總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
深度學習與TensorFlow實戰
 叢書名稱: 深度學習系列
 作  者: 李建軍/王希銘/潘勉
 出版單位: 人民郵電
 出版日期: 2018.08
 進貨日期: 2018/10/17
 ISBN: 9787115478849
 開  本: 16 開    
 定  價: 443
 售  價: 354
  會 員 價: 325
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

本書對深度學習的解讀更為基礎、簡潔、生動。市面上大多數同類書籍直接以Google提供的TensorFlow官方文檔和官方教程為範本,只對其主要內容進行改編。然而上述文檔主要面向熟練掌握深度學習的開發者,缺失了大量的基本知識(為了瞭解有些知識點,還需要閱讀大量文獻),這導致剛入門的讀者難以理解其中晦澀的表述和大量的專業術語。本書以簡單、生動、凝練的方式書寫,同時還使用了大量的圖片和例子做比喻,使學習成本降到最 低。
本書每個章節之後配有一個簡單的代碼實戰例子。通過實例,讀者可以得到及時的回饋,強化學習的效果。


內容簡介:

本書主要講解深度學習和TensorFlow的實戰知識,全書分為10章,主要內容如下:第1章為深度學習概述,包括深度學習的基礎知識、深度學習的生產力實現—TensorFlow、數據模型、TensorFlow專案介紹、TensorFlow工作環境的安裝與運行;第2章為機器學習概述,講解機器學習的定義、任務、性能、經驗、學習演算法、線性回歸實例和TensorFlow的完整運行腳本;第3章介紹從生物神經元到感知器的內容,講解基於MCP神經元實現布爾邏輯、感知器、使用感知器做分類等;第4章介紹人工神經網路,講述的內容包括從感知器到多層感知器、帶有權值的MCP神經元—感知器、反向傳播神經網路、使用人工神經網路分類mnist;第5章介紹Logistic回歸與Softmax回歸;第6章介紹卷積神經網路,講述感知器模式識別、卷積操作、卷積神經網路的結構、使用TensorFlow實現卷積神經網路的實例;第7章介紹迴圈神經網路,包括迴圈神經網路的特徵、有限狀態機、從MCP神經網路到迴圈神經網路等;第8章介紹LSTM迴圈神經網路,包括梯度彌散現象、長短期記憶網路、通過TensorFlow實現一個簡單的LSTM;第9章深入討論TensorFlow,講解機器學習框架、計算圖、神經網路與計算圖、TensorFlow中的數據流圖、使用GPU、數據可視化工具TensorBoard等;第10章為TensorFlow案例實踐,包括構建TensorFlow的圖片分類系統、準備代碼和訓練集、構造模型計算圖、訓練模型、評估模型的性能、多GPU訓練等。
本書旨在幫助具有較少數學基礎並期望在深度學習上有所作為的學習者,希望為他們提供一個快速上手深度學習的實戰教程。本書適合閱讀的讀者包括相關專業的本科生或研究生,以及不具有機器學習或統計知識背景但想要快速補充深度學習知識,以便在實際產品或平臺中應用的軟體工程師。


作者簡介:

李建軍,對深度學習和Tensorflow概念和工具都有著很深的理解和研究,開發了一系列的案例,並在教學實踐加以應用。有著豐富的實戰經驗、以及應用Tensorflow和深度學習的專案背景。


圖書目錄:

前言 Ⅰ
第1章 深度學習概述 1
1.1 人類的人工智慧之夢 1
1.2 從遙想到實踐 3
1.3 三大人工智能學派 3
1.3.1 符號學派 3
1.3.2 行為學派 3
1.3.3 連接學派 4
1.4 連接學派中的神經網路 4
1.5 神經網路的“新稱謂”—深度學習 7
1.6 深度學習的生產力實現—
TensorFlow 8
1.6.1 TensorFlow之Tensor 9
1.6.2 TensorFlow之Flow 10
1.6.3 TensorFlow之簡單的
數據模型 11
1.7 TensorFlow專案介紹 13
1.8 TensorFlow工作環境的安裝和運行 14
1.8.1 Ubuntu環境下基於Virtualenv的
安裝方法 15
1.8.2 基於Mac OS的安裝方法 16
1.8.3 簡單運行一下TensorFlow 16
第2章 機器學習概述 18
2.1 什麼是機器學習 18
2.1.1 機器學習的定義 18
2.1.2 任務 19
2.1.3 性能 20
2.1.4 經驗 24
2.2 學習演算法 24
2.2.1 表示 25
2.2.2 評價 25
2.2.3 優化 27
2.3 以線性回歸為例 28
2.3.1 線性回歸的任務T 28
2.3.2 線性回歸的經驗E 28
2.3.3 線性回歸的表示R 30
2.3.4 線性回歸的評價E 30
2.3.5 線性回歸的優化O 31
2.3.6 小結 32
2.3.7 TensorFlow的完整運行腳本 33
2.4 本章小結 35
第3章 從生物神經元到感知器 36
3.1 感知器的前身 36
3.1.1 生物神經元 36
3.1.2 一個基礎的神經元—
McCulloch-Pitts Units 37
3.1.3 基於MCP神經元實現
布爾邏輯 37
3.1.4 帶有權值的MCP神經元 39
3.1.5 通過帶有權值的MCP神經元對
空間進行線性劃分 40
3.2 感知器 41
3.2.1 感知器簡介 41
3.2.2 感知器的啟動函數 42
3.3 使用感知器分類 43
3.3.1 感知器的二分類 43
3.3.2 經驗E—Iris鳶尾花數據集 44
3.3.3 感知器的表示R 45
3.3.4 感知器的評價E 45
3.3.5 感知器的優化O 46
3.3.6 實踐感知器 47
3.4 本章小結 49
第4章 人工神經網路 50
4.1 從感知器到多層感知器 50
4.1.1 再次回到MCP神經元 50
4.1.2 帶有權值的MCP神經元—
感知器 57
4.1.3 兩層感知器形成“凸域”問題 61
4.1.4 非凸域優化 64
4.2 反向傳播神經網路 65
4.2.1 一個生動的比喻 65
4.2.2 計算圖基礎—前向傳播 66
4.2.3 計算圖—帶有參數w、b的
前向傳播 68
4.2.4 計算圖—帶有參數w、b的
反向傳播 69
4.3 使用人工神經網路對mnist數據進行
分類 71
4.4 本章小結 73
第5章 Logistic回歸與Softmax回歸 74
5.1 資訊理論 74
5.1.1 編碼 74
5.1.2 編碼效率 74
5.1.3 編碼代價 75
5.1.4 最優編碼 77
5.1.5 資訊量和熵 78
5.1.6 交叉熵 80
5.2 Logistic回歸 81
5.2.1 線性回歸回顧 81
5.2.2 Logistic回歸回顧 84
5.2.3 Logistic人工神經網路稀疏化
表徵 87
5.2.4 sigmoid啟動函數與資訊熵 90
5.2.5 最大熵模型 91
5.3 Softmax回歸 96
5.3.1 從Logistic回歸到Softmax
回歸 96
5.3.2 Softmax回歸的參數冗餘 96
5.3.3 Softmax回歸與Logistic回歸的
關係 97
5.3.4 Softmax回歸與k個二元
分類器 98
5.4 本章小結 98
第6章 卷積神經網路 99
6.1 感知器模式識別 99
6.1.1 通過感知器識別一幅簡單的
圖像 99
6.1.2 感知器的魯棒性 101
6.1.3 生物視神經與感受野 103
6.1.4 Minsky感知器與
局部感受野 105
6.1.5 從魯賓杯角度理解
局部感受野 108
6.1.6 單個感知器模式識別的
局限性 110
6.1.7 多層感知器的模式識別 112
6.2 卷積操作 116
6.2.1 卷積的數學定義 116
6.2.2 局部感受野與卷積 116
6.2.3 卷積操作的用途 118
6.3 卷積神經網路的結構 119
6.3.1 卷積操作中局部感受野的
跨度 120
6.3.2 白邊 122
6.3.3 池化操作 123
6.3.4 卷積神經網路的層級結構 124
6.3.5 通過卷積神經網路處理彩色
圖像的模型 126
6.4 使用TensorFlow實現卷積神經網路的
小例子 129
6.5 本章小結 131
第7章 迴圈神經網路 132
7.1 迴圈神經網路:一種迴圈的人工
神經網路 132
7.1.1 回到黑箱模型 132
7.1.2 時間序列性 134
7.2 有限狀態機 135
7.2.1 有限狀態機的布爾邏輯 135
7.2.2 有限狀態機的結構 136
7.3 從MCP神經網路到迴圈神經網路 138
7.3.1 MCP神經網路與有限
狀態機的等效性 138
7.3.2 前饋神經網路與MCP
神經網路的等效性 140
7.3.3 迴圈神經網路與前饋
神經網路的等效性 142
7.3.4 迴圈神經網路的描述 145
7.3.5 迴圈神經網路的參數學習—
BPTT 147
7.4 本章小結 151
第8章 LSTM迴圈神經網路 152
8.1 梯度彌散現象 152
8.1.1 梯度彌散的緣由 152
8.1.2 梯度彌散帶來的“健忘” 155
8.2 長短期記憶網路 157
8.2.1 LSTM的結構 157
8.2.2 LSTM單元如何緩解
梯度彌散 161
8.3 通過TensorFlow實現一個
簡單的LSTM 162
8.4 本章小結 165
第9章 深入TensorFlow 166
9.1 機器學習框架回顧 166
9.2 計算圖 167
9.2.1 計算圖的前饋計算 167
9.2.2 計算圖的回饋計算 168
9.3 神經網路與計算圖 170
9.3.1 神經網路與計算圖的轉換 170
9.3.2 神經網路計算圖的前饋計算與
回饋計算 172
9.4 TensorFlow中的數據流圖 176
9.4.1 張量 176
9.4.2 操作 177
9.4.3 變數和占位符 178
9.4.4 三段式編程 179
9.4.5 會話 180
9.5 使用GPU 183
9.5.1 單機CPU+GPU 183
9.5.2 單機CPU+多GPU 184
9.5.3 分佈式計算 185
9.6 數據可視化工具TensorBoard 188
9.6.1 生成靜態計算圖 188
9.6.2 統計動態數據流 190
9.6.3 使用TensorBoard實現訓練
可視化 190
9.7 本章小結 193
第10章 TensorFlow案例實踐 194
10.1 構建TensorFlow的圖片分類系統 194
10.2 準備代碼和訓練集 195
10.3 構造模型計算圖 199
10.4 訓練模型 207
10.5 評估模型的性能 210
10.6 多GPU訓練 213
10.7 本章小結 218

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。