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
 
 
 
 
TensorFlow深度學習算法原理與編程實戰
 作  者: 蔣子陽
 出版單位: 中國水利水電
 出版日期: 2018.12
 進貨日期: 2019/10/11
 ISBN: 9787517068228
 開  本: 16 開    
 定  價: 749
 售  價: 399
  會 員 價: 399
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:

講解細:沿著需求e演算法e代碼實現的思路,適合各類讀者

圖示多:全書200多張圖片,助你快速理解演算法核心

案例全:將近80個代碼案例,可以拿來就用

涉及廣:囊括神經網路、深度強化學習、可視化、加速計算等內容


內容簡介:

講解細:沿著需求e演算法e代碼實現的思路,適合各類讀者

圖示多:全書200多張圖片,助你快速理解演算法核心

案例全:將近80個代碼案例,可以拿來就用

涉及廣:囊括神經網路、深度強化學習、可視化、加速計算等內容


作者簡介:

蔣子陽,多年專業編程工作經驗,曾參與多個機器人目標識別與定位等深度學習相關專案,擅長圖像識別演算法、語音識別演算法等。涉及行業包括金融、證券、汽車、公共安全等領域。近年來,本人對機器學習及深度學習進行了深入研究,隨著TensorFlow的出現,開始將精力轉移到TensorFlow深度學習演算法原理的研究中,並專門推導過其中的大部分演算法,對該框架有著獨特的認識和深入的理解。


圖書目錄:

第一部分探索深度學習之方式的開始

第1章開篇

1.1人工智慧的發展

1.1.1萌芽

1.1.2復蘇

1.1.3現代實踐:大數據 深度神經網路模型

1.2大數據

1.3機器學習與深度學習

1.3.1機器學習

1.3.2深度學習

1.3.3同人工智能的關係

1.4人工神經網路與TensorFlow

1.4.1人工神經網路

1.4.2TensorFlow

1.5其他主流深度學習框架介紹

1.5.1Caffe

1.5.2Torch

1.5.3Theano

1.5.4MXNet

1.5.5Keras

1.6機器學習的常見任務

1.6.1分類

1.6.2回歸

1.6.3去噪

1.6.4轉錄

1.6.5機器翻譯

1.6.6異常檢測

1.6.7結構化輸出

1.7深度學習的現代應用

1.7.1電腦視覺

1.7.2自然語言處理

1.7.3語音識別

第2章安裝TensorFlow

2.1安裝前的須知

2.1.1檢查硬體是否達標

2.1.2推薦選用GPU進行訓練

2.1.3為什麼選擇Linux系統

2.1.4為什麼選擇Python語言

2.2安裝Anaconda

2.3TensorFlow的兩個主要依賴包

2.3.1Protocol Buffer

2.3.2Bazel

2.4安裝CUDA和cuDNN

2.4.1CUDA

2.4.2cuDNN

2.5正式安裝TensorFlow

2.5.1使用pip安裝

2.5.2從源代碼編譯並安裝

2.6測試你的TensorFlow

2.6.1運行向量相加的例子

2.6.2加載過程存在的一些問題

2.7推薦使用IDE

第3章TensorFlow編程策略

3.1初識計算圖與張量

3.2計算圖——TensorFlow的計算模型

3.3張量——TensorFlow的數據模型

3.3.1概念

3.3.2使用張量

3.4會話——TensorFlow的運行模型

3.4.1TensorFlow系統結構概述

3.4.2簡單使用會話

3.4.3使用with/as環境上下文管理器

3.4.4Session的參數配置

3.4.5placeholder機制

3.5TensorFlow變數

3.5.1創建變數

3.5.2變數與張量

3.6管理變數的變數空間

3.6.1get_variable()函數

3.6.2variable_scope()與name_scope()

第二部分TensorFlow實現深度網路

第4章深度前饋神經網路

4.1網路的前饋方式

4.2全連接

4.2.1神經元與全連接結構

4.2.2前向傳播演算法

4.3線性模型的局限性

4.4啟動函數

4.4.1常用啟動函數

4.4.2啟動函數實現去線性化

4.5多層網路解決異或運算

4.6損失函數

4.6.1經典損失函數

4.6.2自定義損失函數

第5章優化網路的方法

5.1基於梯度的優化

5.1.1梯度下降演算法

5.1.2隨機梯度下降

5.2反向傳播

5.2.1簡要解釋反向傳播演算法

5.2.2自適應學習率演算法

5.2.3TensorFlow提供的優化器

5.3學習率的獨立設置

5.3.1指數衰減的學習率

5.3.2其他優化學習率的方法

5.4擬合

5.4.1過擬合和欠擬合

5.4.2正則化的方法

5.4.3Bagging方法

5.4.4Dropout方法

第6章全連神經網路的經典實踐

6.1MNIST數據集

6.2網路的設計

6.3超參數和驗證集

6.4與簡單模型的對比

第7章卷積神經網路

7.1準備性的認識

7.1.1圖像識別與經典數據集

7.1.2卷積網路的神經科學基礎

7.1.3卷積神經網路的歷史

7.2卷積

7.2.1卷積運算

7.2.2卷積運算的稀疏連接

7.2.3卷積運算的參數共用

7.2.4卷積運算的平移等變

7.2.5多卷積核

7.2.6卷積層的代碼實現

7.3池化

7.3.1池化過程

7.3.2常用池化函數

7.3.3池化層的代碼實現

7.4實現卷積神經網路的簡例

7.4.1卷積神經網路的一般框架

7.4.2用簡單卷積神經網路實現Cifar-10數據集分類

7.5圖像數據處理

7.5.1圖像編解碼處理

7.5.2翻轉圖像

7.5.3圖像色彩調整

7.5.4圖像標準化處理

7.5.5調整圖像大小

7.5.6圖像的標注框

第8章經典卷積神經網路

8.1LeNet-5卷積網路模型

8.1.1模型結構

8.1.2TensorFlow實現

8.2AlexNet卷積網路模型

8.2.1模型結構

8.2.2TensorFlow實現

8.3VGGNet卷積網路模型

8.3.1模型結構

8.3.2TensorFlow實現

8.4InceptionNet-V3卷積網路模型

8.4.1模型結構

8.4.2Inception V3 Module的實現

8.4.3使用Inception V3完成模型遷移

8.5ResNet卷積網路模型

8.5.1模型結構

8.5.2TensorFlow實現

第9章迴圈神經網路

9.1迴圈神經網路簡介

9.1.1迴圈神經網路的前向傳播程式設計

9.1.2計算迴圈神經網路的梯度

9.1.3迴圈神經網路的不同設計模式

9.2自然語言建模與詞向量

9.2.1統計學語言模型

9.2.2Word2Vec

9.2.3用TensorFlow實現Word2Vec

9.3LSTM實現自然語言建模

9.3.1長短時記憶網路(LSTM)

9.3.2LSTM在自然語言建模中的應用

9.3.3迴圈神經網路的Dropout

9.4迴圈神經網路的變種

9.4.1雙向迴圈神經網路

9.4.2深層迴圈神經網路

第10章深度強化學習

10.1理解基本概念

10.2深度強化學習的思路

10.3典型應用場景舉例

10.3.1場景1:機械臂自控

10.3.2場景2:自動遊戲系統

10.3.3場景3:自動駕駛

10.3.4場景4:智能圍棋系統

10.4Q學習與深度Q網路

10.4.1Q學習與深度Q學習

10.4.2深度Q網路

第三部分TensorFlow的使用進階

第11章數據讀取

11.1檔格式

11.1.1TFRecord格式

11.1.2CSV格式

11.2佇列

11.2.1數據佇列

11.2.2檔佇列

11.3使用多線程處理輸入的數據

11.3.1使用Coordinator類管理線程

11.3.2使用QueueRunner創建線程

11.4組織數據batch

第12章模型持久化

12.1通過代碼實現

12.2模型持久化的原理

12.2.1model.ckpt.mate檔

12.2.2從.index與.data檔讀取變數的值

12.3持久化的MNIST手寫字識別

12.4PB檔

第13章TensorBoard可視化

13.1TensorBoard簡要介紹

13.2MNIST手寫字識別的可視化

13.2.1實現的過程

13.2.2標量數據可視化結果

13.2.3圖像數據可視化結果

13.2.4計算圖可視化結果

13.3其他監控指標可視化

第14章加速計算

14.1TensorFlow支持的設備

14.2TensorFlow單機實現

14.2.1查看執行運算的設備

14.2.2device()函數的使用

14.3並行訓練的原理

14.3.1數據並行

14.3.2模型並行

14.4單機多GPU加速TensorFlow程式

14.4.1實現的過程

14.4.2多GPU並行的可視化

14.5分佈式TensorFlow概述
顯示部分資訊


章節試讀:

2016年3月,AlphaGo 的成功使得人工智慧成為人們茶餘飯後津津樂道的話題,而實現人工智慧的主要方法——深度學習,也作為一個關鍵字開始出現在公眾的視野並迅速被接納。然而,深度學習並不算是一門比較新的技術或是一個比較新的辭彙,它在2006年就出現了,在後來的一些大賽(如ILSVRC電腦視覺大賽)或實際應用上也取得了一定的效果。人工智慧在不斷地發展,深度學習技術已經在學術界和工業界產生了顛覆性的影響,而之所以在 AlphaGo 之前我們很少接觸到深度學習,主要是因為在一些專案上深度學習獲得的成功沒有像 AlphaGo 那樣舉世矚目而已。介紹使用TensorFlow實現深度學習,就是筆者寫作本書的原因。

2015年年底面世的TensorFlow,是Google推出的一款開源的實現深度學習演算法的框架。TensorFlow一經出現就獲得了極大的關注——一個月內在GitHub上獲得的star超過1萬。得益於開源社區提供的眾多支持,TensorFlow得到了飛速的發展。在寫作本書時,TensorFlow的最新版本號為1.4,但是本書選擇使用基於1.0.0-rc0版本的示例進行講解,在這一版本上構建的代碼應該能夠很好地相容後來或者最新的TensorFlow框架。
本書特色
1.內容豐富實用、主次分明,符合初學者的學習特點

本書內容涵蓋了深度學習演算法設計以及使用TensorFlow框架時將會用到的一些知識,從內容安排上非常注重這些知識的基礎性和實用性。全書對於必須掌握的知識點沒有含糊其辭,而是進行了細緻的說明;僅需要大致瞭解的內容則點到即止。這樣的安排不僅對初學階段必備的知識有了著重的介紹,讀者也能對比較深入的知識有一個大致的瞭解。
2.文字敘述生動有趣,全程伴隨實例,用實例學習更高效

按照認知規律,本書將內容的介紹設計得環環相扣,連貫統一。在第一部分(第1~3章),主要介紹了一些關於深度學習與TensorFlow的基礎認識。為了方便後續的編程實踐,在這一部分還介紹了TensorFlow的安裝以及簡單的編程使用規則。在第二部分(第4~10章),主要介紹了關於深度神經網路的設計以及一些網路的TensorFlow實現,如果沒有第一部分介紹的相關內容,在用TensorFlow實現這些網路時無疑是充滿挑戰的。第三部分(第11~14章)補充了TensorFlow的使用,這一部分可以看作是TensorFlow的高階用法,熟練掌握這些用法可以使網路的設計事半功倍。

在介紹這些知識時,筆者絕不是板著面孔,用說明書式的語言來講授,而是以非常生動有趣的語言進行通俗易懂的講解,確保內容能夠較完整地表達寫作時最初的本意,在最大程度上幫助讀者掌握TensorFlow的相關內容。
3.圖文搭配合理,儘量避免學習枯燥無味

儘管筆者盡力讓文字通俗易懂,但TensorFlow畢竟也是目前“高大上”的技術,所以在書中很多章節不失時機地插入了一些具有說明性的圖片。在筆者看來,一張恰當的圖片能夠節省很多枯燥無味的文字並起到輔助我們理解文章內容的作用。
本書內容及體系結構
第一部分:探索深度學習之方法的開始

第一部分包括前3章內容。其中第1章是整書的開篇,放置這一章的目的主要是引導讀者對人工智慧的發展、機器學習與深度學習之間的關係以及人工神經網路的過去有一個初步的瞭解。此外,本章還涉及TensorFlow及深度學習框架的介紹。內容很多,但是卻充滿了聯繫。

第2章介紹了安裝TensorFlow的一些方法。本章沒有重要知識點,但使用TensorFlow框架進行深度學習演算法設計或者搭建深度神經網路前將它安裝在電腦上是必須的。對於安裝過程,按照書中內容執行就好。

第3章介紹了一些基本的TensorFlow編程策略,可以把這一章的內容看作是TensorFlow的使用說明書,計算圖、張量和會話是在使用TensorFlow 框架前必須要瞭解的框架本身的一些機制。這些內容不是非常的“進階”但卻非常的重要。
第二部分:TensorFlow實現深度網路

第二部分包括4~10章的內容。第4章介紹了深度前饋神經網路。該網路涵蓋的範圍比較廣,在介紹網路的前向傳播過程以及啟動函數、損失函數等網路的基本組件時,都選擇了比較簡明的全連接形式的網路。

第5章介紹的是優化網路的方法。用一些優化方法優化網路是必須的。這一章的開始涉及了梯度下降、反向傳播的理論;在後續,還針對網路會出現的過擬合現象介紹了一些相應的優化方法。可以說這一章仲介紹的方法都是常用的。當然,也適當地給出了TensorFlow實現。

第6章給出了一個全連神經網路的經典實踐案例,其主要內容是通過全連接形式的神經網路實現基於MNIST數據集的手寫數字識別。在這個實踐中用到了第4章和第5章所講的絕大部分內容。儘管可以看作是一個入門案例,並且所占篇幅也不大,但是起到了總結所學內容的作用。

第7章介紹了卷積神經網路。卷積神經網路同樣是一種前饋神經網路。不同於全連接的方式,卷積神經網路是稀疏連接的。在這一章介紹了卷積神經網路中卷積層和池化層的TensorFlow實現,並在之後以一個使用了Cifar-10數據集的簡單迴圈神經網路作為本章中要實踐的內容。作為一些補充,最後還添加了一些TensorFlow中關於圖像處理的API的使用。可以說,本章的內容也是非常繁雜的。

第8章給出了經典卷積神經網路的TensorFlow實現。在第7章的基礎上,這一章介紹了LeNet-5、AlexNet、VGGNet、InceptionNet-V3和ResNet 5個經典的卷積神經網路,這些卷積神經網路是按出現時間的先後順序進行組織的,並且每一個卷積神經網路都提出了一些新的想法,章內會盡可能地分享這些想法。

第9章介紹了迴圈神經網路。迴圈神經網路已經不再屬於前饋神經網路的範疇,其應用多見於自然語言處理領域(當然也不僅僅是該領域)。除了介紹迴圈神經網路本身,本章也適當地加入了一些其在自然語言處理領域應用的例子。

第10章是一些深度強化學習的內容,深度強化學習是現代通用人工智慧的實現方法,本章使用較短的篇幅概述了深度強化學習的相關內容。
第三部分:TensorFlow的使用進階

第三部分包括11~14章的內容。第11章介紹了使用TensorFlow進行數據讀取的相關方法。網路需要數據的輸入,為了方便這一過程,TensorFlow本身提供了一些API。本章主要講述的就是這些API。

第12章介紹了TensorFlow模型持久化。將訓練好的網路模型存儲起來並在使用時加載存儲好的模型可以節約很多的時間,因為模型的訓練過程一般是比較耗時的。本章除了給出模型持久化的實例外,還適當地介紹了TensorFlow模型持久化的原理,內容比較全面。

第13章介紹了TensorFlow自帶的TensorBoard可視化工具。網路模型中的一些標量數據、圖片或者音頻數據都可以通過TensorBoard工具可視化出來,甚至模型的計算圖也可以,這大大方便了我們的調試過程。本章就介紹了如何使用這款方便的工具。

第14章介紹了TensorFlow加速計算。深度神經網路模型的訓練過程中會產生大量的計算,TensorFlow支持使用多個GPU設備或者分佈式的方式來並行加快計算的過程。本章先是介紹了並行計算的一些模式,然後重點放在了如何通過代碼實現TensorFlow使用多個GPU設備或者分佈式的方式加速計算。
本書讀者對象

◎人工智慧領域愛好者及相關開發人員 ◎電腦相關專業的學生

◎機器人、自動化行業的人員 ◎數據分析、數據挖掘人員

 
  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。