深度学习：卷积神经网络技术与实践
￥ 43.72 5.5折 ￥ 79 九五品
仅1件
北京通州
认证卖家担保交易快速发货售后保障
作者高敬鹏 著
出版社机械工业出版社
ISBN9787111657378
出版时间2020-06
版次1
装帧平装
开本16开
纸张胶版纸
页数288页
定价79元
上书时间2024-12-07
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:深度学习：卷积神经网络技术与实践
定价：79.00元
作者:高敬鹏 著
出版社：机械工业出版社
出版日期：2020-06-01
ISBN：9787111657378
字数：
页码：288
版次：1
装帧：平装
开本：16开
商品重量：
编辑推荐
内容提要
目录
前言 章 深度学习简介1 11 机器学习与深度学习1 12 TensorFlow概述2 13 环境搭建3 131 在Windows系统下安装Anaconda3 132 在Anaconda下安装TensorFlow与Keras6 133 Spyder编辑器8 第2章 Python基础11 21 数据类型11 211 数值类型11 212 字符串类型13 213 布尔类型13 22 变量与常量14 23 运算符14 231 运算符概述14 232 运算符优先级15 24 选择与循环15 241 if语句15 242 while循环18 243 for循环20 244 break和continue21 25 列表与元组23 251 创建23 252 查询24 253 修改24 254 删除26 26 字典26 261 字典的创建27 262 字典的常规操作27 263 字典的遍历29 27 函数29 271 函数的定义与调用30 272 参数传递31 28 面向对象编程33 281 类与对象33 282 继承与多态34 29 思考与练习37 第3章 神经网络基础38 31 单层神经网络38 32 多层神经网络39 321 隐藏层39 322 输入层与输出层41 33 激活函数42 331 Sigmoid函数42 332 Tanh函数43 333 Relu函数44 334 Softmax函数45 34 神经网络工作过程45 35 损失函数47 351 均方差函数47 352 交叉熵函数47 36 优化算法48 37 反向传播49 38 泛化能力52 39 多层感知器53 310 MNIST数据集54 3101 下载MNIST数据集54 3102 数据预处理56 311 Keras实现感知器的手写体识别58 3111 单层感知器手写体识别58 3112 多层感知器手写体识别61 312 思考与练习67 第4章 卷积神经网络68 41 卷积神经网络结构及原理68 411 卷积神经网络特点69 412 卷积层70 413 池化层72 414 全连接层73 42 卷积神经网络工作过程74 43 简单卷积神经网络实现MNIST分类76 431 MNIST数据集预处理76 432 简单卷积神经网络搭建77 44 CIFAR-10数据集84 441 下载CIFAR-10数据集85 442 CIFAR-10数据集预处理87 45 简单卷积神经网络实现CIFAR-10分类88 46 思考与练习93 第5章 经典卷积网络结构94 51 LeNet概述94 52 LeNet实现MNIST分类95 521 MNIST数据预处理95 522 基于Keras搭建LeNet网络结构95 523 对LeNet网络模型进行编译、训练、评估与预测98 53 AlexNet概述101 54 AlexNet实现MNIST分类103 541 基于Keras搭建AlexNet网络结构103 542 对AlexNet网络模型进行编译、训练、评估与预测107 55 VGG16概述110 56 VGG16实现MNIST分类111 561 基于Keras搭建VGG16网络结构112 562 对VGG16网络模型进行评估与预测115 57 思考与练习117 第6章 经典卷积网络结构进阶118 61 GoogLeNet概述118 62 GoogLeNet实现MNIST分类119 621 基于Keras搭建GoogLeNet网络结构119 622 对GoogLeNet进行训练、评估与预测125 63 ResNet概述129 64 ResNet50实现MNIST分类131 641 基于Keras搭建ResNet50网络结构131 642 对ResNet50网络模型进行训练、评估与预测138 65 思考与练习142 第7章 迁移学习143 71 基于卷积网络实现迁移学习143 72 InceptionV3实现迁移学习144 73 Xception实现迁移学习150 74 MobileNet实现迁移学习155 75 简单卷积网络实现迁移学习164 76 思考与练习172 第8章 循环神经网络173 81 循环神经网络概述173 82 长短期记忆网络174 821 LSTM前向传播175 822 LSTM反向传播176 83 Reuters数据集176 831 Reuters数据集概述176 832 文本信息预处理177 84 简单RNN实现Reuters分类180 85 LSTM实现Reuters分类185 86 思考与练习190 第9章 强化学习191 91 初识强化学习191 911 什么是强化学习192 912 强化学习能解决什么类型的问题193 913 强化学习如何解决问题194 92 强化学习理论基础194 921 基本组成元素194 922 基本模型196 923 价值函数198 93 求解强化学习—有模型199 931 动态规划与贝尔曼方程199 932 策略迭代200 933 值迭代202 934 值迭代算法实现格子世界202 94 求解强化学习—无模型208 941 蒙特卡罗算法208 942 时间差分法209 943 Q-learning算法210 944 Q-learning实现格子世界211 95 思考与练习213 0章 深度强化学习214 101 深度强化学习框架214 102 TensorFlow编程216 1021 TensorFlow的计算模型—计算图216 1022 TensorFlow的数据模型—张量219 1023 TensorFlow的运行模型—会话220 1024 TensorFlow变量222 1025 TensorFlow共享变量225 103 Gym的安装及使用226 1031 Gym的安装226 1032 Gym的使用227 104 基于值的算法更新229 1041 Q-learning实现229 1042 DQN算法原理233 1043 DQN算法实现236 1044 DDQN算法原理241 1045 DDQN算法实现243 105 思考与练习248 1章 基于策略的算法更新与趋势250 111 策略梯度法250 11
作者介绍
序言
-
【封面】
— 没有更多了 —
以下为对购买帮助不大的评价