书籍详情
深度学习实战：基于TensorFlow 2和Keras（原书第2版）
作者：[意] 安东尼奥·古利（Antonio Gulli） 著
出版社：机械工业出版社
出版时间：2021-09-01
ISBN：9787111687719
定价：¥149.00
购买这本书可以去
内容简介
本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1x和TensorFlow 20编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的指南。
作者简介
暂缺《深度学习实战：基于TensorFlow 2和Keras（原书第2版）》作者简介
目录
前言
作者简介
审校者简介
第1章 基于TensorFlow 20的神经网络基础1
11 TensorFlow是什么1
12 Keras是什么3
13 TensorFlow 20有哪些重要的改动3
14 神经网络概述4
15 感知器5
16 多层感知器—第一个神经网络示例6
161 感知器训练的问题及对策6
162 激活函数—sigmoid函数7
163 激活函数—tanh函数7
164 激活函数—ReLU函数8
165 两个拓展激活函数—ELU函数和LeakyReLU函数8
166 激活函数总结9
167 神经网络到底是什么9
17 示例—识别手写数字10
171 独热编码10
172 在TensorFlow 20中定义一个简单的神经网络10
173 运行一个简单的TensorFlow 20神经网络并建立测试基线14
174 使用隐藏层改进TensorFlow 20的简单神经网络15
175 利用随机失活进一步改进Ten-sor Flow 20的简单神经网络18
176 测试TensorFlow 20的不同优化器19
177 增加epoch数24
178 控制优化器学习率25
179 增加内部隐藏神经元的数量25
1710 增加批量计算的大小26
1711 手写图识别实验总结26
18 正则化27
181 采用正则化以避免过拟合27
182 理解批量归一化28
19 Google Colab—CPU、GPU和TPU29
110 情感分析31
111 超参数调谐和AutoML33
112 预测输出34
113 反向传播的实用概述34
114 我们学到了什么35
115 迈向深度学习方式35
116 参考文献36
第2章 TensorFlow 1x与2x37
21 理解TensorFlow 1x37
211 TensorFlow 1x计算图程序结构37
212 常量、变量和占位符的使用39
213 操作对象示例40
214 TensorFlow 2x中的TensorFlow 1x示例43
22 理解TensorFlow 2x44
221 即刻执行44
222 AutoGraph45
223 Keras API的三种编程模型47
224 回调49
225 保存模型和权重50
226 使用tfdatadatasets训练50
227 tfkeras还是估算器53
228 不规则张量55
229 自定义训练55
2210 TensorFlow 2x中的分布式训练56
2211 命名空间的改动59
2212 1x至2x的转换59
2213 高效使用TensorFlow 2x59
23 TensorFlow 2x生态系统60
24 Keras还是tfkeras61
25 小结62
第3章 回归64
31 什么是回归64
32 使用线性回归进行预测65
321 简单线性回归65
322 多线性回归68
323 多元线性回归68
33 TensorFlow Estimator69
331 特征列69
332 输入函数70
333 使用TensorFlow EstimatorAPI的MNIST70
34 使用线性回归预测房价71
35 分类任务和决策边界75
351 logistic回归75
352 MNIST数据集上的logistic回归76
36 小结80
37 参考文献80
第4章 卷积神经网络81
41 深度卷积神经网络81
411 局部感受野82
412 共享权重和偏差82
413 数学示例83
414 TensorFlow 2x中的ConvNets83
415 池化层84
42 DCNN的示例—LeNet85
421 TensorFlow 20中的LeNet代码85
422 理解深度学习的力量90
43 通过深度学习识别CIFAR-10图像91
431 用更深的网络提高CIFAR-10的性能93
432 用数据增强提高CIFAR-10的性能95
433 基于CIFAR-10预测97
44 用于大规模图像识别的超深度卷积网络98
441 基于VGG16神经网络识别猫100
442 使用tfkeras内置的VGG16 Net模块101
443 复用预建深度学习模型以提取特征102
45 小结103
46 参考文献103
第5章 高级卷积神经网络104
51 计算机视觉104
511 复杂任务的CNN组合104
512 用tfkeras-estimator模型对Fashion-MNIST分类111
513 在GPU上运行Fashion-MNISTtfkeras-estimator模型113
514 用于迁移学习的Deep Inception-v3 Net114
515 迁移学习：分类人和马117
516 基于tfkeras和TensorFlow Hub的Application Zoo120
517 其他CNN架构121
518 回答有关图像的问题124
519 风格迁移127
5110 创建DeepDream网络129
5111 查看深度网络学到的内容132
52 视频133
53 文本文件134
54 音频和音乐137
55 卷积运算小结141
551 基本卷积神经网络141
552 空洞卷积141
553 可分离卷积141
554 深度卷积142
555 深度可分离卷积142
56 胶囊网络142
561 CNN有什么问题142
562 Capsule网络有什么新功能143
57 小结144
58 参考文献144
第6章 生成对抗网络146
61 什么是GAN146
62 深度卷积GAN152
63 一些有趣的GAN架构161
631 SRGAN161
632 CycleGAN162
633 I
作者简介
审校者简介
第1章 基于TensorFlow 20的神经网络基础1
11 TensorFlow是什么1
12 Keras是什么3
13 TensorFlow 20有哪些重要的改动3
14 神经网络概述4
15 感知器5
16 多层感知器—第一个神经网络示例6
161 感知器训练的问题及对策6
162 激活函数—sigmoid函数7
163 激活函数—tanh函数7
164 激活函数—ReLU函数8
165 两个拓展激活函数—ELU函数和LeakyReLU函数8
166 激活函数总结9
167 神经网络到底是什么9
17 示例—识别手写数字10
171 独热编码10
172 在TensorFlow 20中定义一个简单的神经网络10
173 运行一个简单的TensorFlow 20神经网络并建立测试基线14
174 使用隐藏层改进TensorFlow 20的简单神经网络15
175 利用随机失活进一步改进Ten-sor Flow 20的简单神经网络18
176 测试TensorFlow 20的不同优化器19
177 增加epoch数24
178 控制优化器学习率25
179 增加内部隐藏神经元的数量25
1710 增加批量计算的大小26
1711 手写图识别实验总结26
18 正则化27
181 采用正则化以避免过拟合27
182 理解批量归一化28
19 Google Colab—CPU、GPU和TPU29
110 情感分析31
111 超参数调谐和AutoML33
112 预测输出34
113 反向传播的实用概述34
114 我们学到了什么35
115 迈向深度学习方式35
116 参考文献36
第2章 TensorFlow 1x与2x37
21 理解TensorFlow 1x37
211 TensorFlow 1x计算图程序结构37
212 常量、变量和占位符的使用39
213 操作对象示例40
214 TensorFlow 2x中的TensorFlow 1x示例43
22 理解TensorFlow 2x44
221 即刻执行44
222 AutoGraph45
223 Keras API的三种编程模型47
224 回调49
225 保存模型和权重50
226 使用tfdatadatasets训练50
227 tfkeras还是估算器53
228 不规则张量55
229 自定义训练55
2210 TensorFlow 2x中的分布式训练56
2211 命名空间的改动59
2212 1x至2x的转换59
2213 高效使用TensorFlow 2x59
23 TensorFlow 2x生态系统60
24 Keras还是tfkeras61
25 小结62
第3章 回归64
31 什么是回归64
32 使用线性回归进行预测65
321 简单线性回归65
322 多线性回归68
323 多元线性回归68
33 TensorFlow Estimator69
331 特征列69
332 输入函数70
333 使用TensorFlow EstimatorAPI的MNIST70
34 使用线性回归预测房价71
35 分类任务和决策边界75
351 logistic回归75
352 MNIST数据集上的logistic回归76
36 小结80
37 参考文献80
第4章 卷积神经网络81
41 深度卷积神经网络81
411 局部感受野82
412 共享权重和偏差82
413 数学示例83
414 TensorFlow 2x中的ConvNets83
415 池化层84
42 DCNN的示例—LeNet85
421 TensorFlow 20中的LeNet代码85
422 理解深度学习的力量90
43 通过深度学习识别CIFAR-10图像91
431 用更深的网络提高CIFAR-10的性能93
432 用数据增强提高CIFAR-10的性能95
433 基于CIFAR-10预测97
44 用于大规模图像识别的超深度卷积网络98
441 基于VGG16神经网络识别猫100
442 使用tfkeras内置的VGG16 Net模块101
443 复用预建深度学习模型以提取特征102
45 小结103
46 参考文献103
第5章 高级卷积神经网络104
51 计算机视觉104
511 复杂任务的CNN组合104
512 用tfkeras-estimator模型对Fashion-MNIST分类111
513 在GPU上运行Fashion-MNISTtfkeras-estimator模型113
514 用于迁移学习的Deep Inception-v3 Net114
515 迁移学习：分类人和马117
516 基于tfkeras和TensorFlow Hub的Application Zoo120
517 其他CNN架构121
518 回答有关图像的问题124
519 风格迁移127
5110 创建DeepDream网络129
5111 查看深度网络学到的内容132
52 视频133
53 文本文件134
54 音频和音乐137
55 卷积运算小结141
551 基本卷积神经网络141
552 空洞卷积141
553 可分离卷积141
554 深度卷积142
555 深度可分离卷积142
56 胶囊网络142
561 CNN有什么问题142
562 Capsule网络有什么新功能143
57 小结144
58 参考文献144
第6章 生成对抗网络146
61 什么是GAN146
62 深度卷积GAN152
63 一些有趣的GAN架构161
631 SRGAN161
632 CycleGAN162
633 I
猜您喜欢
