TensorFlow2.x深度学习从入门到实战 北京理工大学 9787576330007 陈屹
新华书店全新正版书籍图书 保证_可开发票_极速发货支持7天无理由
￥ 97.5 7.6折 ￥ 129 全新
库存5件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者陈屹
出版社北京理工大学
ISBN9787576330007
出版时间2023-11
装帧其他
开本其他
定价129元
货号31911733
上书时间2024-06-30
- 最新上架
![霍比特人 上海人民 9787208186637 [英] J.R.R.托尔金（J.R.R.Tolkien） 著](https://www0.kfzimg.com/sw/kfz-cos/kfzimg/aacfbaee/2ddffdac950ef25d_s.jpg)
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈屹海南康康饼网络科技有限公司CEO。毕业于数学专业，拥有十几年的软件开发经验。曾经任职于联想、微软和RealNetworks等国内外知名公司，从事客户端及服务端开发工作。熟练掌握C++、Java和Python等开发语言，擅长算法逻辑和架构设计。目前致力于人工智能技术的研究，并运营B站视频号coding迪斯尼。
目录
第1篇 TensorFlow基础
第1章 安装TensorFlow2
1.1 TensorFlow的安装流程2
1.2 运行TensorFlow的第一个程序3
第2章 张量及其运算4
2.1 常量张量的创建4
2.2 张量维度的转换9
2.3 张量的运算12
第3章 运算图和会话管理15
3.1 运算图的形成15
3.2 运算图的数据结构17
3.3 使用会话对象执行运算图19
3.3.1 交互式会话执行流程19
3.3.2 使用会话日志20
3.4 使用TensorBoard实现数据可视化20
3.4.1 启动TensorBoard组件21
3.4.2 显示TensorBoard中的数据22
第4章 模型训练24
4.1 变量张量24
4.2 损失函数25
4.3 渐进下降法26
4.3.1 如何将数据读入模型27
4.3.2 模型训练的基本流程28
4.3.3 渐进下降法运行实例29
4.3.4 渐进下降法的缺陷和应对30
4.4 运算图的存储和加载32
第2篇 TensorFlow进阶
第5章 机器学习的基本概念34
5.1 使用TensorFlow实现线性回归34
5.2 使用TensorFlow实现多项式回归36
5.3 使用逻辑回归实现数据二元分类38
5.3.1 逻辑函数38
5.3.2 最大概率估计39
5.3.3 用代码实现逻辑回归40
5.4 使用多元逻辑回归实现数据的多种分类41
5.4.1 多元分类示例——识别手写数字图像41
5.4.2 多元交叉熵41
5.4.3 多元回归模型代码示例43
第6章 使用TensorFlow开发神经网络44
6.1 神经元和感知器44
6.1.1 神经元的基本原理44
6.1.2 感知器的基本原理45
6.1.3 链路权重46
6.1.4 激活函数46
6.2 神经网络的运行原理47
6.2.1 神经网络层47
6.2.2 误差反向传播48
6.3 构造神经网络识别手写数字图像50
第7章 使用TensorFlow实现卷积网络53
7.1 卷积运算53
7.2 卷积运算的本质54
7.3 卷积运算的相关参数和操作说明55
7.4 使用TensorFlow开发卷积网络实例56
7.5 卷积网络的训练与应用59
第8章 构造重定向网络61
8.1 什么是重定向网络61
8.1.1 重定向网络的基本结构61
8.1.2 cell部件的运算原理62
8.2 使用TensorFlow构建RNN层63
8.2.1 cell组件类简介63
8.2.2 创建RNN层接口调用简介64
8.3 使用RNN实现文本识别65
8.3.1 文本数据预处理65
8.3.2 网络模型的构建和训练66
8.4 长短程记忆组件68
8.4.1 长短程记忆组件的内部原理68
8.4.2 使用接口创建LSTM节点70
8.4.3 使用LSTM网络实现文本识别72
第9章 数据集的读取与操作74
9.1 TensorFlow的数据集对象74
9.1.1 创建数值型数据集74
9.1.2 数据生成器75
9.1.3 从文本中读入数据集76
9.2 数据集的处理和加工77
9.2.1 数据集的分批处理77
9.2.2 基于数据集的若干操作78
9.2.3 数据集条目的遍历访问80
第10章 使用多线程、多设备和机器集群84
10.1 多线程的配置84
10.2 多处理器分发执行85
10.3 集群分发控制86
第11章 TensorFlow的高级接口Estimator88
11.1 运行Estimator的基本流程88
11.2 Estimator的初始化配置90
11.3 Estimator导出模型应用实例91
11.3.1 使用线性模型实例91
11.3.2 使用神经网络分类器93
11.3.3 使用线性回归——深度网络混合模型94
11.3.4 给Estimator添加自己的网络模型99
第3篇 TensorFlow实战
第12章 实现编解码器网络104
12.1 自动编解码器的原理104
12.2 一个简单的编解码器网络105
12.3 使用多层编解码器实现图像重构107
12.4 使用编解码网络实现图像去噪112
12.5 可变编解码器115
12.5.1 可变编解码器的基本原理115
12.5.2 编解码器的数学原理117
12.5.3 用代码实现编解码网络123
第13章 使用TensorFlow实现增强学习127
13.1 搭建开发环境127
13.2 增强学习的基本概念129
13.3 马尔可夫过程132
13.4 马尔可夫决策模型133
13.5 开发一个增强学习示例135
13.5.1 示例简介135
13.5.2 使用神经网络实现最优策略136
13.6 冰冻湖问题139
13.6.1 状态值优化141
13.6.2 贝尔曼函数142
13.6.3 编码解决冰冻湖问题145
第14章 使用TensorFlow实现深Q网络148
14.1 深Q算法的基本原理149
14.2 深Q算法项目实践150
14.2.1 算法的基本原则151
14.2.2 深Q网络模型155
第15章 TensorFlow与策略下降法163
15.1 策略导数164
15.1.1 策略导数的底层原理164
15.1.2 策略导数算法应用实例166
15.1.3 策略导数的缺点169
15.2 Actor-Critic算法169
15.2.1 Actor-Critic算法的底层原理169
15.2.2 Actor-Critic算法的实现171
15.3 A3C算法原理173
15.3.1 改变量回传模式的代码实现175
15.3.2 训练数据回传模式的代码实现187
15.4 使用PPO算法玩转《超级玛丽》192
15.4.1 PPO算法简介192
15.4.2 PPO算法的数学原理193
15.4.3 PPO算法的代码实现194
第16章 使用TensorFlow 2.x的Eager模式开发高级增强学习算法201
16.1 TensorFlow 2.x Eager模式简介201
16.2 使用Eager模式快速构建神经网络202
16.3 在Eager模式下使用DDPG算法实现机械模拟控制204
16.3.1 DDPG算法的基本原理204
16.3.2 DDPG算法的代码实现206
16.4 DDPG算法改进——TD3算法的原理与实现211
16.4.1 TD3算法的基本原理212
16.4.2 TD3算法的代码实现213
16.5 TD3算法的升级版——SAC算法218
16.5.1 SAC算法的基本原理218
16.5.2 SAC算法的代码实现221
16.6 概率化深Q网络算法226
16.6.1 连续概率函数的离散化表示226
16.6.2 算法的基本原理228
16.6.3 让算法玩转《雷神之锤》229
16.7 D4PG——概率化升级的DDPG算法236
16.7.1 D4PG算法的基本原理236
16.7.2 通过代码实现D4GP算法237
第17章 使用TensorFlow 2.x实现生成型对抗性网络245
17.1 生成型对抗性网络的基本原理与代码实战245
17.2 WGAN——让对抗性网络生成更复杂的图像253
17.2.1 推土距离253
17.2.2 WGAN算法的基本原理255
17.2.3 WGAN算法的代码实现256
17.3 WGAN_PG——让网络生成细腻的人脸图像262
17.3.1 WGAN_PG算法的基本原理262
17.3.2 WGAN_GP算法的代码实现263
17.4 使用CycleGAN实现“指鹿为马”269
17.4.1 CycleGAN技术的基本原理269
17.4.2 用代码实现CycleGAN272
17.5 使用CycleGAN实现“无痛变性”284
17.5.1 TensorFlow 2.x的数据集接口284
17.5.2 网络代码的实现290
17.6 利用Attention机制实现自动谱曲297
17.6.1 乐理的基本知识298
17.6.2 网络训练的数据准备299
17.6.3 Attention网络结构说明302
17.6.4 用代码实现预测网络304
17.7 使用MuseGAN生成多声道音乐310
17.7.1 乐理的基本知识补充310
17.7.2 曲谱与图像的共性311
17.7.3 MuseGAN的基本原理313
17.7.4 MuseGAN的代码实现314
17.8 使用自关注机制提升网络人脸的生成能力322
17.8.1 Self-Attention机制的算法原理322
17.8.2 引入spectral norm以保证训练的稳定性324
17.8.3 用代码实现自关注网络330
17.9 实现黑白图像自动上色338
17.9.1 算法的基本原理338
17.9.2 网络内部结构设计339
17.9.3 代码实现340
内容摘要
《TensorFlow2.x深度学习从入门到实战》是作者研究和实践人工智能算法的经验总结。本书通过图表、案例和示例代码相结合的方式，介绍TensorFlow2.x框架的相关知识，帮助读者打好扎实的人工智能理论基础，并将理论付诸实践，通过“干中学”的方式全面掌握复杂的算法理论。
《TensorFlow2.x深度学习从入门到实战》共3篇。第1篇“TensorFlow基础”，主要介绍TensorFlow2.x的基本开发方法及其重要接口的使用方法，让读者对其有较为全面的了解。第2篇“TensorFlow进阶”，详细介绍TensorFlow2.x的高级开发功能，以及如何使用它开发基于深度学习的神经网络。第3篇“TensorFlow实战”，详细介绍TensorFlow2.x在增强学习和GAN两个专业领域的强大应用，以及其最新调用接口和开发模式，帮助读者有效地将其应用到具体的项目实践中。
《TensorFlow2.x深度学习从入门到实战》内容丰富，讲解透彻，适合对人工智能感兴趣的人员阅读，尤其是需要学习TensorFlow2.x深度学习框架的入门与进阶人员，另外还适合相关培训机构作为培训教材使用。
— 没有更多了 —
以下为对购买帮助不大的评价