Tensorflow 2.0神经网络实践9787111659273
正版二手图书，可开发票，请放心购买。
￥ 18.7 2.1折 ￥ 89 九品
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者[美]保罗·加莱奥内(Paolo
出版社机械工业出版社
ISBN9787111659273
出版时间2020-07
装帧平装
开本16开
定价89元
货号1284460211591565716
上书时间2025-01-01
商品详情
- 品相描述：九品
- 商品描述
-
目录
译者序前言作者简介审校者简介部分 神经网络基础章 什么是机器学习21.1 数据集的重要性31.1.1 n维空间51.1.2 维度诅咒81.2 有监督学习91.2.1 距离和相似性—k-NN算法101.2.2 参数模型111.2.3 评估模型性能—度量指标131.3 无监督学习181.4 半监督学习191.5 总结201.6 练习题20第2章 神经网络与深度学习222.1 神经网络232.1.1 生物神经元232.1.2 人工神经元242.1.3 全连接层252.1.4 激活函数272.1.5 损失函数292.1.6 参数初始化302.2 优化312.2.1 梯度下降法322.2.2 梯度下降优化算法342.2.3 反向传播和自动微分372.3 卷积神经网络392.3.1 卷积运算符392.3.2 二维卷积402.3.3 卷间的二维卷积412.3.4 1×1×D卷积442.4 正则化452.4.1 dropout452.4.2 数据扩充482.4.3 早期停止482.4.4 批量归一化492.5 总结502.6 练习题51第二部分 TensorFlow基础第3章 TensorFlow图架构543.1 环境设置553.1.1 TensorFlow 1.x的环境设置563.1.2 TensorFlow 2.0的环境设置573.2 数据流图583.2.1 主要结构—tf.Graph603.2.2 图定义—从tf.Operation到tf.Tensor603.2.3 图放置—tf.device643.2.4 图执行—tf.Session663.2.5 静态图中的变量693.3 模型定义和训练723.3.1 用tf.layers定义模型723.3.2 自动微分—损失函数和优化器753.4 用Python操作图783.4.1 给占位符赋值793.4.2 总结记录803.4.3 保存模型参数和模型选择813.5 总结833.6 练习题85第4章 TensorFlow 2.0架构864.1 重新学习这个框架874.2 Keras框架及其模型884.2.1 顺序API904.2.2 函数式API924.2.3 子类方法934.3 eager执行模式和新的特征944.3.1 基本示例944.3.2 函数，而不是会话964.3.3 不再有全局的东西974.3.4 控制流994.3.5 GradientTape 1014.3.6 定制训练循环1024.3.7 保存和恢复模型状态1054.3.8 总结记录和指标度量1074.3.9 AutoGraph1114.4 代码库迁移1154.5 总结1174.6 练习题117第5章 高效的数据输入流水线和估计器API1205.1 高效的数据输入流水线1215.1.1 输入流水线的结构1215.1.2 tf.data.Dataset对象1225.1.3 性能优化1255.1.4 构建自己的数据集1265.1.5 数据扩充1275.1.6 TensroFlow 数据集—tdfs1285.1.7 Keras整合1305.1.8 eager整合1315.2 估计器API1325.2.1 数据输入流水线1345.2.2 定制估计器1365.2.3 预制估计器1395.3 总结1405.4 练习题141第三部分 神经网络应用第6章 使用TensorFlow Hub进行图像分类1446.1 获取数据1456.2 迁移学习1476.2.1 TensorFlow Hub1496.2.2 使用Inception v3作为特征提取器1506.2.3 使数据适应模型1526.2.4 建立模型—hub.KerasLayer1526.2.5 训练与评估1546.2.6 训练速度1556.3 微调1566.3.1 何时微调1576.3.2 TensorFlow Hub集成1576.3.3 训练和评估1586.3.4 训练速度1596.4 总结1596.5 练习题160第7章 目标检测1627.1 获取数据1637.2 目标定位1677.2.1 定位是一个回归问题1687.2.2 IoU1737.2.3 平均精度1757.2.4 平均精度均值1757.2.5 改进训练脚本1767.3 分类和定位1777.3.1 多任务学习1777.3.2 双头网络1787.3.3 基于锚的检测器1807.3.4 锚框1807.4 总结1827.5 练习题182第8章 语义分割和自定义数据集生成器1848.1 语义分割1848.1.1 挑战1858.1.2 反卷积—转置卷积1868.1.3 U-Net架构1878.2 创建一个TensorFlow数据集生成器1918.2.1 层次化结构1928.2.2 数据集类和DatasetInfo1938.2.3 创建数据集分割1948.2.4 生成示例1958.2.5 使用生成器1988.3 模型训练与评估1988.3.1 数据准备1998.3.2 训练循环和Keras回调函数1998.3.3 评估与推论2018.4 总结2038.5 练习题204第9章 生成式对抗网络2069.1 了解GAN及其应用2069.1.1 价值函数2079.1.2 非饱和价值函数2089.1.3 模型定义和训练阶段2089.1.4 GAN的应用2099.2 无条件的GAN2119.2.1 准备数据2119.2.2 定义生成器2129.2.3 定义鉴别器2139.2.4 定义损失函数2149.2.5 无条件的GAN中的对抗训练过程2159.3 有条件的GAN2199.3.1 为有条件的GAN获取数据2209.3.2 在有条件的GAN中定义生成器2209.3.3 在有条件的GAN中定义鉴别器2219.3.4 对抗训练过程2229.4 总结2239.5 练习题2240章 在生产环境中部署模型22610.1 SavedModel序列化格式22610.1.1 特征22710.1.2 通过Keras模型创建SavedModel 22810.1.3 使用通用函数进行SavedModel转换22910.2 Python部署23110.2.1 通用计算图 23110.2.2 Keras模型 23310.2.3 平面图23410.3 支持部署的平台23510.3.1 TensorFlow.js23610.3.2 Go绑定和tfgo24010
内容摘要
本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习，首先将从熟悉构建深度学习解决方案所需的概念和技术开始，然后介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速开发过程。学完本书之后，读者将能够使用TF 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。
主编推荐
TensorFlow是流行的、使用广泛的机器学习框架，它使得每个人都能轻松开发机器学习解决方案。使用TensorFlow 2.0，你将研究一个改进后的框架结构，它提供了大量的新特性，以提升开发者的工作效率和便于开发者使用。本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习。本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习。本书从构建深度学习解决方案所需的概念和技术开始介绍，之后将介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型，以及使用TensorFlow 2.0的工具（如TensorFlow Datasets和TensorFlow Hub）加速开发过程。学完本书之后，你将能够使用TensorFlow 2.0开发任何机器学习问题的解决方案，并能将它们部署到生产环境之中。你将学到以下内容：? 掌握机器学习和神经网络技术，解决有挑战性的任务。? 使用TensorFlow 2.0的新特性加速开发。? 使用TensorFlow Datasets （tfds）和tf.data API建立高效的数据输入流水线。? 使用 TensorFlow Hub进行迁移学习和微调。? 定义和训练神经网络，解决目标检测和语义分割问题。? 训练生成式对抗网络（GAN）生成图像和数据分布。? 使用SavedModel文件格式将模型或者通用的计算图部署到生产环境。
— 没有更多了 —
以下为对购买帮助不大的评价