RNN的用途 233
9.2 基本的RNN模型 236
9.2.1 基本RNN的原理 236
9.2.2 基本RNN的訓練問題 241
9.2.3 基本RNN示例 243
9.3 LSTM 246
9.3.1 LSTM原理 246
9.3.2 LSTM示例 250
9.4 GRU 251
9.4.1 GRU原理 251
9.4.2 GRU示例 253
第10章 循環神經網絡示例 255
10.1 情感分析 256
10.2 文本序列數據生成 262
10.2.1 向莎士比亞學寫詩 262
10.2.2 神經機器翻譯 268
參考文獻 282
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。