TensorFlow神经网络编程
正版新书 新华官方库房直发 可开电子发票
￥ 44.16 6.4折 ￥ 69 全新
库存4件
作者(印)曼普里特·辛格·古特,(印)拉蒂普·杜瓦
出版社机械工业出版社
ISBN9787111611783
出版时间2018-11
版次1
装帧平装
开本16开
纸张胶版纸
页数236页
定价69元
货号SC:9787111611783
上书时间2024-10-15
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
精彩内容:
如果你意识到到处都有围绕机器学习、人工智能或深度学习等术语的讨论，你可能会知道什么是神经网络。想知道如何利用它们有效地解决复杂的计算问题，或者怎样训练有效的神经网络？本书将教你所有这些以及更多的事情。 首先快速浏览流行的TensorFlow库，并了解如何用它训练不同的神经网络。之后你将深入了解神经网络的基础知识和它背后的数学原理，以及为什么选择TensorFlow训练神经网络。然后，你将实现一个简单的前馈神经网络。接下来，你将掌握使用TensorFlow进行神经网络优化的技术和算法。更进一步，你将学习如何实现一些更复杂的神经网络，如卷积神经网络（CNN）、递归神经网络（RNN）和深度信念网络（DBN）。在学习本书的过程中，为了使你对神经网络编程有深切的理解，将在真实世界的数据集上训练模型。你还将训练生成模型，并学习自编码器的应用。 在本书的最后，你将对如何利用TensorFlow的强大功能来训练各种复杂的神经网络有一个正确的理解，而不会有任何困惑。 本书内容第1章介绍神经网络中基本的代数知识、概率论和优化方法。 第2章介绍感知机、神经元和前馈神经网络的基础知识。你还将学习各种模型学习的技巧，并主要学习称为反向传播的核心学习算法。 第3章介绍对神经网络学习至关重要的优化方法。 第4章详细讨论CNN算法。CNN及其在不同数据类型中的应用也包含在该章中。 第5章详细介绍RNN算法。RNN及其在不同数据类型中的应用也包括在该章中。 第6章介绍生成模型的基础知识以及不同的生成模型。 第7章包括深度信念网络的基础知识、它们与传统神经网络的区别以及它们的实现。 第8章介绍最近处在生成模型前沿的自编码器。 第9章讨论深度学习当前和未来的具体研究内容，并包括一个参考文献。 第10章讨论TensorFlow的环境配置、Te
...
内容简介:
本书首先简要介绍流行的TensorFlow库，并讲解如何用它训练不同的神经网络。 你将深入了解神经网络的基础知识和它背后的数学原理，以及为什么我们会选择TensorFlow训练神经网络。然后，你将实现一个简单的前馈神经网络。接下来，你将使用TensorFlow掌握神经网络的优化技术和算法，以及一些更复杂的神经网络的实现。最后，你将对如何利用TensorFlow的强大功能来训练各种复杂的神经网络有一个正确的理解。
目录:
译者序
前言
第1章 神经网络的数学原理
1.1 理解线性代数
1.2 微积分
1.3 很优化
1.4 总结
第2章 深度前馈神经网络
2.1 定义前馈神经网络
2.2 理解反向传播
2.3 在TensorFlow中实现前馈神经网络
2.4 分析Iris数据集
2.5 使用前馈网络进行图像分类
2.6 总结
第3章 神经网络的优化
3.1 什么是优化
3.2 优化器的类型
3.3 梯度下降
3.4 优化器的选择
3.5 总结
第4章 卷积神经网络
4.1 卷积神经网络概述和直观理解
4.2 卷积操作
4.3 池化
4.4 使用卷积网络进行图像分类
4.5 总结
第5章 递归神经网络
5.1 递归神经网络介绍
5.2 长短期记忆网络简介
5.3 情感分析
5.4 总结
第6章 生成模型
6.1 生成模型简介
6.2 GAN
6.3 总结
第7章 深度信念网络
7.1 理解深度信念网络
7.2 训练模型
7.3 标签预测
7.4 探索模型的准确度
7.5 DBN在MNIST数据集上的应用
7.6 DBN中RBM层的神经元数量的影响
7.7 具有两个RBM层的DBN
7.8 用DBN对NotMNIST数据集进行分类
7.9 总结
第8章 自编码器
— 没有更多了 —
以下为对购买帮助不大的评价