深度學習技術與應用
許桂秋 餘洋 周寶玲
- 出版商: 人民郵電
- 出版日期: 2023-07-01
- 定價: $419
- 售價: 8.5 折 $356
- 語言: 簡體中文
- 頁數: 213
- ISBN: 7115611408
- ISBN-13: 9787115611406
-
相關分類:
DeepLearning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$420$399 -
$774$735 -
$720$706 -
$474$450 -
$163線性代數
-
$403計算機離散數學基礎
-
$551從零開始學 Flutter 開發
-
$534$507 -
$474$450 -
$305簡單線性代數 漫畫線性代數入門
-
$458代碼中的軟件工程
-
$1,066大前端三劍客 — Vue + React + Flutter
-
$403速通深度學習數學基礎
-
$636$604 -
$774$735 -
$534$507 -
$505深度學習:數學基礎、算法模型與實戰
-
$680$537 -
$356對照Excel,零基礎學Python數據分析
-
$594$564 -
$504Flutter 小白開發 — 跨平臺客戶端應用開發學習路線
-
$648$616 -
$485機器學習與學資源適配
-
$449TensorFlow 2 機器學習實戰:聚焦經濟金融科研與產業的深度學習模型
-
$403量子人工智能
相關主題
商品描述
本書旨在介紹人工智能中深度學習的基礎知識,為即將進入深度學習領域進行研究的讀者奠定基礎。全書共13章,其中,第1~4章為理論部分,第5~13章為應用部分。理論部分介紹了機器學習和深度學習的基本內容,以及TensorFlow開發框架的搭建和使用;應用部分設置了多個項目案例,並介紹了這些案例詳細的實現步驟和代碼,使讀者在練習中熟悉和掌握相關知識的應用方法與技巧。
本書採用項目驅動的編寫方式,做到了理論和實踐的結合。每個項目案例都提供配套的數據源文件和源代碼文件,使讀者可以直接感受案例效果。讀者也可以在相關案例代碼的基礎上調整相關參數,得到不一樣的結果,以加深理解。
本書適合作為高等院校的人工智能課程教材,也可作為人工智能相關培訓的教材。
作者簡介
许桂秋 《大数据导论》《Python编程基础与应用》《NoSQL数据库原理与应用》《数据挖掘与机器学习》等9本系列教材,浙江科技出版社,2019年。
目錄大綱
1 章 緒論 1
1.1 人工智能 2
1.1.1 人工智能簡介 2
1.1.2 人工智能三大學派 3
1.2 機器學習 3
1.2.1 機器學習簡介 3
1.2.2 機器學習分類 4
1.3 淺層學習和深度學習 6
1.3.1 淺層學習 6
1.3.2 深度學習 6
1.4 本章小結 7
第 2 章 深度學習基礎 9
2.1 深層神經網絡簡介 10
2.1.1 神經元模型 10
2.1.2 單層神經網絡 11
2.1.3 深層神經網絡 12
2.1.4 深層神經網絡節點 12
2.1.5 深層神經網絡參數 13
2.1.6 節點輸出值的計算方式 13
2.2 機器學習模型的評估方法 14
2.3 深層神經網絡的訓練與優化 16
2.3.1 深層神經網絡的訓練 16
2.3.2 深層神經網絡的優化 21
2.4 本章小結 23
第 3 章 搭建深度學習框架 25
3.1 常見的深度學習框架 26
3.1.1 TensorFlow 26
3.1.2 Caffe 27
3.1.3 Keras 28
3.1.4 Torch 28
3.1.5 MXNet 28
3.1.6 CNTK 29
3.2 安裝 TensorFlow 29
3.2.1 安裝準備 30
3.2.2 在 Python 環境中安裝 TensorFlow 35
3.2.3 TensorFlow 的使用 36
3.3 TensorFlow Playground 37
3.3.1 菜單選項 38
3.3.2 DATA 區域 39
3.3.3 FEATURES 區域 40
3.3.4 HIDDEN LAYERS 區域 40
3.3.5 OUTPUT 區域 41
3.4 Keras 的核心組件 43
3.4.1 Models API 45
3.4.2 Layers API 45
3.4.3 Callbacks API 47
3.4.4 Data preprocessing 47
3.4.5 Metrics 50
3.5 使用 TensorFlow 實現神經網絡 51
3.6 本章小結 58
第 4 章 TensorFlow 編程基礎 59
4.1 計算圖與張量 60
4.1.1 初識計算圖與張量 60
4.1.2 TensorFlow 的計算模型--計算圖 60
4.1.3 TensorFlow 的數據模型--張量 63
4.2 TensorFlow 的運行模型--會話 65
4.2.1 TensorFlow 系統結構 65
4.2.2 會話的使用 67
4.2.3 會話的配置 68
4.2.4 占位符的使用 69
4.3 TensorFlow 變量 70
4.3.1 變量的創建 70
4.3.2 變量與張量 73
4.3.3 管理變量空間 75
4.4 識別圖像中模糊的手寫數字 79
4.5 本章小結 85
第 5 章 使用 Keras 搭建多層感知機識別 MNIST 數據集 87
5.1 構建項目 88
5.2 下載和預處理 MNIST 數據集 88
5.2.1 下載數據集 88
5.2.2 預處理數據集 89
5.3 搭建並訓練多層感知機 94
5.3.1 搭建模型 94
5.3.2 訓練模型 95
5.4 改進模型 98
5.4.1 搭建模型 98
5.4.2 訓練模型 99
5.5 評估訓練結果 101
5.5.1 評估模型準確率 101
5.5.2 使用模型進行預測 102
5.5.3 建立混淆矩陣 103
5.6 本章小結 105
第 6 章 優化多層感知機 107
6.1 構建項目 108
6.2 搭建帶有隱藏層的模型 108
6.3 誤差與過擬合問題 111
6.3.1 訓練誤差與泛化誤差 111
6.3.2 過擬合問題 112
6.4 過擬合的處理方法 112
6.4.1 增加隱藏層神經元 112
6.4.2 加入 Dropout 機制 115
6.4.3 增加隱藏層 117
6.5 保存模型 119
6.5.1 將模型保存為 JSON 格式文件 119
6.5.2 保存模型權重 122
6.6 本章小結 123
第 7 章 項目 1:識別 Fashion MNIST 數據集 125
7.1 捲積神經網絡簡介 126
7.2 LeNet-5 捲積模型 126
7.3 Fashion MNIST 數據集 128
7.3.1 Fashion MNIST 數據集簡介 128
7.3.2 下載 Fashion MNIST 數據集 128
7.3.3 查看數據 128
7.4 搭建 LeNet-5 捲積模型並識別 Fashion MNIST 數據集 130
7.4.1 預處理數據 130
7.4.2 搭建 LeNet-5 捲積模型 131
7.4.3 訓練與評估 LeNet-5 捲積模型 132
7.4.4 識別過程的可視化展示 133
7.5 改進 LeNet-5 捲積模型 136
7.5.1 預處理數據 136
7.5.2 改進 LeNet-5 捲積模型 136
7.5.3 訓練和評估改進後的 LeNet-5 捲積模型 138
7.5.4 預測測試集 139
7.5.5 保存改進後的 LeNet-5 捲積模型 141
7.6 預測自然測試集 142
7.6.1 預處理圖像 142
7.6.2 預測結果 143
7.7 本章小結 144
第 8 章 項目 2:識別 CIFAR-10 數據集 145
8.1 準備工作 146
8.2 下載和查看數據集 148
8.2.1 下載數據集 149
8.2.2 查看訓練數據 149
8.3 搭建模型識別 CIFAR-10 數據集 150
8.3.1 預處理數據集 150
8.3.2 搭建模型 151
8.3.3 訓練模型 154
8.3.4 測試模型 155
8.4 加深模型的網絡結構 159
8.5 本章小結 162
第 9 章 項目 3:識別貓狗圖像 163
9.1 準備工作 164
9.2 預處理數據集 164
9.2.1 下載和存儲數據集 164
9.2.2 處理數據 165
9.2.3 讀取和預處理數據 168
9.3 搭建模型識別貓狗圖像 169
9.3.1 搭建並訓練模型 169
9.3.2 利用數據擴充法解決過擬合問題 172
9.4 本章小結 177
第 10 章 項目 4:識別人臉表情 179
10.1 準備數據 180
10.2 構建模型 182
10.3 訓練模型 184
10.4 測試和評估模型 185
10.5 本章小結 190
第 11 章 構建生成對抗網絡生成 MNIST 模擬數據集 191
11.1 生成對抗網絡概述 192
11.2 生成對抗網絡的種類 193
11.2.1 DCGAN 193
11.2.2 InfoGAN 195
11.2.3 AEGAN 195
11.2.4 SRGAN 196
11.3 使用 InfoGAN 生成 MNIST 模擬數據集 198
11.4 本章小結 203
第 12 章 項目 5:使用 SRGAN 實現 Flowers 數據集的超分辨率修復 205
12.1 準備數據 206
12.2 構建模型 207
12.2.1 構建生成器 207
12.2.2 VGG 的預輸入處理 208
12.2.3 計算 VGG 特徵空間的損失值 208
12.2.4 構建判別器 209
12.2.5 計算損失值,定義優化器 210
12.2.6 指定預訓練模型路徑 210
12.3 訓練模型 211
12.4 本章小結 213