TensorFlow神經網絡到深度學習

張德豐

下單後立即進貨 (約4週~6週)

相關主題

商品描述

本書以TensorFlow為平臺,從神經網絡到深度學習由淺入深進行介紹,書中每章都以理論引出,以TensorFlow應用鞏固結束,做到理論與實踐相結合,使讀者快速瞭解神經網絡、深度學習等內容,同時領略利用TensorFlow解決這些問題的簡單和快捷。本書共12章,主要內容包括TensorFlow軟件介紹、電腦視覺與深度學習、深度神經網絡的基礎、全連接神經網絡、捲積神經網絡、高級捲積神經網絡、循環神經網絡、對抗神經網絡、其他監督學習、非監督學習、自動編碼機、強化學習等。

目錄大綱

目錄 第1章 走進TENSORFLOW 1 1.1 TensorFlow介紹 1 1.1.1 TensorFlow特性 1 1.1.2 誰可以使用TensorFlow 2 1.1.3 為什麽Google要開源這個 神器 3 1.2 TensorFlow的環境搭建 4 1.2.1 安裝環境介紹 4 1.2.2 安裝TensorFlow 5 1.2.3 Cuda和CuDNN的安裝 7 1.2.4 Geany開發環境 9 1.3 TensorFlow基本使用 10 1.3.1 計算圖 10 1.3.2 構建圖 10 1.3.3 在一個會話中啟動圖 11 1.3.4 交互式使用 12 1.3.5 Fetch 12 1.3.6 Feed 13 1.4 變量 13 1.5 TensorFlow的隊列 16 1.5.1 隊列的創建 16 1.5.2 線程同步與停止 19 1.5.3 隊列中數據的讀取 20 1.6 TensorBoard可視化 23 1.6.1 在TensorBoard中查看 圖結構 24 1.6.2 數據變化趨勢 25 第2章 電腦視覺與深度學習 28 2.1 電腦視覺 28 2.1.1 人類視覺的啟迪 28 2.1.2 電腦視覺的難點和 人工神經網絡 29 2.1.3 深度學習 30 2.1.4 前深度學習時代的 電腦視覺 31 2.1.5 仿生學角度看深度學習 31 2.1.6 應用深度學習解決電腦 視覺問題 32 2.2 深度學習在視覺上的應用 33 2.2.1 人臉識別 33 2.2.2 圖片問答問題 33 2.2.3 物體檢測問題 34 2.2.4 物體跟蹤 36 2.3 電腦視覺的學習方式和 未來趨勢 36 2.4 機器學習 37 2.4.1 機器學習發展的歷程 37 2.4.2 機器學習的步驟 38 2.4.3 機器學習的分類 38 2.4.4 機器學習的基本算法 40 第3章 深度神經網絡的基礎 42 3.1 生物神經元 42 3.2 人工神經元 43 3.2.1 人工神經元的數學模型 43 3.2.2 人工神經網絡 44 3.2.3 激活函數 45 3.2.4 神經元之間的連接形式 46 3.2.5 人工神經網絡的分類 47 3.3 激活函數 47 3.3.1 sigmoid激活函數 47 3.3.2 tanh激活函數 49 3.3.3 relu激活函數 50 3.3.4 dropout激活函數 53 3.4 softmax處理分類問題 54 3.4.1 什麽是softmax 54 3.4.2 softmax原理 54 3.5 損失函數 56 3.5.1 均值平方差 56 3.5.2 交叉熵 56 3.5.3 自定義損失函數 57 3.6 梯度下降法 59 3.6.1 梯度下降法的作用與分類 59 3.6.2 退化學習率 61 3.7 優化函數 62 3.7.1 隨機梯度下降優化算法 62 3.7.2 基於沖量優化算法 63 3.7.3 Adadelta優化算法 64 3.7.4 Adam優化算法 65 3.8 擬合 67 3.8.1 過擬合和欠擬合 68 3.8.2 正則化的方法 68 第4章 全連接神經網絡 72 4.1 前饋神經網絡簡介 72 4.2 感知機 74 4.2.1 感知機定義 74 4.2.2 學習策略 78 4.2.3 感知機學習算法 78 4.3 全連接 83 4.3.1 全連接結構 83 4.3.2 前向傳播算法 84 4.4 線性模型的局限性 87 4.5 多層網絡解決異域運算 91 4.6 全連接神經網絡的經典實戰 93 第5章 捲積神經網絡 99 5.1 人類視覺原理 99 5.2 捲積運算 100 5.2.1 捲積運算 101 5.2.2 捲積函數實現 102 5.2.3 標註圖像感興趣的區域 106 5.2.4 池化運算 107 5.2.5 加強捲積特徵提取 110 5.3 反捲積、反池化操作 111 5.3.1 反捲積操作 111 5.3.2 反池化操作 114 5.4 捲積神經網絡的介紹 117 5.4.1 捲積神經網絡的一般框架 117 5.4.2 捲積神經網絡的訓練 119 5.4.3 利用捲積神經網絡實現 數據集分類 121 5.5 圖像數據處理 126 5.5.1 圖像編碼處理 127 5.5.2 翻轉圖像 128 5.5.3 圖像色彩調整 129 5.5.4 圖像標準化處理 132 5.5.5 調整圖像大小 133 5.5.6 圖像的標註框 137 第6章 高級捲積神經網絡 140 6.1 LeNet-5捲積神經網絡 140 6.1.1 LeNet-5模型 140 6.1.2 TensorFlow 實現簡單的 捲積神經網絡 142 6.2 AlexNet捲積神經網絡 145 6.2.1 AlexNet概述 145 6.2.2 AlexNet結構 148 6.2.3 AlexNet實現 150 6.3 VGGNet捲積神經網絡 154 6.3.1 VGGNet模型結構 155 6.3.2 VGGNet實現 157 6.4 Inception v3捲積神經網絡 162 6.4.1 幾種 Inception模型 162 6.4.2 Inception v3原理及實現 163 6.5 ResNet捲積神經網絡 175 6.5.1 ResNet模型結構 175 6.5.2 ResNet實現 177 第7章 循環神經網絡 184 7.1 RNN基礎概念和結構 184 7.2 RNN前後向傳播算法 186 7.2.1 RNN前向傳播 186 7.2.2 RNN後向傳播 187 7.3 循環神經網絡的梯度 191 7.4 LSTM單元 193 7.4.1 LSTM單元基本結構 193 7.4.2 LSTM的變體 200 7.5 RNN的實現 201 7.6 自然語言建模與詞向量 214 7.6.1 統計學語言模型 214 7.6.2 獨熱編碼 217 7.6.3 詞向量與Word2vec 217 7.7 LSTM實現語音識別 226 7.7.1 語音特徵介紹 226 7.7.2 算法流程 227 7.7.3 TensorFlow實現語音識別 228 第8章 對抗神經網絡 235 8.1 理論知識 235 8.1.1 GAN網絡結構 235 8.1.2 GAN原理 236 8.1.3 基本架構 236 8.1.4 GAN 的特點及優缺點 237 8.2 DCGAN網絡 243 8.3 InfoGAN網絡 248 8.4 WGAN-GP網絡 255 8.4.1 WGAN網絡的理論 255 8.4.2 WGAN網絡的 改進WGAN-GP網絡 256 8.4.3 WGAN-GP網絡的實現 257 8.5 SRGAN網絡 260 8.5.1 超分辨率技術 260 8.5.2 ESPCN網絡實現數據的 超分辨率重建 261 第9章 其他監督學習 264 9.1 支持向量機 264 9.1.1 支持向量機的含義 264 9.1.2 線性不可分支持向量機與 核函數 273 9.1.3 SMO原理及實現 280 9.2 樸素貝葉斯 286 9.2.1 統計學知識 286 9.2.2 樸素貝葉斯的模型 287 9.2.3 樸素貝葉斯的推斷過程 287 9.2.4 樸素貝葉斯的參數估計 288 9.2.5 樸素貝葉斯算法過程 289 9.2.6 樸素貝葉斯的實現 290 9.3 決策樹 292 9.3.1 認識決策樹 293 9.3.2 ID3算法的介紹 294 9.3.3 C4.5算法的介紹 296 9.3.4 決策樹的實現 297 9.4 k近鄰算法 300 9.4.1 kNN算法三要素 300 9.4.2 kd樹實現原理 301 9.4.3 kNN算法的優缺點 302 9.4.4 kNN算法的實現 303 第10章 非監督學習 305 10.1 主成分分析 305 10.1.1 PCA思想 305 10.1.2 基於最小投影距離 306 10.1.3 基於最大投影方差 307 10.1.4 PCA算法流程 308 10.1.5 PCA的優缺點 308 10.1.6 PCA的實現 309 10.2 k均值聚類 312 10.2.1 距離測試 312 10.2.2 k均值聚類原理 317 10.2.3 傳統k均值算法流程 318 10.2.4 K-Means++聚類算法 322 10.3 自組織映射神經網絡 324 10.3.1 自組織映射算法 325 10.3.2 與k均值的比較 325 10.4 受限玻爾茲曼機 330 10.5 譜聚類 336 10.5.1 譜聚類的基礎知識 336 10.5.2 譜聚類之切圖聚類 339 10.5.3 譜聚類算法的實現 343 第11章 自動編碼機 345 11.1 自動編碼機原理 345 11.2 標準自動編碼機 346 11.3 稀疏自動編碼機 351 11.4 去噪自動編碼機 355 11.5 捲積自動編碼機 360 第12章 強化學習 366 12.1 強化學習的概述 366 12.2 強化學習的學習過程 367 12.3 OpenAI Gym原理及應用 369 12.4 Q learning原理及應用 371 12.5 DQN原理及應用 377 參考文獻 384