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
 
 
 
 
詳解深度學習:基於TensorFlow和Keras學習RNN(配件另行下載)
 叢書名稱: 圖靈程序設計叢書
 作  者: (日)巢籠悠輔
 出版單位: 人民郵電
 出版日期: 2019.11
 進貨日期: 2019/12/25
 ISBN: 9787115519962
 開  本: 16 開    
 定  價: 593
 售  價: 474
  會 員 價: 435

目前無補書計畫

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:

從零開始詳細解說神經網絡和深度學習 重點講解時序數據分析模型——循環神經網絡RNN 從基礎到應用、從理論到實踐 公式齊全、代碼豐富,使用熱門Python庫逐一實現

1. 梳理基礎數學知識和Python知識,為深入理解打基礎
2. 數學公式講解詳細,為讀懂大部頭開路
3. 相同代碼通過TensorFlow和Keras分別實現,對比說明,更易理解
4. 以sin波為例講解循環神經網絡的理論和實現,詳細介紹LSTM算法


內容簡介:

本書著眼於處理時間序列數據的深度學習算法,通過基於Python 語言的庫TensorFlow 和Keras來學習神經網絡、深度學習的理論和實現。全書共六章,前兩章講解了學習神經網絡所需的數學知識和Python 基礎知識;中間兩章講解了神經網絡的基本算法以及深度學習的基礎知識和應用;*後兩章詳細介紹了專門用於處理時間序列數據的循環神經網絡(RNN)。


作者簡介:

巢籠悠輔(作者) 日本新聞應用Gunosy和眾籌網站READYFOR的創始人之一。曾就職於電通和谷歌紐約分部。辭職後參與了株式會社MICIN的創立工作,致力於人工智能技術在醫療領域的應用。東京大學客座講師。著作有《深度學習:Java語言實現》。 鄭明智(譯者) 智慧醫療工程師。主要研究方向為醫療領域的自然語言處理及其應用,密切關注大數據、機器學習、深度學習等領域。譯作有《松本行弘:編程語言的設計與實現》《深度學習基礎與實踐》。


圖書目錄:

第 1章 數學準備 001

1.1 偏微分 001

1.1.1 導函數和偏導函數 001

1.1.2 微分係數與偏微分係數 003

1.1.3 偏微分的基本公式 006

1.1.4 複合函數的偏微分 007

1.1.5 拓展全微分 009

1.2 線性代數 011

1.2.1 向量 011

1.2.1.1 向量的基礎知識 011

1.2.1.2 向量的和與標量倍數 011

1.2.1.3 向量的內積 012

1.2.2 矩陣 013

1.2.2.1 矩陣的基礎知識 013

1.2.2.2 矩陣的和與標量倍數 014

1.2.2.3 矩陣的乘積 014

1.2.2.4 正則矩陣與逆矩陣 016

1.2.2.5 轉置矩陣 017

1.3 小結 018

第 2章 Python準備 019

2.1 Python 2和Python 3 020

2.2 Anaconda發行版 021

2.3 Python的基礎知識 025

2.3.1 Python程序的執行 025

2.3.2 數據類型 026

2.3.2.1 類型是什麼 026

2.3.2.2 字符串類型 027

2.3.2.3 數值類型 028

2.3.2.4 布爾類型 030

2.3.3 變量 031

2.3.3.1 變量是什麼 031

2.3.3.2 變量與類型 032

2.3.4 數據結構 033

2.3.4.1 列表 033

2.3.4.2 字典 034

2.3.5 運算 035

2.3.5.1 運算符與操作數 035

2.3.5.2 算術運算的運算符 036

2.3.5.3 賦值運算符 036

2.3.6 基本結構 038

2.3.6.1 if語句 038

2.3.6.2 while語句 039

2.3.6.3 for語句 041

2.3.7 函數 043

2.3.8 類 045

2.3.9 庫 048

2.4 NumPy 049

2.4.1 NumPy數組 049

2.4.2 使用NumPy進行向量和矩陣的計算 051

2.4.3 數組和多維數組的生成 053

2.4.4 切片 054

2.4.5 廣播 056

2.5 面向深度學習的庫 058

2.5.1 TensorFlow 058

2.5.2 Keras 059

2.5.3 參考Theano 060

2.6 小結 063

第3章 神經網絡 065

3.1 什麼是神經網絡 065

3.1.1 腦和神經元 065

3.1.2 深度學習和神經網絡 066

3.2 作為電路的神經網絡 067

3.2.1 簡單的模型化 067

3.2.2 邏輯電路 069

3.2.2.1 邏輯門 069

3.2.2.2 與門 069

3.2.2.3 或門 072

3.2.2.4 非門 074

3.3 簡單感知機 075

3.3.1 模型化 075

3.3.2 實現 077

3.4 邏輯回歸 081

3.4.1 階躍函數與sigmoid函數 081

3.4.2 模型化 082

3.4.2.1 似然函數與交叉熵誤差函數 082

3.4.2.2 梯度下降法 084

3.4.2.3 隨機梯度下降法與小批量梯度下降法 085

3.4.3 實現 086

3.4.3.1 使用TensorFlow的實現 086

3.4.3.2 使用Keras的實現 092

3.4.4 拓展sigmoid函數與概率密度函數、累積分布函數 096

3.4.5 拓展梯度下降法和局部最優解 099

3.5 多分類邏輯回歸 101

3.5.1 softmax函數 101

3.5.2 模型化 102

3.5.3 實現 106

3.5.3.1 使用TensorFlow的實現 106

3.5.3.2 使用Keras的實現 110

3.6 多層感知機 111

3.6.1 非線性分類 111

3.6.1.1 異或門 111

3.6.1.2 邏輯門的組合 113

3.6.2 模型化 115

3.6.3 實現 119

3.6.3.1 使用TensorFlow的實現 119

3.6.3.2 使用Keras的實現 122

3.7 模型的評估 123

3.7.1 從分類到預測 123

3.7.2 預測的評估 124

3.7.3 簡單的實驗 126

3.8 小結 131

第4章 深度神經網絡 133

4.1 進入深度學習之前的準備 133

4.2 訓練過程中的問題 138

4.2.1 梯度消失問題 138

4.2.2 過擬合問題 141

4.3 訓練的高效化 142

4.3.1 激活函數 143

4.3.1.1 雙曲正切函數 143

4.3.1.2 ReLU 145

4.3.1.3 Leaky ReLU 147

4.3.1.4 Parametric ReLU 149

4.3.2 Dropout 152

4.4 代碼的設計 157

4.4.1 基本設計 157

4.4.1.1 使用TensorFlow的實現 157

4.4.1.2 使用Keras的實現 160

4.4.1.3 拓展對TensorFlow模型進行類封裝 161

4.4.2 訓練的可視化 166

4.4.2.1 使用TensorFlow的實現 167

4.4.2.2 使用Keras的實現 172

4.5 高級技術 176

4.5.1 數據的正則化與權重的初始化 176

4.5.2 學習率的設置 179

4.5.2.1 動量 179

4.5.2.2 Nesterov動量 180

4.5.2.3 Adagrad 181

4.5.2.4 Adadelta 182

4.5.2.5 RMSprop 184

4.5.2.6 Adam 185

4.5.3 早停法 187

4.5.4 Batch Normalization 190

4.6 小結 195

第5章 循環神經網絡 197

5.1 基本概念 197

5.1.1 時間序列數據 197

5.1.2 過去的隱藏層 199

5.1.3 基於時間的反向傳播算法 202

5.1.4 實現 204

5.1.4.1 準備時間序列數據 205

5.1.4.2 使用TensorFlow的實現 207

5.1.4.3 使用Keras的實現 214

5.2 LSTM 215

5.2.1 LSTM 塊 215

5.2.2 CEC、輸入門和輸出門 217

5.2.2.1 穩態誤差 217

5.2.2.2 輸入權重衝突和輸出權重衝突 219

5.2.3 遺忘門 220

5.2.4 窺視孔連接 222

5.2.5 模型化 223

5.2.6 實現 227

5.2.7 長期依賴信息的訓練評估——Adding Problem 229

5.3 GRU 232

5.3.1 模型化 232

5.3.2 實現 233

5.4 小結 235

第6章 循環神經網絡的應用 237

6.1 雙向循環神經網絡 237

6.1.1 未來的隱藏層 237

6.1.2 前向、後向傳播 239

6.1.3 MNIST的預測 241

6.1.3.1 轉換為時間序列數據 241

6.1.3.2 使用TensorFlow的實現 242

6.1.3.3 使用Keras的實現 245

6.2 循環神經網絡編碼器- 解碼器 246

6.2.1 序列到序列模型 246

6.2.2 簡單的問答系統 247

6.2.2.1 設置問題——加法的訓練 247

6.2.2.2 數據的準備 248

6.2.2.3 使用TensorFlow的實現 251

6.2.2.4 使用Keras的實現 260

6.3 注意力模型 261

6.3.1 時間的權重 261

6.3.2 LSTM中的注意力機制 263

6.4 記憶網絡 265

6.4.1 記憶外部化 265

6.4.2 應用於問答系統 266

6.4.2.1 bAbi任務 266

6.4.2.2 模型化 267

6.4.3 實現 269

6.4.3.1 數據的準備 269

6.4.3.2 使用TensorFlow的實現 272

6.5 小結 276

附錄 279

A.1 模型的保存和讀取 279

A.1.1 使用TensorFlow時的處理 279

A.1.2 使用Keras時的處理 284

A.2 TensorBoard 285

A.3 tf.contrib.learn 292

 
  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。