TensorFlow 深度學習:模型、演算法原則與實戰
王振麗//於先軍
- 出版商: 中國鐵道
- 出版日期: 2024-01-01
- 售價: $479
- 貴賓價: 9.5 折 $455
- 語言: 簡體中文
- 頁數: 322
- 裝訂: 平裝
- ISBN: 7113305156
- ISBN-13: 9787113305154
-
相關分類:
DeepLearning、TensorFlow、Algorithms-data-structures
立即出貨(限量) (庫存=1)
買這商品的人也買了...
-
$594$564 -
$258$245 -
$354$336 -
$520$406 -
$880$695 -
$414$393 -
$403速通機器學習
-
$611金融中的機器學習
-
$458寫給新手的深度學習2 — 用 Python 實現的循環神經網絡 RNN 和 VAE、GAN
-
$407PyTorch 自然語言處理入門與實戰
-
$607利用 Python 實現概率、統計及機器學習方法(原書第2版)
-
$1,014$963 -
$352Python大數據分析Big Data Analysis with Python
-
$774$735 -
$419$398 -
$254數據挖掘技術(微課視頻版)
-
$254統計計算
-
$704蒙特卡羅方法與人工智能
-
$600$570 -
$539$512 -
$1,015資料分析與預測演算法:基於 R語言
-
$359$341 -
$534$507 -
$354$336 -
$300$270
相關主題
商品描述
本書循序漸進地講解了使用TensorFlow開發深度學習程式的核心知識,
並透過具體實例的實現過程演練了使用TensorFlow的方法和流程。
書中首先講解了TensorFlow深度學習基礎知識;
然後介紹了資料集製作、前饋神經網路、卷積神經網路、循環神經網路、生成式對抗網路、自然語言處理、
注意力機制、機率圖模型、深度信念網路、強化學習、無監督學習、TensorFlow Lite行動端與嵌入式輕量級開發、
TensorFlow.js智慧前端開發等實戰應用內容;最後透過開發姿勢預測器與智慧客服系統,講解TensorFlow的綜合應用。
目錄大綱
第1章 TensorFlow深度學習基礎
1.1 人工智慧與深度學習概述
1.1.1 人工智慧介紹
1.1.2 機器學習
1.1.3 深度學習
1.1.4 機器學習和深度學習的區別
1.2 TensorFlow綜述
1.2.1 TensorFlow介紹
1.2.2 TensorFlow的優勢
1.3 搭建TensorFlow開發環境
1.3.1 使用pip安裝TensorFlow
1.3.2 使用Anaconda安裝TensorFlow
1.4 TensorFlow核心概念
1.4.1 TensorFlow的基本構成
1.4.2 會話
1.4.3 優化器
1.4.4 張量
1.5 TensorFlow開發流程
1.5.1 準備資料集
1.5.2 建構模型
1.5.3 訓練模型
1.5.4 驗證模型
第2章 資料集製作實戰
2.1 使用tf.data處理資料集
2.1.1 製作資料集並訓練和評估
2.1.2 將tf.data作為驗證資料集進行訓練
2.2 將模擬資料製作成記憶體物件資料集實戰
2.2.1 可視化記憶體物件資料集
2.2.2 改進的方案
2.3 將圖片製作成資料集實戰
2.3.1 製作簡易圖片資料集
2.3.2 製作手勢辨識資料集
2.4 TFRecord資料集製作實戰
2.4.1 將圖片製作為TFRecord資料集
2.4.2 將CSV檔案儲存為TFRecord文件
2.4.3 讀取TFRecord檔的內容
第3章 TensorFlow前饋神經網路實戰
3.1 神經網路概述
3.1.1 深度學習與神經網路概述
3.1.2 全連接層
3.1.3 使用TensorFlow建立神經網路模型
3.2 單層前饋神經網絡
3.2.1 單層前饋神經網路介紹
3.2.2 BP演算法
3.3 深度前饋神經網絡
3.3.1 深度前饋神經網路的原理
3.3.2 基於MNIST資料集辨識手寫數字
3.4 汽車油耗預測實戰(使用神經網路實現分類)
3.4.1 準備數據
3.4.2 建立網路模型
3.4.3 訓練、測試模型
第4章 TensorFlow卷積神經網路實戰
4.1 卷積神經網路基礎
4.1.1 發展背景
4.1.2 CNN基本結構
4.1.3 第一個CNN程序
4.2 使用CNN進行影像分類
4.2.1 準備資料集
4.2.2 建立資料集
4.2.3 配置資料集
4.2.4 建立模型
4.2.5 編譯模型
4.2.6 訓練模型
4.2.7 可視化訓練結果
4.2.8 過擬合處理:資料增強
4.2.9 過擬合處理:將Dropout引入網絡
4.2.10 重新編譯和訓練模型
4.2.11 預測新數據
4.3 CNN辨識器實戰
4.3.1 建立CNN物件辨識模型
4.3.2 CNN服飾辨識器
第5章 循環神經網路實戰
5.1 文本處理與RNN簡介
5.1.1 RNN基礎
5.1.2 文本分類
5.2 RNN開發實戰一一電影評論情感分析
第6章 生成式對抗網路實戰
6.1 GAN介紹
6.1.1 生成模型與判別模型
6.1.2 GAN基本流程
6.2 GAN實現MNIST識別
6.2.1 建構生成模型G
6.2.2 建構判別模型
6.2.3 建構損失函數
6.2.4 準備資料集
6.2.5 開始訓練
6.2.6 儲存模型並產生測試圖
6.3 GAN紋理生成器
6.3.1 建立生成器
6.3.2 創建GAN模型
6.3.3 生成影像
6.3.4 具體操作
第7章 自然語言處理實戰
7.1 自然語言處理基礎
7.1.1 自然語言處理介紹
7.1.2 自然語言處理的發展歷程
7.1.3 語言模型
7.2 自然語言處理實戰(一):RNN生成文本
7.2.1 準備資料集
7.2.2 向量化處理文本
7.2.3 預測任務並建立訓練樣本和目標
7.2.4 建立訓練批次
7.2.5 建立模型
7.2.6 測試模型
7.2.7 訓練模型
7.2.8 生成文本
7.2.9 預測循環
7.2.10 自訂訓練
7.3 自然語言處理實戰(二):使用Seq2Seq模型實作機器翻譯
7.3.1 準備資料集
7.3.2 編寫編碼器(encoder)和解碼器(decoder)模型
7.3.3 訓練
7.3.4 翻譯
第8章 注意力機制實戰
8.1 注意力機制基礎
8.1.1 注意力機制介紹
8.1.2 注意力機制的變體
8.1.3 注意力機制解決什麼問題
8.2 注意力機制實戰:機器翻譯
8.2.1 項目介紹
8.2.2 下載並準備資料集
8.2.3 文字預處理
8.2.4 編碼器模型
8.2.5 繪製可視化注意力圖
8.2.6 解碼器
8.2.7 訓練
8.2.8 翻譯
第9章 機率圖模型實戰
9.1 機率圖模型表示
9.1.1 貝葉斯網路:有向圖模型
9.1.2 馬可夫隨機場:無向圖模型
9.2 TensorFlowProbability
9.2.1 TensorFlowProbability的結構
9.2.2 機率圖模型推斷
9.3 機率圖模型應用實戰
9.3.1 高斯過程回歸實戰
9.3.2 聯合分佈的貝葉斯建模
第10章 深度信念網路實戰
10.1 深度信念網路基礎
10.1.1 深度信念網絡的發展歷程
10.1.2 玻爾茲曼機(BM)
10.1.3 受限玻爾茲曼機(RBM)
10.1.4 深度信念網絡
10.2 DBN應用實戰:程序缺陷預測