描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111652632
2. 配套丰富。全部案例的源代码免费下载。
《TensorFlow深度学习从入门到进阶》适合TensorFlow初学者阅读，也适合研究TensorFlow的广大科研人员、学者、工程技术人员学习参考。
第1章 TensorFlow与深度学习
1.1 深度学习的由来
1.2 语言与系统的支持
1.3 TensorFlow的特点
1.4 核心组件
1.5 TensorFlow的主要依赖包
1.5.1 Protocol Buffer包
1.5.2 Bazel包
1.6 搭建环境
1.6.1 安装环境
1.6.2 安装TensorFlow
1.6.3 安装测试
1.7 Geany
1.8 揭开深度学习的面纱
1.8.1 人工智能、机器学习与深度学习
1.8.2 深度学习的核心思想
1.8.3 深度学习的应用
1.9 深度学习的优劣势
第2章 TensorFlow编程基础
2.1 张量
2.1.1 张量的概念
2.1.2 张量的使用
2.1.3 Numpy库
2.1.4 张量的阶
2.1.5 张量的形状
2.1.6 张量应用实例
2.2 图的实现
2.3 会话的实现
2.4 认识变量
2.4.1 变量的创建
2.4.2 变量的初始化
2.4.3 变量的更新
2.4.4 变量的保存
2.4.5 变量的加载
2.4.6 共享变量和变量命名空间
2.5 矩阵的操作
2.5.1 矩阵的生成
2.5.2 矩阵的变换
2.6 TensorFlow数据读取的方式
2.7 从磁盘读取信息
2.7.1 列表格式
2.7.2 读取图像数据
第3章 TensorFlow编程进阶
3.1 队列与线程
3.1.1 队列
3.1.2 队列管理器
3.1.3 线程协调器
3.1.4 组合使用
3.2 TensorFlow嵌入Layer
3.3 生成随机图片数据
3.4 神经网络
3.4.1 神经元
3.4.2 简单神经结构
3.4.3 深度神经网络
3.5 损失函数
3.6 梯度下降
3.6.1 标准梯度法
3.6.2 批量梯度下降法
3.6.3 随机梯度下降法
3.6.4 小批量梯度下降法
3.6.5 线性模型的局限性
3.6.6 直线与曲线的拟合演示
3.7 反向传播
3.7.1 求导链式法则
3.7.2 反向传播算法思路
3.7.3 反向传播算法的计算过程
3.7.4 反向传播演示回归与二分类算法
3.8 随机训练与批量训练
3.9 创建分类器
3.10 模型评估
3.11 优化函数
3.11.1 随机梯度下降优化算法
3.11.2 基于动量的优化算法
3.11.3 Adagrad优化算法
3.11.4 Adadelta优化算法
3.11.5 Adam优化算法
3.11.6 实例演示几种优化算法
第4章 TensorFlow实现线性回归
4.1 矩阵操作实现线性回归问题
4.1.1 逆矩阵解决线性回归问题
4.1.2 矩阵分解法实现线性回归
4.1.3 正则法对iris数据实现回归分析
4.2 损失函数对iris数据实现回归分析
4.3 戴明算法对iris数据实现回归分析
4.4 岭回归与Lasso回归对iris数据实现回归分析
4.5 弹性网络算法对iris数据实现回归分析
第5章 TensorFlow实现逻辑回归
5.1 什么是逻辑回归
5.1.1 逻辑回归与线性回归的关系
5.1.2 逻辑回归模型的代价函数
5.1.3 逻辑回归的预测函数
5.1.4 判定边界
5.1.5 随机梯度下降算法实现逻辑回归
5.2 逆函数及其实现
5.2.1 逆函数的相关函数
5.2.2 逆函数的实现
5.3 Softmax回归
5.3.1 Softmax回归简介
5.3.2 Softmax的代价函数
5.3.3 Softmax回归的求解
5.3.4 Softmax回归的参数特点
5.3.5 Softmax与逻辑回归的关系
5.3.6 多分类算法和二分类算法的选择
5.3.7 计算机视觉领域实例
第6章 TensorFlow实现聚类分析
6.1 支持向量机及实现
6.1.1 重新审视逻辑回归
6.1.2 形式化表示
6.1.3 函数间隔和几何间隔
6.1.4 最优间隔分类器
6.1.5 支持向量机对iris数据进行分类
6.1.6 核函数对数据点进行预测
6.1.7 非线性支持向量机创建山鸢尾花分类器
6.1.8 多类支持向量机对iris数据进行预测
6.2 K-均值聚类法及实现
6.2.1 K-均值聚类相关概念
6.2.2 K-均值聚类法对iris数据进行聚类
6.3 最近邻算法及实现
6.3.1 最近邻算法概述
6.3.2 最近邻算法求解文本距离
6.3.3 最近邻算法实现地址匹配
第7章 神经网络算法
7.1 反向网络
7.1.1 问题设置
7.1.2 反向网络算法
7.1.3 自动微分
7.1.4 对随机数进行反向网络演示
7.2 激励函数及实现
7.2.1 激励函数的用途
7.2.2 几种激励函数
7.2.3 几种激励函数的绘图
7.3 门函数及其实现
7.4 单层神经网络对iris数据进行训练
7.5 单个神经元的扩展及实现
7.6 构建多层神经网络
7.7 实现井字棋
第8章 TensorFlow实现卷积神经网络
8.1 全连接网络的局限性
8.2 卷积神经网络的结构
8.2.1 卷积层
8.2.2 池化层
8.2.3 全连接层
8.3 卷积神经网络的训练
8.3.1 求导的链式法则
8.3.2 卷积层反向传播
8.4 卷积神经网络的实现
8.4.1 识别0和1数字
8.4.2 预测MNIST数字
8.5 几种经典的卷积神经网络及实现
8.5.1 AlexNet网络及实现
8.5.2 VGGNet网络及实现
8.5.3 Inception Net网络及实现
8.5.4 RestNet
硬件和数据可用性方面的进步使研究人员能够重新审视先驱者在基于视觉的神经网络架构（卷积神经网络等）方面开展的工作，将它们用于许多新的问题。这都归功于具备普遍可用性的数据以及现在计算机拥有的强悍的计算能力。
为了解决这些新的问题，机器学习的从业者创建了许多优秀的机器学习包，它们每个都拥有一个特定的目标来定义、训练和执行机器学习模型。2015年11月9日，谷歌公司进入了机器学习领域，决定开源自己的机器学习框架TensorFlow，谷歌内部许多项目都以此为基础。
《TensorFlow深度学习从入门到进阶》将机器学习背后的基本理论与应用实践联系起来，通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用TensorFlow强大的机器学习库和一系列统计模型来解决一系列的机器问题。不管你是数据科学领域的初学者，还是想进一步拓展对数据科学领域认知的进阶者，本书都是一个重要且不可错过的选择，它能帮助你了解如何使用TensorFlow解决数据爆炸问题。
之所以学习利用TensorFlow解决机器问题，是因为TensorFlow完全绑定兼容Python，即Python具有的特点，TensorFlow也具备，所以利用TensorFlow对大数据进行提取、分析、降维完全没有压力。
《TensorFlow深度学习从入门到进阶》共分四大部分：
第一部分，介绍TensorFlow及深度学习的基础知识（第1～3章）。
这部分主要介绍深度学习的定义、优势、应用、TensorFlow 的特点、环境搭建、张量、图、会话、变量、队列与线程等内容。通过本部分内容的学习，读者将对深度学习、TensorFlow 的特点、功能及其编程基础、进阶编程有全面的认识，可轻松掌握TensorFlow并认识深度学习。
第二部分，介绍 TensorFlow 在线性回归、逻辑回归、聚类分析等方面的机器应用（第4～6章）。
本部分内容主要介绍如何利用 TensorFlow 软件解决实现线性回归问题、戴明回归算法、岭回归与 Lasso 回归算法、弹性网络回归算法、逻辑函数的逆函数、Softmax 回归、支持向量机、K-均值聚类法等问题。本部分每章节都采用理论、公式、应用实例相结合的方式，让读者领略利用TenosrFlow解决机器问题的方便、快捷。
第三部分，介绍神经网络等相关问题（第7～10章）。
本部分内容主要包括反向网络、激励函数、卷积网络、循环网络、自编码网络、对抗网络等内容，通过这部分内容的学习，读者将学会从各个方面利用 TensorFlow 软件深入透彻解决神经网络等机器问题，进一步领略 TensorFlow 的强大功能，感受到TensorFlow可以成为现今流行软件的原因。
第四部分，介绍机器学习的综合实例（第11章）。
本部分主要是在前面介绍的机器学习相关知识的基础上，综合应用机器学习知识求解实际问题。其中有几个实例都用同一组数据集，利用不同的方法进行求解，比较各种方法的求解结果，通过对比学习，让读者更直观地感受各方法的优缺点，以使读者在以后的应用中根据需要选择合适的方法。
《TensorFlow深度学习从入门到进阶》适合TensorFlow初学者阅读，也适合研究TensorFlow的广大科研人员、学者、工程技术人员学习参考。
由于作者水平有限，错误和疏漏之处在所难免。在此，诚恳地期望得到各领域专家和广大读者的批评指正。
评论
还没有评论。