基於 TensorFlow 的深度學習 : 揭示數據隱含的奧秘
丹·範·鮑克塞爾
- 出版商: 機械工業
- 出版日期: 2018-04-16
- 定價: $234
- 售價: 7.9 折 $185
- 語言: 簡體中文
- 頁數: 90
- 裝訂: 平裝
- ISBN: 7111588738
- ISBN-13: 9787111588733
-
相關分類:
DeepLearning、TensorFlow
- 此書翻譯自: Hands-On Deep Learning with TensorFlow
立即出貨
買這商品的人也買了...
-
$1,050Microsoft SQL Server 2008 Internals (Paperback)
-
$975$926 -
$490$417 -
$780$616 -
$390$308 -
$301機器學習系統設計 : Python 語言實現 (Designing Machine Learning Systems with Python)
-
$403深度學習與計算機視覺 : 算法原理、框架應用與代碼實現 (Deep Learning & Computer Vision:Algorithms and Examples)
-
$480$379 -
$454Arduino實戰手冊:25個精選實例帶你輕鬆入門(彩色圖解版)
-
$327高效機器學習:理論、算法及實踐
-
$250基於虛擬儀器的傳感器實踐
-
$352深度學習實戰
-
$301數據科學導論:Python語言實現(原書第2版)
-
$210$200 -
$280深度學習:基於 Keras 的 Python 實踐
-
$403深度學習 : 捲積神經網絡從入門到精通
-
$607Python 深度學習 (Deep Learning with Python)
-
$880$695 -
$327深度學習技術圖像處理入門
-
$505TensorFlow 進階指南:基礎、算法與應用
-
$374解析深度學習:捲積神經網絡原理與視覺實踐
-
$414$393 -
$680$537 -
$458微服務之道
-
$680$537
相關主題
商品描述
本書主要介紹TensorFlow及其在各種深度學習神經網絡中的應用。全書共5章,首先介紹了TensorFlow的入門知識,包括其相關技術與模型以及安裝配置,然後分別介紹了TensorFlow在深度神經網絡、捲積神經網絡、遞歸神經網絡中的應用,並通過具體示例進行了詳細分析與應用。後,對上述TensorFlow模型進行了總結分析,並核驗了模型精度。
作者簡介
Dan Van Boxel是一位擁有10多年開發經驗的數據分析師和機器學習工程師,其具代表性的工作是Dan Dose Data,這是一個在YouTube上演示神經網絡強大功能和缺陷的直播平台。作者已開發出多種有關機器學習的新統計模型,並應用於高速運輸貨車計費、行
程時間異常檢驗等領域。另外,作者還在美國交通研究委員會和其他學術期刊上發表了學術論文並給出了研究結果。
目錄大綱
譯者序
原書前言
第1章入門知識// 1
1.1 TensorFlow安裝// 1
1.1.1 TensorFlow-主界面// 1
1.1.2 TensorFlow-安裝頁面// 1
1.1.3通過pip安裝// 1
1.1 .4通過CoCalc安裝// 4
1.2簡單計算// 6
1.2.1定義標量和張量// 6
1.2.2張量計算// 7
1.2.3執行計算// 7
1.2.4張量變量// 8
1.2.5查看和替換中間值// 9
1.3邏輯回歸模型建模// 10
1.3.1導入字體分類數據集// 11
1.3.2邏輯回歸分析// 13
1.3.3數據準備// 13
1.3 .4構建TensorFlow模型// 14
1.4邏輯回歸模型訓練// 15
1.4.1編寫損失函數// 15
1.4.2訓練模型// 16
1.4.3評估模型精度// 17
1.5小結// 19
第2章深度神經網絡// 20
2.1基本神經網絡// 20
2.1.1 log函數// 21
2.1.2 sigmoid函數// 22
2.2單隱層模型// 23
2.2.1單隱層模型探討// 24
2.2.2反向傳播算法// 25
2.3單隱層模型解釋// 26
2.3.1理解模型權重// 28
2.4多隱層模型// 29
2.4.1多隱層模型探討// 30
2.5多隱層模型結果// 32
2.5.1多隱層模型圖理解// 33
2.6小結// 36
第3章卷積神經網絡// 37
3.1卷積層激勵// 37
3.1.1多特徵提取// 40
3.2卷積層應用// 41
3.2.1卷積層探討// 41
3.3池化層激勵// 46
3.3.1最大池化層// 46
3.4池化層應用// 49
3.5深度卷積神經網絡// 51
3.5.1添加卷積層和池化層組合// 51
3.5.2應用卷積神經網絡進行字體分類// 53
3.6更深度卷積神經網絡// 57
3.6.1對卷積神經網絡中的一層添加另
一層// 57
基於TensorFlow的深度學習:
揭示數據隱含的奧秘
X
3.7整理總結深度卷積神經網絡// 60
3.8小結// 64
第4章遞歸神經網絡// 65
4.1遞歸神經網絡探討// 65
4.1.1權重建模// 66
4.1 .2遞歸神經網絡理解// 67
4.2 TensorFlow Learn // 70
4.2.1設置// 71
4.2.2邏輯回歸// 72
4.3深度神經網絡// 73
4.3.1卷積神經網絡在Learn中的
應用/ / 74
4.3.2權重提取// 77
4.4小結// 78
第5章總結整理// 79
5.1研究評價// 79
5.2所有模型的快速回顧// 80
5.2.1邏輯回歸模型// 80
5.2.2單隱層神經網絡模型// 81
5.2.3深度神經網絡// 83
5.2.4卷積神經網絡// 84
5.2.5深度卷積神經網絡// 85
5.3 TensorFlow的展望// 87
5.3.1一些TensorFlow工程項目// 88
5.4小結// 90