消息 首页 搜索 举报
  • TensorFlow 2.0卷积神经网络实战
21年品牌 40万+商家 超1.5亿件商品

TensorFlow 2.0卷积神经网络实战

若图片与书名不一致，以书名和定价为准！

￥ 40.71 5.9折 ￥ 69 全新

库存3件

河北保定
认证卖家担保交易快速发货售后保障

作者王晓华

出版社清华大学出版社

ISBN9787302540656

出版时间2019-12

版次1

装帧平装

开本16开

纸张胶版纸

页数211页

定价69元

货号8239388

上书时间2024-07-01

中图网旗舰店

十二年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
基本信息
书名:TensorFlow 2.0卷积神经网络实战
定价：69元
作者:王晓华
出版社：清华大学出版社
出版日期：2019-12-01
ISBN：9787302540656
字数：
页码：211
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
通过 TensorFlow 2.0 编程实践，掌握卷积神经网络及其应用详解卷积神经网络和TensorFlow深度学习的知识要点，揭示从卷积神经网络模型构建到应用程序编写的一整套方法和技巧，灵活使用卷积神经网络解决机器学习应用中的相关问题
内容提要
卷积神经网络是现代神经网络的核心内容，TensorFlow又是现在流行的深度学习框架。　　《TensorFlow 2.0卷积神经网络实战》使用TensorFlow2.0作为卷积神经网络实现的基本工具，引导深度学习初学者，从搭建环境开始，逐步深入到理论、代码和应用实践中去。　　《TensorFlow 2.0卷积神经网络实战》分为8章，章从搭建环境开始，包含Anaconda、Python、PyCharm、TensorFlowCPU版本和GPU版本的安装；第2章是Keras+TensorFlow2.0的使用基础；第3章是TensorFlow2.0语法；第4章是MNIST实战；第5章是DatasetAPI；第6章是ResNet理论和实践；第7章是注意力模型；第8章是通过卷积实现的一个项目案例：识文断字。　　《TensorFlow 2.0卷积神经网络实战》内容详尽、示例丰富，是机器学习和深度学习初学者的参考书，同时非常适合高等院校人工智能相关专业的师生阅读，也可作为培训学校相关专业的教材使用。
目录
章 Python和TensorFlow 2．0的安装1．1 Python基本安装和用法1．1．1 Anaconda的下载与安装1．1．2 Python编译器PyCharm的安装1．1．3 使用Python计算softmax函数1．2 TensorFlow 2．0 GPU版本的安装1．2．1 检测Anaconda中的TensorFlow版本1．2．2 TensorFlow 2．0 GPU版本基础显卡推荐和前置软件安装1．3 Hello TensorFlow1．4 本章小结第2章 简化代码的复杂性：TensorFlow 2．0基础与进阶2．1 配角转成主角——从TensorFlow Eager Execution转正谈起2．1．1 Eager简介与调用2．1．2 读取数据2．1．3 使用TensorFlow 2．0模式进行线性回归的一个简单的例子2．2 Hello TensorFlow & Keras2．2．1 MODEL！MODEL！MODEL！还是MODEL2．2．2 使用Keras API实现鸢尾花分类的例子（顺序模式）2．2．3 使用Keras函数式编程实现鸢尾花分类的例子（重点）2．2．4 使用保存的Keras模式对模型进行复用2．2．5 使用TensorFlow 2．0标准化编译对Iris模型进行拟合2．2．6 多输入单一输出TensorFlow 2．0编译方法（选学）2．2．7 多输入多输出TensorFlow 2．0编译方法（选学）2．3 全连接层详解2．3．1 全连接层的定义与实现2．3．2 使用TensorFlow 2．0自带的API实现全连接层2．3．3 打印显示TensorFlow 2．0设计的Model结构和参数2．4 本章小结第3章 TensorFlow 2．0语法基础3．1 BP神经网络简介3．2 BP神经网络两个基础算法详解3．2．1 二乘法（LS算法）详解3．2．2 道士下山的故事——梯度下降算法3．3 反馈神经网络反向传播算法介绍3．3．1 深度学习基础3．3．2 链式求导法则3．3．3 反馈神经网络原理与公式推导3．3．4 反馈神经网络原理的激活函数3．3．5 反馈神经网络原理的Python实现3．4 本章小结第4章 卷积层详解与MNIST实战4．1 卷积运算基本概念4．1．1 卷积运算4．1．2 TensorFlow 2．0中卷积函数实现详解4．1．3 池化运算4．1．4 softmax激活函数4．1．5 卷积神经网络原理4．2 TensorFlow 2．0编程实战-MNIST手写体识别4．2．1 MNIST数据集4．2．2 MNIST数据集特征和标签介绍4．2．3 TensorFlow 2．0编程实战MNIST数据集4．2．4 使用自定义的卷积层实现MNIST识别4．3 本章小结第5章 TensorFlow 2．0 Dataset使用详解5．1 Dataset API基本结构和内容5．1．1 Dataset API数据种类5．1．2 Dataset API基础使用5．2 Dataset API高级用法5．2．1 Dataset API数据转换方法5．2．2 一个读取图片数据集的例子5．3 使用TFRecord API创建和使用数据集5．3．1 TFRecord详解5．3．2 TFRecord的创建5．3．3 TFRecord的读取5．4 TFRecord实战——带有处理模型的完整例子5．4．1 创建数据集5．4．2 创建解析函数5．4．3 创建数据模型5．4 本章小结第6章 从冠军开始：ResNet6．1 ResNet基础原理与程序设计基础6．1．1 ResNet诞生的背景6．1．2 模块工具的TensorFlow实现——不要重复造轮子6．1．3 TensorFlow高级模块layers用法简介6．2 ResNet实战CIFAR-100数据集分类6．2．1 CIFAR-100数据集简介6．2．2 ResNet残差模块的实现6．2．3 ResNet网络的实现6．2．4 使用ResNet对CIFAR-100进行分类6．3 ResNet的兄弟——ResNeXt6．3．1 ResNeXt诞生的背景6．3．2 ResNeXt残差模块的实现6．3．3 ResNeXt网络的实现6．3．4 ResNeXt和ResNet的比较6．4 其他的卷积神经模型简介6．4．1 SqueezeNet模型简介6．4．2 Xception模型简介6．5 本章小结第7章 Attention is all we need！7．1 简单的理解注意力机制7．1．1 何为“注意力”7．1．2 “hard or soft？”——注意力机制的两种常见形式7．1．3 “Spatial and Channel！”——注意力机制的两种实现形式7．2 SENet 和CBAM注意力机制的经典模型7．2．1 最后的冠军——SENet7．2．2 结合了Spatial和Channel的CBAM模型7．2．3 注意力的前沿研究——基于细粒度的图像注意力机制7．3 本章小结第8章 卷积神经网络实战：识文断字我也可以8．1 文本数据处理8．1．1 数据集介绍和数据清洗8．1．2 停用词的使用8．1．3 词向量训练模型word2vec使用介绍8．1．4 文本主题的提取——基于TF-IDF（选学）8．1．5 文本主题的提取——基于TextRank（选学）8．2 针对文本的卷积神经网络模型简介——字符卷积8．2．1 字符（非单词）文本的处理8．2．2 卷积神经网络文本分类模型的实现——Conv1D（一维卷积）8．3 针对文本的卷积神经网络模型简介——词卷积8．3．1 单词的文本处理8．3．2 卷积神经网络文本分类模型的实现——Conv2D（二维卷积）8．4 使用卷积对文本分类的补充内容8．4．1 汉字的文本处理8．4．2 其他的一些细节8．5 本章小结
作者介绍
王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》等图书。
序言

   相关推荐   

—  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