本書(shū)介紹了深度學(xué)習(xí)原理與TensorFlow實(shí)踐。著重講述了當(dāng)前學(xué)術(shù)界和工業(yè)界的深度學(xué)習(xí)核心知識(shí)：機(jī)器學(xué)習(xí)概論、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)。著重講述了深度學(xué)習(xí)的實(shí)現(xiàn)以及深度學(xué)習(xí)框架TensorFlow：Python編程基礎(chǔ)、TensorFlow編程基礎(chǔ)、TensorFlow模型、TensorFlow編程實(shí)踐、TensorFlowLite和TensorFlow.js、TensorFlow案例--醫(yī)學(xué)應(yīng)用和S
電子書(shū)
內(nèi)容簡(jiǎn)介
本書(shū)是深度學(xué)習(xí)領(lǐng)域的入門(mén)教材，全面闡述了深度學(xué)習(xí)的知識(shí)體系，涵蓋人工智能的基礎(chǔ)知識(shí)以及深度學(xué)習(xí)的基本原理、模型、方法和實(shí)踐案例，使讀者掌握深度學(xué)習(xí)的相關(guān)知識(shí)，提高以深度學(xué)習(xí)方法解決實(shí)際問(wèn)題的能力。全書(shū)內(nèi)容包括人工智能基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)、深度學(xué)習(xí)主要框架、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器與生成對(duì)抗網(wǎng)絡(luò)。
章節(jié)目錄
- A-fy
- 56510-bq
- C-bwh
- D-x1
- E-x2
- F-qy
- G-ml
- 01
- 1.1 人工智能概述
- 1.1.1 人工智能的層次結(jié)構(gòu)
- 1．基礎(chǔ)支撐層
- 2．技術(shù)驅(qū)動(dòng)層
- 3．應(yīng)用層
- 1.1.2 人工智能的典型事件
- 1．人工智能的第一次興起
- 2．基于專家系統(tǒng)的人工智能
- 3．人工智能的第三次興起
- 1.2 人工智能數(shù)學(xué)基礎(chǔ)
- 1.2.1 矩陣及其運(yùn)算
- 1．矩陣的定義
- 2．特殊矩陣
- 3．矩陣的運(yùn)算
- 1.2.2 向量與向量空間
- 1．向量
- 2．向量空間
- 1.2.3 特征值與特征向量
- 1.2.4 奇異值分解
- 1.2.5 二次型
- 1.2.6 范數(shù)
- 1.2.7 導(dǎo)數(shù)與偏導(dǎo)數(shù)
- 1．復(fù)合函數(shù)的求導(dǎo)
- 2．偏導(dǎo)數(shù)
- 3．高階偏導(dǎo)數(shù)
- 4．多元復(fù)合函數(shù)求導(dǎo)的鏈?zhǔn)椒▌t
- 5．微分
- 1.2.8 方向?qū)?shù)與梯度
- 1．方向?qū)?shù)
- 2．梯度
- 1.2.9 泰勒公式
- 1．一元函數(shù)的泰勒公式
- 2．二元函數(shù)的泰勒公式
- 3．多元函數(shù)的泰勒公式
- 4．黑塞矩陣
- 1.2.10 函數(shù)的極值點(diǎn)
- 1．一元函數(shù)的極值點(diǎn)
- 2．多元函數(shù)的極值點(diǎn)
- 1.2.11 隨機(jī)變量與概率分布
- 1．一維隨機(jī)變量
- 2．一維隨機(jī)變量的分布函數(shù)
- 3．多維隨機(jī)變量
- 4．聯(lián)合概率密度和邊緣概率密度
- 5．條件分布律和條件概率密度
- 6．隨機(jī)變量的獨(dú)立性
- 1.2.12 隨機(jī)變量的數(shù)字特征
- 1．?dāng)?shù)學(xué)期望
- 2．隨機(jī)變量函數(shù)的數(shù)學(xué)期望
- 3．隨機(jī)變量的方差與協(xié)方差
- 1.3 本章小結(jié)
- 1.4 習(xí)題
- 02
- 2.1 機(jī)器學(xué)習(xí)概述
- 2.1.1 機(jī)器學(xué)習(xí)的定義
- 2.1.2 機(jī)器學(xué)習(xí)的分類
- 1．監(jiān)督學(xué)習(xí)
- 2．無(wú)監(jiān)督學(xué)習(xí)
- 3．半監(jiān)督學(xué)習(xí)
- 4．強(qiáng)化學(xué)習(xí)
- 2.1.3 常用損失函數(shù)
- 1．平方損失函數(shù)和均方誤差損失函數(shù)
- 2．交叉熵?fù)p失函數(shù)
- 2.2 分類與回歸
- 1．分類任務(wù)
- 2．回歸任務(wù)
- 2.3 模型的評(píng)估
- 2.3.1 數(shù)據(jù)集的劃分方法
- 1．留出法
- 2．交叉驗(yàn)證法
- 3．自助法
- 2.3.2 模型的評(píng)價(jià)指標(biāo)
- 1．精確率與召回率
- 2．ROC曲線
- 3．混淆矩陣
- 2.4 模型的選擇
- 2.4.1 欠擬合與過(guò)擬合
- 2.4.2 偏差與方差
- 2.4.3 正則化
- 2.5 本章小結(jié)
- 2.6 習(xí)題
- 03
- 3.1 TensorFlow原理與應(yīng)用
- 3.1.1 安裝與編譯
- 1．快速安裝
- 2．通過(guò)Anaconda方式安裝
- 3.1.2 TensorFlow框架結(jié)構(gòu)分析
- 1．TensorFlow系統(tǒng)架構(gòu)
- 2．?dāng)?shù)據(jù)流圖
- 3.1.3 TensorFlow原理與方法
- 1．張量
- 2．算子
- 3．圖
- 4．會(huì)話
- 5．常量
- 6．變量
- 7．占位符
- 8．可視化數(shù)據(jù)流圖
- 3.1.4 案例應(yīng)用
- 1．安裝MNIST數(shù)據(jù)集
- 2．加載MNIST數(shù)據(jù)集
- 3．創(chuàng)建占位符
- 4．定義變量
- 5．訓(xùn)練模型
- 6．評(píng)估模型
- 7．權(quán)重初始化
- 8．卷積和池化
- 9．第一層卷積
- 10．第二層卷積
- 11．密集層連接
- 12．輸出層
- 13．訓(xùn)練和評(píng)估模型
- 14．開(kāi)始訓(xùn)練模型
- 3.2 其他框架
- 3.2.1 Keras
- 1．為什么要使用Keras？
- 2．快速上手
- 3.2.2 Caffe
- 3.2.3 PyTorch
- 3.2.4 其他框架
- 3.3 本章小結(jié)
- 3.4 習(xí)題
- 04
- 4.1 深度神經(jīng)網(wǎng)絡(luò)概述
- 4.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
- 4.2.1 架構(gòu)設(shè)計(jì)
- 4.2.2 隱藏層
- 4.2.3 XOR的案例展示
- 4.3 前向傳播算法
- 4.4 反向傳播算法
- 4.4.1 梯度下降算法與學(xué)習(xí)率
- 4.4.2 反向傳播算法的優(yōu)點(diǎn)
- 4.4.3 反向傳播相關(guān)計(jì)算公式
- 4.4.4 使用鏈?zhǔn)椒▌t推導(dǎo)
- 4.5 常用的優(yōu)化算法
- 4.5.1 隨機(jī)梯度下降算法和小批量梯度下降算法
- 4.5.2 動(dòng)量法
- 4.5.3 Adagrad算法
- 4.6 常用的正則化方法
- 4.6.1 范數(shù)懲罰法
- 4.6.2 稀疏表示法
- 4.6.3 其他方法
- 4.7 案例應(yīng)用
- 4.8 本章小結(jié)
- 4.9 習(xí)題
- 05+
- 06
- 6.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述
- 6.2 簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)
- 6.3 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
- 6.4 基于編碼-解碼的序列到序列結(jié)構(gòu)
- 6.4.1 序列到序列結(jié)構(gòu)
- 6.4.2 編碼-解碼結(jié)構(gòu)
- 6.4.3 目標(biāo)函數(shù)
- 6.4.4 注意力機(jī)制
- 6.5 訓(xùn)練方法
- 6.6 長(zhǎng)短期記憶網(wǎng)絡(luò)
- 6.6.1 核心思想
- 6.6.2 網(wǎng)絡(luò)結(jié)構(gòu)
- 1．遺忘門(mén)
- 2．輸入門(mén)
- 3．輸出門(mén)
- 6.6.3 LSTM網(wǎng)絡(luò)的訓(xùn)練原理
- 6.6.4 相關(guān)變體
- 6.7 案例應(yīng)用
- 6.8 本章小結(jié)
- 6.9 習(xí)題
- 07
- 7.1 自編碼器
- 7.1.1 自編碼器概述
- 7.1.2 欠完備自編碼器
- 7.1.3 正則自編碼器
- 1．稀疏自編碼器
- 2．去噪自編碼器
- 7.1.4 卷積自編碼器
- 1．編碼器
- 2．解碼器
- 7.1.5 使用Keras實(shí)現(xiàn)簡(jiǎn)單的自編碼器
- 7.2 生成對(duì)抗網(wǎng)絡(luò)
- 7.2.1 GAN概述
- 7.2.2 一般的GAN
- 7.2.3 CGAN
- 7.2.4 DCGAN
- 7.3 本章小結(jié)
- 7.4 習(xí)題
- 08ckwx
- 參考文獻(xiàn)
展開(kāi)全部
深度學(xué)習(xí)——原理、模型與實(shí)踐是2021年由人民郵電出版社出版,作者主編。
溫馨提示：
1.本電子書(shū)已獲得正版授權(quán)，由出版社通過(guò)知傳鏈發(fā)行。
2.該電子書(shū)為虛擬物品，付費(fèi)之后概不接收任何理由退款。電子書(shū)內(nèi)容僅支持在線閱讀，不支持下載。
3.您在本站購(gòu)買的閱讀使用權(quán)僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關(guān)后果本平臺(tái)保留向您追償索賠的權(quán)利！版權(quán)所有，后果自負(fù)！
得書(shū)感謝您對(duì)《深度學(xué)習(xí)——原理、模型與實(shí)踐》關(guān)注和支持，如本書(shū)內(nèi)容有不良信息或侵權(quán)等情形的，請(qǐng)聯(lián)系本網(wǎng)站。
電子書(shū)
電子書(shū)
本書(shū)旨在為讀者建立完整的深度學(xué)習(xí)知識(shí)體系。全書(shū)內(nèi)容包含3個(gè)部分，第一部分為與深度學(xué)習(xí)相關(guān)的數(shù)學(xué)基礎(chǔ)；第二部分為深度學(xué)習(xí)的算法基礎(chǔ)以及相關(guān)實(shí)現(xiàn)；第三部分為深度學(xué)習(xí)的實(shí)際應(yīng)用。
電子書(shū)
本書(shū)較為系統(tǒng)地介紹深度學(xué)習(xí)模型訓(xùn)練、計(jì)算機(jī)視覺(jué)模型應(yīng)用、自然語(yǔ)言處理模型應(yīng)用等技術(shù)。全書(shū)共9個(gè)項(xiàng)目，包括深度學(xué)習(xí)全連接神經(jīng)網(wǎng)絡(luò)應(yīng)用、深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用、深度學(xué)習(xí)模型訓(xùn)練——循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用、計(jì)算機(jī)視覺(jué)模型數(shù)據(jù)準(zhǔn)備、計(jì)算機(jī)視覺(jué)模型訓(xùn)練與應(yīng)用、計(jì)算機(jī)視覺(jué)模型部署、自然語(yǔ)言處理預(yù)訓(xùn)練模型數(shù)據(jù)準(zhǔn)備、自然語(yǔ)言處理預(yù)訓(xùn)練模型訓(xùn)練與應(yīng)用、自然語(yǔ)言處理模型部署等。本書(shū)以滿足企業(yè)用人需求為導(dǎo)向、以崗位技能和綜
電子書(shū)
本書(shū)分為人工智能產(chǎn)品研發(fā)、深度學(xué)習(xí)數(shù)據(jù)應(yīng)用、深度學(xué)習(xí)基礎(chǔ)應(yīng)用3篇共10個(gè)項(xiàng)目，內(nèi)容包括：人工智能需求管理、設(shè)計(jì)人工智能產(chǎn)品、人工智能開(kāi)發(fā)平臺(tái)應(yīng)用、數(shù)據(jù)采集工程應(yīng)用、數(shù)據(jù)處理工程應(yīng)用、數(shù)據(jù)標(biāo)注工程應(yīng)用等。
電子書(shū)
本書(shū)介紹了深度學(xué)習(xí)的基本概念、算法原理以及實(shí)現(xiàn)框架。全書(shū)共9章，分別介紹了深度學(xué)習(xí)的發(fā)展歷史、神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)在目標(biāo)檢測(cè)和圖像描述中的應(yīng)用、生成對(duì)抗網(wǎng)絡(luò)、深度遷移學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)等，并提供了應(yīng)用實(shí)例。
電子書(shū)
本書(shū)是一本深度學(xué)習(xí)的基礎(chǔ)入門(mén)讀物，對(duì)深度學(xué)習(xí)的基本理論進(jìn)行了介紹，主要以Ubuntu系統(tǒng)為例搭建了三大主流框架——Caffe、TensorFlow、Torch，然后分別在3個(gè)框架下，通過(guò)3個(gè)實(shí)戰(zhàn)項(xiàng)目掌握了框架的使用方法，并詳細(xì)描述了生產(chǎn)流程，最后講述了通過(guò)集群部署深度學(xué)習(xí)的項(xiàng)目以及如何進(jìn)行運(yùn)營(yíng)維護(hù)的注意事項(xiàng)。本書(shū)適合對(duì)深度學(xué)習(xí)有濃厚興趣的讀者、希望用深度學(xué)習(xí)完成設(shè)計(jì)的計(jì)算機(jī)專業(yè)或電子信息專業(yè)的高校
電子書(shū)
本書(shū)旨在介紹人工智能中深度學(xué)習(xí)的基礎(chǔ)知識(shí)，為即將進(jìn)入深度學(xué)習(xí)領(lǐng)域進(jìn)行研究的讀者奠定基礎(chǔ)。全書(shū)共13章，其中，第1～4章為理論部分，第5～13章為應(yīng)用部分。理論部分介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基本內(nèi)容，以及TensorFlow開(kāi)發(fā)框架的搭建和使用；應(yīng)用部分設(shè)置了多個(gè)項(xiàng)目案例，并介紹了這些案例詳細(xì)的實(shí)現(xiàn)步驟和代碼，使讀者在練習(xí)中熟悉和掌握相關(guān)知識(shí)的應(yīng)用方法與技巧。本書(shū)采用項(xiàng)目驅(qū)動(dòng)的編寫(xiě)方式，做到了理論和
電子書(shū)
本書(shū)主要講解深度學(xué)習(xí)和TensorFlow的實(shí)戰(zhàn)知識(shí)，全書(shū)分為10章，主要內(nèi)容如下：第1章為深度學(xué)習(xí)概述，包括深度學(xué)習(xí)的基礎(chǔ)知識(shí)、深度學(xué)習(xí)的生產(chǎn)力實(shí)現(xiàn)—TensorFlow、數(shù)據(jù)模型、TensorFlow項(xiàng)目介紹、TensorFlow工作環(huán)境的安裝與運(yùn)行；第2章為機(jī)器學(xué)習(xí)概述，講解機(jī)器學(xué)習(xí)的定義、任務(wù)、性能、經(jīng)驗(yàn)、學(xué)習(xí)算法、線性回歸實(shí)例和TensorFlow的完整運(yùn)行腳本；第3章介紹從生物神經(jīng)元到
