正版图书 Tensor Flow 2.x深度学习从入门到实战 9787576330007
正版图书 没有图片的请核对书号下单 以书名为准~ 出版时间系统采集的 请注意！
￥ 74.66 5.8折 ￥ 129 全新
库存48件
河北保定
认证卖家担保交易快速发货售后保障
作者陈屹
出版社北京理工大学出版社
ISBN9787576330007
出版时间2023-12
版次1
装帧平装
开本16开
纸张胶版纸
定价129元
货号wht- 9787576330007
上书时间2024-05-17
商品详情
- 品相描述：全新
- 库存书 未翻阅
- 商品描述
-
基本信息
书名:Tensor Flow 2.x深度学习从入门到实战
定价：129元
作者:陈屹
出版社：北京理工大学出版社
出版日期：2023-12-01
ISBN：9787576330007
字数：
页码：
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
资深工程师多年从事人工智能算法研究和实践的经验总结结合大量典型实例，通过“干中学”的方式讲透复杂的算法理论给出比较平滑的学习路线，极大地降低读者的学习难度从TensorFlow2.x的基础知识讲起，逐步深入其高级技术与使用技巧从理论讲解、代码实现和调试演示等多个角度，加深读者对知识点的理解结合近40个代码示例进行讲解，让读者通过编码的方式理解所学的知识点结合80余幅示意图，详解深度学习的相关算法逻辑与多种模型的原理
内容提要
《TensorFlow 2.x深度学习从入门到实战》是作者研究和实践人工智能算法的经验总结。本书通过图表、案例和示例代码相结合的方式，介绍TensorFlow2.x框架的相关知识，帮助读者打好扎实的人工智能理论基础，并将理论付诸实践，通过“干中学”的方式全面掌握复杂的算法理论。《TensorFlow 2.x深度学习从入门到实战》共3篇。篇“TensorFlow基础”，主要介绍TensorFlow2.x的基本开发方法及其重要接口的使用方法，让读者对其有较为全面的了解。第2篇“TensorFlow进阶”，详细介绍TensorFlow2.x的高级开发功能，以及如何使用它开发基于深度学习的神经网络。第3篇“TensorFlow实战”，详细介绍TensorFlow2.x在增强学习和GAN两个专业领域的强大应用，以及其调用接口和开发模式，帮助读者有效地将其应用到具体的项目实践中。《TensorFlow 2.x深度学习从入门到实战》内容丰富，讲解透彻，适合对人工智能感兴趣的人员阅读，尤其是需要学习TensorFlow2.x深度学习框架的入门与进阶人员，另外还适合相关培训机构作为培训教材使用。
目录
篇 TensorFlow基础章 安装TensorFlow 21.1 TensorFlow的安装流程 21.2 运行TensorFlow的个程序 3第2章 张量及其运算 42.1 常量张量的创建 42.2 张量维度的转换 92.3 张量的运算 12第3章 运算图和会话管理 153.1 运算图的形成 153.2 运算图的数据结构 173.3 使用会话对象执行运算图 193.3.1 交互式会话执行流程 193.3.2 使用会话日志 203.4 使用TensorBoard实现数据可视化 203.4.1 启动TensorBoard组件 213.4.2 显示TensorBoard中的数据 22第4章 模型训练 244.1 变量张量 244.2 损失函数 254.3 渐进下降法 264.3.1 如何将数据读入模型 274.3.2 模型训练的基本流程 284.3.3 渐进下降法运行实例 294.3.4 渐进下降法的缺陷和应对 304.4 运算图的存储和加载 32第2篇 TensorFlow进阶第5章 机器学习的基本概念 345.1 使用TensorFlow实现线性回归 345.2 使用TensorFlow实现多项式回归 365.3 使用逻辑回归实现数据二元分类 385.3.1 逻辑函数 385.3.2 概率估计 395.3.3 用代码实现逻辑回归 405.4 使用多元逻辑回归实现数据的多种分类 415.4.1 多元分类示例——识别手写数字图像 415.4.2 多元交叉熵 415.4.3 多元回归模型代码示例 43第6章 使用TensorFlow开发神经网络 446.1 神经元和感知器 446.1.1 神经元的基本原理 446.1.2 感知器的基本原理 456.1.3 链路权重 466.1.4 激活函数 466.2 神经网络的运行原理 476.2.1 神经网络层 476.2.2 误差反向传播 486.3 构造神经网络识别手写数字图像 50第7章 使用TensorFlow实现卷积网络 537.1 卷积运算 537.2 卷积运算的本质 547.3 卷积运算的相关参数和操作说明 557.4 使用TensorFlow开发卷积网络实例 567.5 卷积网络的训练与应用 59第8章 构造重定向网络 618.1 什么是重定向网络 618.1.1 重定向网络的基本结构 618.1.2 cell部件的运算原理 628.2 使用TensorFlow构建RNN层 638.2.1 cell组件类简介 638.2.2 创建RNN层接口调用简介 648.3 使用RNN实现文本识别 658.3.1 文本数据预处理 658.3.2 网络模型的构建和训练 668.4 长短程记忆组件 688.4.1 长短程记忆组件的内部原理 688.4.2 使用接口创建LSTM节点 708.4.3 使用LSTM网络实现文本识别 72第9章 数据集的读取与操作 749.1 TensorFlow的数据集对象 749.1.1 创建数值型数据集 749.1.2 数据生成器 759.1.3 从文本中读入数据集 769.2 数据集的处理和加工 779.2.1 数据集的分批处理 779.2.2 基于数据集的若干操作 789.2.3 数据集条目的遍历访问 800章 使用多线程、多设备和机器集群 8410.1 多线程的配置 8410.2 多处理器分发执行 8510.3 集群分发控制 861章 TensorFlow的高级接口Estimator 8811.1 运行Estimator的基本流程 8811.2 Estimator的初始化配置 9011.3 Estimator导出模型应用实例 9111.3.1 使用线性模型实例 9111.3.2 使用神经网络分类器 9311.3.3 使用线性回归——深度网络混合模型 9411.3.4 给Estimator添加自己的网络模型 99第3篇 TensorFlow实战2章 实现编解码器网络 10412.1 自动编解码器的原理 10412.2 一个简单的编解码器网络 10512.3 使用多层编解码器实现图像重构 10712.4 使用编解码网络实现图像去噪 11212.5 可变编解码器 11512.5.1 可变编解码器的基本原理 11512.5.2 编解码器的数学原理 11712.5.3 用代码实现编解码网络 1233章 使用TensorFlow实现增强学习 12713.1 搭建开发环境 12713.2 增强学习的基本概念 12913.3 马尔可夫过程 13213.4 马尔可夫决策模型 13313.5 开发一个增强学习示例 13513.5.1 示例简介 13513.5.2 使用神经网络实现策略 13613.6 冰冻湖问题 13913.6.1 状态值优化 14113.6.2 贝尔曼函数 14213.6.3 编码解决冰冻湖问题 1454章 使用TensorFlow实现深Q网络 14814.1 深Q算法的基本原理 14914.2 深Q算法项目实践 15014.2.1 算法的基本原则 15114.2.2 深Q网络模型 1555章 TensorFlow与策略下降法 16315.1 策略导数 16415.1.1 策略导数的底层原理 16415.1.2 策略导数算法应用实例 16615.1.3 策略导数的缺点 16915.2 Actor-Critic算法 16915.2.1 Actor-Critic算法的底层原理 16915.2.2 Actor-Critic算法的实现 17115.3 A3C算法原理 17315.3.1 改变量回传模式的代码实现 17515.3.2 训练数据回传模式的代码实现 18715.4 使用PPO算法玩转《超级玛丽》 19215.4.1 PPO算法简介 19215.4.2 PPO算法的数学原理 19315.4.3 PPO算法的代码实现 1946章 使用TensorFlow 2.x的Eager模式开发高级增强学习算法 20116.1 TensorFlow 2.x Eager模式简介 20116.2 使用Eager模式快速构建神经网络 20216.3 在Eager模式下使用DDPG算法实现机械模拟控制 20416.3.1 DDPG算法的基本原理 20416.3.2 DDPG算法的代码实现 20616.4 DDPG算法改进——TD3算法的原理与实现 21116.4.1 TD3算法的基本原理 21216.4.2 TD3算法的代码实现 21316.5 TD3算法的升级版——SAC算法 21816.5.1 SAC算法的基本原理 21816.5.2 SAC算法的代码实现 22116.6 概率化深Q网络算法 22616.6.1 连续概率函数的离散化表示 22616.6.2 算法的基本原理 22816.6.3 让算法玩转《雷神之锤》 22916.7 D4PG——概率化升级的DDPG算法 23616.7.1 D4PG算法的基本原理 23616.7.2 通过代码实现D4GP算法 2377章 使用TensorFlow 2.x实现生成型对抗性网络 24517.1 生成型对抗性网络的基本原理与代码实战 24517.2 WGAN——让对抗性网络生成更复杂的图像 25317.2.1 推土距离 25317.2.2 WGAN算法的基本原理 25517.2.3 WGAN算法的代码实现 25617.3 WGAN_PG——让网络生成细腻的人脸图像 26217.3.1 WGAN_PG算法的基本原理 26217.3.2 WGAN_GP算法的代码实现 26317.4 使用CycleGAN实现“指鹿为马” 26917.4.1 CycleGAN技术的基本原理 26917.4.2 用代码实现CycleGAN 27217.5 使用CycleGAN实现“无痛变性” 28417.5.1 TensorFlow 2.x的数据集接口 28417.5.2 网络代码的实现 29017.6 利用Attention机制实现自动谱曲 29717.6.1 乐理的基本知识 29817.6.2 网络训练的数据准备 29917.6.3 Attention网络结构说明 30217.6.4 用代码实现预测网络 30417.7 使用MuseGAN生成多声道音乐 31017.7.1 乐理的基本知识补充 31017.7.2 曲谱与图像的共性 31117.7.3 MuseGAN的基本原理 31317.7.4 MuseGAN的代码实现 31417.8 使用自关注机制提升网络人脸的生成能力 32217.8.1 Self-Attention机制的算法原理 32217.8.2 引入spectral norm以保证训练的稳定性 32417.8.3 用代码实现自关注网络 33017.9 实现黑白图像自动上色 33817.9.1 算法的基本原理 33817.9.2 网络内部结构设计 33917.9.3 代码实现 340
作者介绍
陈屹海南康康饼网络科技有限公司CEO。毕业于数学专业，拥有十几年的软件开发经验。曾经任职于联想、微软和RealNetworks等国内外知名公司，从事客户端及服务端开发工作。熟练掌握C 、Java和Python等开发语言，擅长算法逻辑和架构设计。目前致力于人工智能技术的研究，并运营B站视频号coding迪斯尼。
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价