书籍详情
TensorFlow深度学习实战大全
作者：李明军 著
出版社：北京大学出版社
出版时间：2019-11-01
ISBN：9787301308486
定价：¥89.00
购买这本书可以去
内容简介
不知不觉，人工智能已经走入我们的生活，尤其是图像识别、文本识别、语音识别、自然语言等技术。这些应用的核心技术就是深度学习，也正是本书的核心内容。 本书以TensorFlow为核心，分为3篇，共计15章节。第1篇是基础篇（第1~5章），主要介绍什么是深度学习、深度学习的本质是什么、深度学习所使用的教材和方法，以及深度学习在图像识别（MNIST）领域的应用。第2篇是发展演变篇（第6~14章），主要介绍在图像识别领域深度学习技术的发展与演变。主要是以ImageNet挑战赛为线索、以ImageNet挑战赛中的冠军模型为主干，介绍了卷积神经网络的发展历程、遇到的主要挑战、思路和对策，以及各种冠军模型的模型架构与模型训练。第3篇是前沿篇（第15章），介绍了生成对抗神经网络（GAN），它是一种能够自动生成图像的神经网络，这是与之前介绍的各种用于图像识别的卷积神经网络zui显著的区别。 本书讲解细致、深入浅出，即使没有机器学习的基础，也能快速学会，同时适合任何对深度学习技术或人工智能相关领域感兴趣的从业人员学习使用。
作者简介
李明军，曾就职于亿阳信通、神州泰岳、中国惠普等公司。从事大数据分析、人工智能等相关领域的工作。在知乎上发表过多篇技术文章，对大数据分析、人工智能、数据治理有着丰富的经验。
目录
第1篇 基础篇
第1章 深度学习基础
1.1 人工智能与机器学习 1
1.2 机器是怎样学习的3
1.3 机器学习实战6
1.4 机器学习的教材10
1.5 机器学习的分类11
1.6 本章小结 15
第2章 深度学习原理
2.1 什么是深度学习17
2.2 为什么需要深度学习 17
2.3 深层神经网络21
2.4 深层神经网络训练24
2.5 深层神经网络优化35
2.6 本章小结40
第3章 TensorFlow安装
3.1 在macOS上安装TensorFlow41
3.2 在Windows上安装TensorFlow49
3.3 在Ubuntu上安装TensorFlow52
3.4 本章小结64
第4章 TensorFlow入门
4.1 TensorFlow编程环境65
4.2 TensorFlow运行机制66
4.3 数据类型—张量78
4.4 数据操作86
4.5 使用Estimator开发112
4.6 使用LinearEstimator的示例. 126
4.7 本章小结136
第5章 手写数字识别
5.1 MNIST数据集简介137
5.2 手写数字识别示例143
5.3 手写数字识别优化152
5.4 寻找最优模型165
5.5 本章小结 176
第2篇 发展演变篇
第6章 图像识别
6.1 CIFAR数据集简介178
6.2 ImageNet数据集简介180
6.3 图像识别的关键及特点. 182
6.4 卷积神经网络原理184
6.5 卷积神经网络构建 188
6.6 卷积神经网络示例 196
6.7 本章小结 208
第7章 卷积神经网络起源及原理
7.1 多层架构 209
7.2 卷积神经网络. 210
7.3 Neocognitron210
7.4 LeNet简介211
7.5 本章小结 212
第8章 AlexNet
8.1 网络架构213
8.2 主要特点214
8.3 后续影响 219
8.4 本章小结 219
第9章 VGGNet
9.1 网络架构.. 221
9.2 主要特点.. 223
9.3 其他技巧和贡献224
9.4 本章小结 228
第10章 Inception
10.1 Inception名称由来229
10.2 背景问题分析229
10.3 架构设计思路230
10.4 网络架构 232
10.5 Inception实战236
10.6 本章小结 278
第11章 Inception v2 和Inception v3
11.1 指导原则 279
11.2 具体措施 280
11.3 卷积分解 280
11.4 并行池化 282
11.5 旁路分类器 284
11.6 批量标准化 284
11.7 低分辨率输入的性能 287
11.8 其他技巧 288
11.9 网络架构 288
11.10 后续影响 290
11.11 Inception v2实战291
11.12 Inception v3实战301
11.13 本章小结320
第12章 ResNet
12.1 退化问题 321
12.2 原因分析 322
12.3 残差模块 322
12.4 降采样残差模块323
12.5 网络架构 324
12.6 ResNet实战. 326
12.7 主要优点 334
12.8 本章小结 334
第13章 Inception v4
13.1 Inception v4网络架构 335
13.2 Inception-ResNet模块336
13.3 Inception-ResNet网络架构337
13.4 主要贡献 338
13.5 本章小结 338
第14章 DenseNet
14.1 DenseNet网络339
14.2 网络架构 340
14.3 实现方法 344
14.4 主要优点 346
14.5 DenseNet实战347
14.6 本章小结 354
第3篇 前沿篇
第15章 生成对抗神经网络
15.1 生成对抗神经网络简介356
15.2 生成对抗神经网络实现358
15.3 生成对抗神经网络实战361
15.4 本章小结 376
第1章 深度学习基础
1.1 人工智能与机器学习 1
1.2 机器是怎样学习的3
1.3 机器学习实战6
1.4 机器学习的教材10
1.5 机器学习的分类11
1.6 本章小结 15
第2章 深度学习原理
2.1 什么是深度学习17
2.2 为什么需要深度学习 17
2.3 深层神经网络21
2.4 深层神经网络训练24
2.5 深层神经网络优化35
2.6 本章小结40
第3章 TensorFlow安装
3.1 在macOS上安装TensorFlow41
3.2 在Windows上安装TensorFlow49
3.3 在Ubuntu上安装TensorFlow52
3.4 本章小结64
第4章 TensorFlow入门
4.1 TensorFlow编程环境65
4.2 TensorFlow运行机制66
4.3 数据类型—张量78
4.4 数据操作86
4.5 使用Estimator开发112
4.6 使用LinearEstimator的示例. 126
4.7 本章小结136
第5章 手写数字识别
5.1 MNIST数据集简介137
5.2 手写数字识别示例143
5.3 手写数字识别优化152
5.4 寻找最优模型165
5.5 本章小结 176
第2篇 发展演变篇
第6章 图像识别
6.1 CIFAR数据集简介178
6.2 ImageNet数据集简介180
6.3 图像识别的关键及特点. 182
6.4 卷积神经网络原理184
6.5 卷积神经网络构建 188
6.6 卷积神经网络示例 196
6.7 本章小结 208
第7章 卷积神经网络起源及原理
7.1 多层架构 209
7.2 卷积神经网络. 210
7.3 Neocognitron210
7.4 LeNet简介211
7.5 本章小结 212
第8章 AlexNet
8.1 网络架构213
8.2 主要特点214
8.3 后续影响 219
8.4 本章小结 219
第9章 VGGNet
9.1 网络架构.. 221
9.2 主要特点.. 223
9.3 其他技巧和贡献224
9.4 本章小结 228
第10章 Inception
10.1 Inception名称由来229
10.2 背景问题分析229
10.3 架构设计思路230
10.4 网络架构 232
10.5 Inception实战236
10.6 本章小结 278
第11章 Inception v2 和Inception v3
11.1 指导原则 279
11.2 具体措施 280
11.3 卷积分解 280
11.4 并行池化 282
11.5 旁路分类器 284
11.6 批量标准化 284
11.7 低分辨率输入的性能 287
11.8 其他技巧 288
11.9 网络架构 288
11.10 后续影响 290
11.11 Inception v2实战291
11.12 Inception v3实战301
11.13 本章小结320
第12章 ResNet
12.1 退化问题 321
12.2 原因分析 322
12.3 残差模块 322
12.4 降采样残差模块323
12.5 网络架构 324
12.6 ResNet实战. 326
12.7 主要优点 334
12.8 本章小结 334
第13章 Inception v4
13.1 Inception v4网络架构 335
13.2 Inception-ResNet模块336
13.3 Inception-ResNet网络架构337
13.4 主要贡献 338
13.5 本章小结 338
第14章 DenseNet
14.1 DenseNet网络339
14.2 网络架构 340
14.3 实现方法 344
14.4 主要优点 346
14.5 DenseNet实战347
14.6 本章小结 354
第3篇 前沿篇
第15章 生成对抗神经网络
15.1 生成对抗神经网络简介356
15.2 生成对抗神经网络实现358
15.3 生成对抗神经网络实战361
15.4 本章小结 376
猜您喜欢
