消息 首页 搜索 举报
  • Python深度学习(第2版第二版) (美) 弗朗索瓦·肖莱(Franc?ois Chollet) 人民邮电出版社 9787115597175 正版旧书
21年品牌 40万+商家 超1.5亿件商品

Python深度学习(第2版第二版) (美) 弗朗索瓦·肖莱(Franc?ois Chollet) 人民邮电出版社 9787115597175 正版旧书

正版旧书 里面部分笔记 内容完好 可正常使用 旧书不附带光盘

￥ 39.94 八五品

仅1件

江西南昌
认证卖家担保交易快速发货售后保障

作者(美) 弗朗索瓦·肖莱(Franc?ois Chollet)

出版社人民邮电出版社

ISBN9787115597175

出版时间2022-08

装帧线装

页数414页

货号4751029

上书时间2024-07-09

辉煌二手教材专营店

七年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：八五品
商品描述
温馨提示：亲！旧书库存变动比较快，有时难免会有断货的情况，为保证您的利益，拍前请务必联系卖家咨询库存情况！谢谢！
书名：Python深度学习(第2版)
编号：4751029
ISBN：9787115597175[十位:]
作者：(美) 弗朗索瓦·肖莱(Franc?ois Chollet)
出版社：人民邮电出版社
出版日期：2022年08月
页数：414
定价：129.80 元
参考重量：0.590Kg
-------------------------
新旧程度：6-9成新左右，不影响阅读，详细情况请咨询店主
如图书附带、磁带、学习卡等请咨询店主是否齐全* 图书目录 *
第 1章 什么是深度学习 1 1.1 人工智能、机器学习和深度学习 1 1.1.1 人工智能 2 1.1.2 机器学习 2 1.1.3 从数据中学习规则与表示 3 1.1.4 深度学习之“深度” 5 1.1.5 用三张图理解深度学习的工作原理 7 1.1.6 深度学习已取得的进展 8 1.1.7 不要相信短期炒作 9 1.1.8 人工智能的未来 10 1.2 深度学习之前:机器学习简史 10 1.2.1 概率建模 11 1.2.2 早期神经网络 11 1.2.3 核方法 11 1.2.4 决策树、随机森林和梯度提升机 12 1.2.5 回到神经网络 13 1.2.6 深度学习有何不同 14 1.2.7 机器学习现状 14 1.3 为什么要用深度学习,为什么是现在 16 1.3.1 硬件 17 1.3.2 数据 17 1.3.3 算法 18 1.3.4 新一轮投资热潮 18 1.3.5 深度学习的普及 19 1.3.6 这种趋势会持续下去吗 20 第 2章 神经网络的数学基础 21 2.1 初识神经网络 21 2.2 神经网络的数据表示 25 2.2.1 标量(0阶张量) 25 2.2.2 向量(1阶张量) 25 2.2.3 矩阵(2阶张量) 26 2.2.4 3阶张量与更高阶的张量 26 2.2.5 关键属性 26 2.2.6 在NumPy中操作张量 28 2.2.7 数据批量的概念 28 2.2.8 现实世界中的数据张量实例 29 2.2.9 向量数据 29 2.2.10 时间序列数据或序列数据 29 2.2.11 图像数据 30 2.2.12 视频数据 31 2.3 神经网络的“齿轮”:张量运算 31 2.3.1 逐元素运算 32 2.3.2 广播 33 2.3.3 张量积 34 2.3.4 张量变形 36 2.3.5 张量运算的几何解释 37 2.3.6 深度学习的几何解释 40 2.4 神经网络的“引擎”:基于梯度的优化 40 2.4.1 什么是导数 41 2.4.2 张量运算的导数:梯度 42 2.4.3 随机梯度下降 44 2.4.4 链式求导:反向传播算法 46 2.5 回顾第 一个例子 51 2.5.1 用TensorFlow 从头开始重新实现第 一个例子 52 2.5.2 完成一次训练步骤 54 2.5.3 完整的训练循环 55 2.5.4 评估模型 55 2.6 本章总结 56 第3章 Keras 和TensorFlow 入门 57 3.1 TensorFlow 简介 57 3.2 Keras 简介 58 3.3 Keras 和TensorFlow 简史 59 3.4 建立深度学习工作区 60 3.4.1 Jupyter笔记本:运行深度学习实验的*方法 60 3.4.2 使用Colaboratory 61 3.5 TensorFlow入门 63 3.5.1 常数张量和变量 64 3.5.2 张量运算:用TensorFlow进行数学运算 66 3.5.3 重温GradientTape API 66 3.5.4 一个端到端的例子:用TensorFlow编写线性分类器 67 3.6 神经网络剖析:了解核心Keras API 71 3.6.1 层:深度学习的基础模块 71 3.6.2 从层到模型 74 3.6.3 编译步骤:配置学习过程 75 3.6.4 选择损失函数 77 3.6.5 理解fit()方法 77 3.6.6 监控验证数据上的损失和指标 78 3.6.7 推断:在训练后使用模型 79 3.7 本章总结 80 第4章 神经网络入门:分类与回归 81 4.1 影评分类:二分类问题示例 82 4.1.1 IMDB 数据集 82 4.1.2 准备数据 83 4.1.3 构建模型 84 4.1.4 验证你的方法 87 4.1.5 利用训练好的模型对新数据进行预测 90 4.1.6 进一步实验 90 4.1.7 小结 90 4.2 新闻分类:多分类问题示例 91 4.2.1 路透社数据集 91 4.2.2 准备数据 92 4.2.3 构建模型 92 4.2.4 验证你的方法 93 4.2.5 对新数据进行预测 96 4.2.6 处理标签和损失的另一种方法 96 4.2.7 拥有足够大的中间层的重要性 96 4.2.8 进一步实验 97 4.2.9 小结 97 4.3 预测房价:标量回归问题示例 97 4.3.1 波士顿房价数据集 98 4.3.2 准备数据 98 4.3.3 构建模型 99 4.3.4 利用K折交叉验证来验证你的方法 99 4.3.5 对新数据进行预测 103 4.3.6 小结 103 4.4 本章总结 104 第5章 机器学习基础 105 5.1 泛化:机器学习的目标 105 5.1.1 欠拟合与过拟合 105 5.1.2 深度学习泛化的本质 110 5.2 评估机器学习模型 115 5.2.1 训练集、验证集和测试集 115 5.2.2 超越基于常识的基准 118 5.2.3 模型评估的注意事项 119 5.3 改进模型拟合 119 5.3.1 调节关键的梯度下降参数 119 5.3.2 利用更好的架构预设 121 5.3.3 提高模型容量 121 5.4 提高泛化能力 123 5.4.1 数据集管理 123 5.4.2 特征工程 124 5.4.3 提前终止 125 5.4.4 模型正则化 125 5.5 本章总结 132 第6章 机器学习的通用工作流程 133 6.1 定义任务 134 6.1.1 定义问题 134 6.1.2 收集数据集 135 6.1.3 理解数据 138 6.1.4 选择衡量成功的指标 139 6.2 开发模型 139 6.2.1 准备数据 139 6.2.2 选择评估方法 140 6.2.3 超越基准 141 6.2.4 扩大模型规模:开发一个过拟合的模型 142 6.2.5 模型正则化与调节超参数 142 6.3 部署模型 143 6.3.1 向利益相关者解释你的工作并设定预期 143 6.3.2 部署推断模型 143 6.3.3 监控模型在真实环境中的性能 146 6.3.4 维护模型 146 6.4 本章总结 147 第7章 深入Keras 148 7.1 Keras 工作流程 148 7.2 构建Keras 模型的不同方法 149 7.2.1 序贯模型 149 7.2.2 函数式API 152 7.2.3 模型子类化 157 7.2.4 混合使用不同的组件 159 7.2.5 用正确的工具完成工作 160 7.3 使用内置的训练循环和评估循环 160 7.3.1 编写自定义指标 161 7.3.2 使用回调函数 162 7.3.3 编写自定义回调函数 164 7.3.4 利用TensorBoard进行监控和可视化 165 7.4 编写自定义的训练循环和评估循环 167 7.4.1 训练与推断 168 7.4.2 指标的低阶用法 169 7.4.3 完整的训练循环和评估循环 169 7.4.4 利用tf.function加快运行速度 171 7.4.5 在fit()中使用自定义训练循环 172 7.5 本章总结 174 第8章 计算机视觉深度学习入门 175 8.1 卷积神经网络入门 176 8.1.1 卷积运算 178 8.1.2 *大汇聚运算 182 8.2 在小型数据集上从头开始训练一个卷积神经网络 184 8.2.1 深度学习对数据量很小的问题的适用性 184 8.2.2 下载数据 185 8.2.3 构建模型 . 187 8.2.4 数据预处理 189 8.2.5 使用数据增强 193 8.3 使用预训练模型 196 8.3.1 使用预训练模型做特征提取 197 8.3.2 微调预训练模型 204 8.4 本章总结 208 第9章 计算机视觉深度学习进阶 209 9.1 三项基本的计算机视觉任务 209 9.2 图像分割示例 210 9.3 现代卷积神经网络架构模式 218 9.3.1 模块化、层次结构和复用 218 9.3.2 残差连接 221 9.3.3 批量规范化 224 9.3.4 深度可分离卷积 226 9.3.5 综合示例:一个类似Xception的迷你模型 227 9.4 解释卷积神经网络学到的内容 229 9.4.1 中间激活值的可视化 230 9.4.2 卷积神经网络滤波器的可视化 235 9.4.3 类激活热力图的可视化 241 9.5 本章总结 246 第 10章 深度学习处理时间序列 247 10.1 不同类型的时间序列任务 247 10.2 温度预测示例 248 10.2.1 准备数据 251 10.2.2 基于常识、不使用机器学习的基准 254 10.2.3 基本的机器学习模型 254 10.2.4 一维卷积模型 256 10.2.5 第 一个RNN 基准 258 10.3 理解RNN 259 10.4 RNN 的高级用法 265 10.4.1 利用循环dropout 降低过拟合 265 10.4.2 循环层堆叠 268 10.4.3 使用双向RNN 269 10.4.4 进一步实验 271 10.5 本章总结 272 第 11章 深度学习处理文本 273 11.1 自然语言处理概述 273 11.2 准备文本数据 274 11.2.1 文本标准化 275 11.2.2 文本拆分(词元化) 276 11.2.3 建立词表索引 277 11.2.4 使用TextVectorization层 278 11.3 表示单词组的两种方法:集合和序列 282 11.3.1 准备IMDB 影评数据 282 11.3.2 将单词作为集合处理:词袋方法 284 11.3.3 将单词作为序列处理:序列模型方法 289 11.4 Transformer架构 298 11.4.1 理解自注意力 298 11.4.2 多头注意力 302 11.4.3 Transformer编码器 303 11.4.4 何时使用序列模型而不是词袋模型 309 11.5 超越文本分类:序列到序列学习 310 11.5.1 机器翻译示例 312 11.5.2 RNN 的序列到序列学习 314 11.5.3 使用Transformer 进行序列到序列学习 318 11.6 本章总结 323 第 12章 生成式深度学习 324 12.1 文本生成 325 12.1.1 生成式深度学习用于序列生成的简史 325 12.1.2 如何生成序列数据 326 12.1.3 采样策略的重要性 327 12.1.4 用Keras 实现文本生成 328 12.1.5 带有可变温度采样的文本生成回调函数 331 12.1.6 小结 334 12.2 DeepDream 334 12.2.1 用Keras 实现DeepDream 335 12.2.2 小结 341 12.3 神经风格迁移 341 12.3.1 内容损失 342 12.3.2 风格损失 342 12.3.3 用Keras 实现神经风格迁移 343 12.3.4 小结 348 12.4 用变分自编码器生成图像 348 12.4.1 从图像潜在空间中采样 348 12.4.2 图像编辑的概念向量 350 12.4.3 变分自编码器 350 12.4.4 用Keras 实现变分自编码器 352 12.4.5 小结 357 12.5 生成式对抗网络入门 358 12.5.1 简要实现流程 359 12.5.2 诸多技巧 360 12.5.3 CelebA 数据集 360 12.5.4 判别器 361 12.5.5 生成器 362 12.5.6 对抗网络 364 12.5.7 小结 366 12.6 本章总结 367 第 13章 适合现实世界的*佳实践 368 13.1 将模型性能发挥到* 368 13.1.1 超参数优化 368 13.1.2 模型集成 375 13.2 加速模型训练 376 13.2.1 使用混合精度加快GPU上的训练速度 377 13.2.2 多GPU训练 380 13.2.3 TPU训练 382 13.3 本章总结 384 第 14章 总结 385 14.1 重点概念回顾 385 14.1.1 人工智能的多种方法 385 14.1.2 深度学习在机器学习领域中的特殊之处 386 14.1.3 如何看待深度学习 386 14.1.4 关键的推动技术 387 14.1.5 机器学习的通用工作流程 388 14.1.6 关键网络架构 388 14.1.7 可能性空间 392 14.2 深度学习的局限性 394 14.2.1 将机器学习模型拟人化的风险 394 14.2.2 自动机与智能体 396 14.2.3 局部泛化与极端泛化 397 14.2.4 智能的目的 399 14.2.5 逐步提高泛化能力 400 14.3 如何实现更加通用的人工智能 401 14.3.1 设定正确目标的重要性:捷径法则 401 14.3.2 新目标 402 14.4 实现智能:缺失的内容 403 14.4.1 智能是对抽象类比的敏感性 404 14.4.2 两种抽象 405 14.4.3 深度学习所缺失的那一半 407 14.5 深度学习的未来 408 14.5.1 模型即程序 408 14.5.2 将深度学习与程序合成融合 409 14.5.3 终身学习和模块化子程序复用 411 14.5.4 长期愿景 412 14.6 了解快速发展的领域的*新进展 413 14.6.1 在Kaggle 上练习解决现实世界的问题 413 14.6.2 在arXiv上了解*新进展 414 14.6.3 探索Keras 生态系统 414 14.7 结束语 414
  • Python深度学习(第2版第二版) (美) 弗朗索瓦·肖莱(Franc?ois Chollet) 人民邮电出版社 9787115597175 正版旧书

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP