神经网络与深度学习:基于TENSORFLOW框架和PYTHON技术实现

图书标准信息

• 作者 包子阳
• 出版社 电子工业出版社
• 出版时间 2019-04
• 版次 1
• ISBN 9787121362019
• 定价 49.80元
• 装帧 平装
• 开本 其他
• 页数 196页

【内容简介】

Python、TensorFlow、神经网络和深度学习因人工智能的流行而成为当下IT领域的热门关键词。本书首先介绍了Python及其常用库Numpy、Matplotlib和Scipy的基本使用方法；其次介绍了TensorFlow的基本知识及使用方法；然后介绍了神经网络的基础知识以及神经网络基本应用――感知机、线性回归与逻辑回归的理论与实现；很后介绍了两种热门的深度神经网络――卷积神经网络和循环神经网络的理论与实现。本书内容由浅入深，循序渐进，实践性强，包含丰富的仿真实例。

【作者简介】

包子阳：不错工程师，自2009年起工作于北京无线电测量研究所。2009年6月毕业于电子科技大学信号与信息处理专业，获硕士学位。从事雷达电气总体、智能算法和深度学习等研究工作。迄今出版专著3本；申请发明6项（已授权3项）；在靠前雷达会议、《系统工程与电子技术》、《现代雷达》、《电子技术与应用》、《雷达科学与技术》、《空间电子技术》、雷达年会、天线年会等发表学术论文十余篇。

【目录】

目    录
    
章  绪论1
1.1  人工智能2
1.2  机器学习3
     1.2.1  监督学习3
     1.2.2  非监督学习3
     1.2.3  半监督学习4
1.3  深度学习4
     1.3.1  卷积神经网络4
     1.3.2  循环神经网络5
1.4  实现工具6
     1.4.1  Python6
     1.4.2  TensorFlow6
第2章  Python基础9
2.1  Python简介10
     2.1.1  概述10
     2.1.2  Python的特点10
     2.1.3  Python的版本11
2.2  Python的安装11
     2.2.1  Python官网下载安装11
     2.2.2  Anaconda的安装14
2.3  Spyder编辑器16
     2.3.1  Spyder界面16
     2.3.2  Spyder快捷键19
2.4  Python基础知识19
     2.4.1  基本语法20
     2.4.2  基本数据类型和运算23
     2.4.3  列表、元组和字符串25
     2.4.4  字典和集合32
     2.4.5  分支和循环35
     2.4.6  函数和类37
     2.4.7  模块40
第3章  Python基础库43
3.1  Numpy库44
     3.1.1  创建数组44
     3.1.2  ndarray类47
     3.1.3  数组操作48
     3.1.4  形状操作55
3.2  Matplotlib库58
     3.2.1  快速绘图58
     3.2.2  绘制多轴图61
     3.2.3  绘制3D图64
3.3  Scipy库67
     3.3.1  scipy.io67
     3.3.2  scipy.linalg68
     3.3.3  scipy.fftpack69
     3.3.4  scipy.optimize70
     3.3.5  scipy.interpolate71
     3.3.6  scipy.stats72
第4章  TensorFlow基础75
4.1  概述76
4.2  TensorFlow的安装77
4.3  TensorFlow基本概念79
     4.3.1  Graph和Session79
     4.3.2  placeholder82
     4.3.3  tensor82
     4.3.4  Variable85
     4.3.5  fetch和feed87
4.4  MNIST89
     4.4.1  MNIST简介89
     4.4.2  MNIST解析90

第5章  神经网络基础95
5.1  神经网络概述96
     5.1.1  神经网络常用术语97
     5.1.2  神经网络模型99
     5.1.3  神经网络的运作99
     5.1.4  神经网络算法的特点100
5.2  神经元模型101
5.3  激活函数103
     5.4.1  sigmoid函数104
     5.4.2  tanh函数104
     5.4.3  ReLU函数105
     5.4.4  softmax函数106
5.4  损失函数106
     5.4.1  均方差函数106
     5.4.2  交叉熵函数107
5.5  梯度下降算法107
     5.5.1  梯度下降算法推导108
     5.5.2  梯度下降算法种类108
5.5  BP算法109
     5.5.1  BP网络简介109
     5.5.2  BP算法流程110
5.6  仿真实例112
第6章  神经网络基础应用117
6.1  感知机118
     6.1.1  感知机网络结构119
     6.1.2  感知机学习规则120
     6.1.3  感知机网络训练120
     6.1.5  仿真实例121
6.2  线性回归123
     6.2.1  线性回归理论123
     6.2.2  仿真实例126
6.3  逻辑回归129
     6.3.1  逻辑回归理论129
     6.3.2  仿真实例131
第7章  卷积神经网络137
7.1  概述138
7.2  卷积神经网络结构139
     7.2.1  卷积层141
     7.2.2  池化层144
     7.2.3  全连接层147
     7.2.4  Dropout 层148
7.3  训练过程148
7.4  卷积神经网络经典模型149
     7.4.1  LeNet-5模型149
     7.4.2  AlexNet模型150
7.5  仿真实例152
第8章  循环神经网络159
8.1  循环神经网络概述160
     8.1.1  循环神经网络结构160
     8.1.2  循环神经网络前向传播162
     8.1.3  循环神经网络训练算法163
8.2  长短时记忆网络（LSTM）163
     8.2.1  LSTM结构164
     8.2.2  LSTM前向计算165
     8.2.3  LSTM训练算法169
     8.2.4  LSTM程序实现169
8.3  循环神经网络的变种170
     8.3.1  双向循环神经网络170
     8.3.2  深层循环神经网络171
8.4  仿真实例172
附录A  Python主要函数181
附录B  TensorFlow主要函数189
参考文献198