深度學習程序設計實戰

方林,陳海波著

  • 出版商: 機械工業
  • 出版日期: 2021-03-01
  • 定價: $419
  • 售價: 8.5$356
  • 語言: 簡體中文
  • 頁數: 267
  • 裝訂: 平裝
  • ISBN: 711167359X
  • ISBN-13: 9787111673590
  • 相關分類: DeepLearning
  • 立即出貨 (庫存 < 4)

買這商品的人也買了...

相關主題

商品描述

本書以Python語言和Tensorflow為工具,由淺入深地講述了深度學習程序設計的基本原理、算法和思考問題的方法,
內容包括自頂向下的程序設計、遞歸程序設計、面向對象的程序設計、反向傳播算法、三層神經網絡、
卷積神經網絡、循環神經網絡、生成式對抗網絡和目標檢測等。
本書重在研究代碼背後深刻的計算機理論和數學原理,試圖說明代碼是對理論和思想的實現手段,而不是目的。
學以致用是本書的宗旨,提高讀者編程水平和動手能力是本書的目的。
本書通過大量有趣的實例,說明了理論對深度學習程序設計實踐的指導意義。

目錄大綱


前言

第壹章程序設計方法...00
1.1自頂向下的程序設計...00
1.1.1問題分解和自頂向下的程序設計方法...00
1.1.2五猴分桃問題...00
1.1.3猜姓氏問題...00
1.1.4囚犯問題...00
1.1.5撲克牌問題...0
1.2遞歸程序設計...0
1.2.1河內塔問題... 0
1.2.2兔子問題...0
1.2.3字符串匹配問題...0
1.2.4組合問題...0
1.2.5人字形鐵路問題...0
1.3面向對象的程序設計... 0
1.3.1方法重定義和分數...0
1.3.2二十四點問題...0
1.4結束語...0

第2章反向傳播算法...0
2.1導數和導數的應用.. .0
2.1.1導數...0
2.1.2梯度下降法求函數的*小值...0
2.1.3牛頓法求平方根...0
2.1.4複合函數和鍊式法則...0
2.1.5多元函數和全微分方程...0
2.1.6反向傳播算法...0
2.1.7梯度...0
2.1.8分段求導...0
2.2自動求導和人工智能框架...0
2.2.1表達式和自動求偏導...0
2.2.2表達式求值...0
2.2.3求解任意方程. ..0
2.2.4求解任意方程組...0
2.2.5求解任意函數的極小值...0
2.2.6張量、計算圖和人工智能框架...0
2.3結束語...0

第3章神經元網絡初步...0
3.1 Tensorflow基本概念...0
3.1.1計算圖、張量、常數和變量...0
3.1.2會話、運行...0
3.1.3佔位符...0
3.1.4矩陣算術運算...0
3.1.5矩陣運算的廣播...0
3.1.6 TF矩陣運算...0
3.1.7形狀和操作...0
3.1.8關係運算和邏輯運算...0
3.2優化器和計算圖...0
3.2.1梯度和優化器...0
3.2.2求解平方根...0
3.2.3計算圖...0
3.3三層神經網絡...0
3.3. 1神經元網絡訓練算法...0
3.3.2線性變換和激活函數...0
3.3.3矩陣乘法和全連接...0
3.3.4激活函數...0
3.3.5全連接和Relu的梯度...0
3.3.6求正弦...0
3.3.7 BGD、SGD和MBGD...0
3.3.8三層神經網絡模型...0
3.4用三層神經網絡擬合任意一個函數...0
3.4.1三層神經網絡擬合一元函數...0
3.4.2樣本、訓練和預測...0
3.4.3中間層神經元個數和样本數量之間的關係... 0
3.4.4自變量越界會發生什麼...0
3.4.5同時擬合cos(x)、sin(x)...0
3.4.6擬合多元函數...0
3.4.7過擬合...0
3.5手寫數字識別...0
3.5.1手寫數字樣本集合MNIST...0
3.5.2獨熱向量...0
3.5.3 3種損失函數...0
3.5.4 softmax函數...0
3.5.5保存和恢復模型. ..0
3.5.6驗證模型...0
3.5.7測試和使用模型...0
3.6結束語...0

第4章卷積神經網絡...0
4.1卷積...0
4.1.1一維卷積...0
4.1.2二維卷積...
4.1.3通道...
4.1.4 TF對卷積的第壹種實現...
4.1.5 TF對卷積的第2種實現...
4.1.6卷積的實質...
4.2池化操作...
4.2.1 *大值池化和平均值池化...
4.2.2池化操作的梯度...
4.3用CNN實現手寫數字識別..
4.3.1模型的結構...
4.3.2模型參數數量和計算量...
4.3.3關於全連接和Dropout...
4.3.4用Tensorboard監視訓練.. .
4.4手寫數字生成...
4.4.1生成問題...
4.4.2 VAE模型和語義...
4.4.3反捲積操作...
4.4.4網絡的結構...
4.4.5動量.. .
4.4.6控制依賴...
4.4.7預測...
4.5條件VAE模型...
4.5.1 CVAE模型...
4.5.2條件式手寫數字生成模型...
4.6使用GPU...
4.6 .1單GPU和nvidia-smi命令...
4.6.2多GPU和重名問題...
4.6.3多GPU的梯度...
4.6.4多GPU訓練..
4.6.5多GPU預測. ..
4.7殘差神經網絡...
4.7.1殘差神經網絡的實現...
4.7.2 BN操作...
4.8表情識別...
4.8.1樣本...
4.8.2通用超ji框架...
4.8.3模型...
4.9人臉識別和人臉對比...
4.9.1人臉識別...
4.9.2簡單人臉對比...
4.9.3簡單人臉對比的實現...
4.9.4法向量和夾角餘弦...
4.9.5基於夾角餘弦的人臉對比...
4.10語義分割和實例分割...
4.10.1什麼是語義分割和實例分割...
4.10.2多分類問題...
4.10.3 U型網絡...
4.10.4語義分割和實例分割的實現...
4.10.5點到點的語義分割和實例分割...
4.11其他CNN模型...
4.12優化器...
4.12.1 GradientDescentOptimizer...
4.12.2 MomentumOptimizer. ..
4.12.3 RMSPropOptimizer...
4.12.4 AdamOptimizer...
4.12.5 AdagradOptimizer...
4.12.6 AdadeltaOptimizer...
4.13結束語...

第5章循環神經網絡...
5.1什麼是循環神經網絡...
5.2 RNN的結構...
5.2.1簡單RNN模型...
5.2.2多層RNN...
5.3詩歌生成器...
5.3.1樣本預處理...
5.3.2字向量...
5.3 .3可洗牌的DataSet...
5.3.4生成詩歌...
5.4 LSTM模型...
5.4.1基本LSTM模型...
5.4.2 LSTM變體之一——Peephole...
5.4.3 LSTM變體之二——GRU...