| 作者 |
| 施懿民 马特·R.科尔 |
| 丛书名 |
| 华章程序员书库 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782107241254 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8082392 - C#编程魔法书--------------------------- 全书分为三部分。 1.基础语法部分介绍C#编程特性，将语法与实际编程框架穿插起来讲解，而不是一开始将所有的语法特性解释完毕再来解释实际应用。 2.结合编程框架部分介绍C#使用.NET编程框架，结合基础常见的功能进行讲解。 3.实际编程案例部分通过开发一个分布式爬虫系统来将本书讲解的所有语法合并到成一个实际的项目案例，让读者有一个切身的体会。 通过阅读本书，读者可以掌握C#编程技巧，胜任大部分一般性的服务器端开发工作。 ---------------------------8060483 - C#神经网络编程--------------------------- 本书遵循循序渐进、兼顾理论和实践的原则，从神经网络基本概念入手，以图文并茂的形式生动地讲解激活函数和反向传播等概念原理，并以人脸识别和动作检测为例，让读者直观地了解深度学习的应用场景，在知识内容方面，不但包含决策树、随机森林等常规算法，还重点讲解了LSTM、CNN神经网络等主流算法，在代码实践方面，比较深入地讲解开发细节，详细介绍了相关网络结构、参数调优和各种网络的对照比较，对程序员实际动手有比较强的参考意义。此外，本书还包含了常用激活函数，读者可以方便的在附录中查询相关函数特性，是一本集原理、实践与资料查询为一体的书籍。 |
| 目录 |
| [套装书具体书目] 8060483 - C#神经网络编程 - 9787111629382 - 机械工业出版社 - 定价 89 8082392 - C#编程魔法书 - 9787111685784 - 机械工业出版社 - 定价 99 ---------------------------8082392 - C#编程魔法书--------------------------- 前言 第1章 快速认识C# /1 1.1 创建helloworld 2 1.1.1 使用文本编辑器和命令行编译器创建 2 1.1.2 使用Visual Studio Community创建 5 1.1.3 helloworld源码解读 7 1.1.4 C#脚本语言 8 1.2 C#语言特性 9 1.3 C#与.NET框架 10 1.4 多操作系统支持 12 1.4.1 在Ubuntu 14.04上安装和使用.NET Core 13 1.4.2 跨平台运行.NET Core程序 14 1.4.3 在Ubuntu 14.04上安装和使用Mono 15 1.5 本章小结 17 第2章 C#编程基础 /18 2.1 字符串操作 18 2.1.1 格式化字符串输出 19 2.1.2 $符号：字符串内插 21 2.1.3 字符串比较 22 2.1.4 修改字符串 24 2.1.5 字符编码 25 2.2 正则表达式 31 2.2.1 构造分组 33 2.2.2 反向引用 37 2.2.3 替换 38 2.3 访问文件 40 2.3.1 文件和文件夹基本操作 40 2.3.2 流处理 42 2.3.3 管道 45 2.3.4 内存映射文件 48 2.4 编码国际化 54 2.5 时间和日期 60 2.6 本章小结 63 第3章 C#面向对象编程 /64 3.1 面向对象 64 3.1.1 RESTful编程 65 3.1.2 WebSocket编程 72 3.1.3 面向对象封装 76 3.1.4 使用接口 79 3.1.5 使用继承 81 3.2 读写日志 86 3.2.1 使用Debug和Trace记录日志 86 3.2.2 使用第三方日志库记录日志 92 3.2.3 使用Microsoft.Extension.Logging记录日志 96 3.2.4 记录日志的推荐方法 99 3.3 依赖注入 100 3.4 配置文件 108 3.4.1 .NET框架配置文件 108 3.4.2 .NET Core配置文件 111 3.5 程序案例 117 3.6 本章小结 119 第4章 反射与动态编程 /120 4.1 反射 120 4.1.1 获取类型信息 121 4.1.2 动态加载 125 4.1.3 序列化 128 4.1.4 使用特性 132 4.1.5 版本控制 140 4.2 代码生成和动态执行 146 4.2.1 CodeDOM生成源码 147 4.2.2 Reflection.Emit 152 4.2.3 IL语言 157 4.2.4 多模块组装件 161 4.3 dynamic关键字 163 4.4 动态语言运行时 166 4.4.1 IronPython 166 4.4.2 DLR 170 4.5 本章小结 172 第5章 数据处理编程 /173 5.1 ADO.NET 175 5.1.1 使用ODBC连接数据源 178 5.1.2 在线读写数据 181 5.2 Lambda和LINQ 187 5.2.1 匿名方法和Lambda表达式 188 5.2.2 本地方法 191 5.3 LINQ 195 5.3.1 LINQ to Object 195 5.3.2 LINQ to SQL和Entity Framework Core 198 5.3.3 LINQ部分源码解读 201 5.3.4 可空引用类型 205 5.4 Entity Framework 208 5.4.1 使用EF Code First构建和映射数据库 208 5.4.2 使用EF迁移数据库 212 5.4.3 EF对关系的映射 216 5.4.4 EF的性能考量 220 5.5 本章小结 224 第6章 多线程编程 /225 6.1 多线程编程基础 225 6.1.1 创建和使用多线程 226 6.1.2 使用线程池 227 6.2 多线程同步 229 6.2.1 阻塞式等待 229 6.2.2 锁 231 6.2.3 信号 242 6.2.4 屏障 246 6.3 主动取消等待 249 6.3.1 在线程中主动响应取消请求 250 6.3.2 统一的取消任务等待操作 251 6.4 其他多线程元素 254 6.4.1 Lazy 254 6.4.2 线程本地存储 256 6.4.3 定时器 259 6.5 无锁编程 260 6.5.1 内存屏障和volatile关键字 260 6.5.2 使用无锁编程 261 6.6 本章小结 263 第7章 并行编程 /264 7.1 并行编程基础 264 7.1.1 使用Task类型实现并行 264 7.1.2 使用Parallel.For实现并行 268 7.2 硬件特性 270 7.2.1 内存访问顺序 271 7.2.2 伪共享 272 7.3 基于数据并行 275 7.3.1 Parallel.For和Parallel.ForEach 275 7.3.2 跳出循环 278 7.4 基于任务的并行 280 7.4.1 网络异步编程的适用场景 280 7.4.2 使用连续任务 281 7.4.3 Thread.Sleep和Task.Delay的区别 284 7.5 async和await关键字 286 7.5.1 使用async和await异步编程 286 7.5.2 使用状态机实现async方法 288 7.5.3 async方法实现机制 292 7.5.4 扩展async方法 296 7.5.5 async方法执行上下文 296 7.6 函数式编程 298 7.6.1 函数式编程简介 298 7.6.2 高阶方法 299 7.6.3 偏函数应用 300 7.6.4 柯里化方法 301 7.6.5 数据封装 302 7.6.6 错误处理 304 7.6.7 模式匹配 305 7.7 本章小结 308 第8章 分布式编程 /309 8.1 C#对分布式编程的支持 309 8.1.1 Web服务技术 310 8.1.2 Remoting技术 311 8.1.3 RESTful API 312 8.1.4 gRPC 313 8.2 分布式系统举例 323 8.2.1 消息队列 324 8.2.2 ZeroMQ 325 8.2.3 系统架构 334 8.2.4 交易所各模块 335 8.2.5 测试交易所系统 340 8.3 本章小结 347 ---------------------------8060483 - C#神经网络编程--------------------------- 译者序 前言 关于作者 关于审校者 第1章 快速预览 1 1.1 神经网络概述 2 1.1.1 神经网络训练 4 1.1.2 神经网络的结构指南 4 1.2 神经网络在当今企业中的作用 6 1.3 学习的类型 6 1.3.1 有监督学习 7 1.3.2 无监督学习 7 1.3.3 强化学习 7 1.4 了解感知器 7 1.5 了解激活函数 10 1.5.1 激活函数绘图 12 1.5.2 函数绘图 13 1.6 了解后向传播 16 1.7 小结 17 1.8 参考文献 17 第2章 构建第一个神经网络 18 2.1 一个简单的神经网络 18 2.2 神经网络训练 19 2.2.1 突触 20 2.2.2 神经元 21 2.2.3 前向传播 21 2.2.4 Sigmoid函数 21 2.2.5 后向传播 22 2.2.6 计算误差 23 2.2.7 计算梯度 23 2.2.8 更新权重 23 2.2.9 计算值 23 2.3 神经网络函数 24 2.3.1 创建新网络 24 2.3.2 导入现有网络 24 2.3.3 导入数据集 27 2.3.4 网络运算 27 2.3.5 导出网络 28 2.3.6 训练网络 28 2.3.7 测试网络 29 2.3.8 计算前向传播 29 2.3.9 将网络导出为JSON格式 29 2.3.10 导出数据集 30 2.4 神经网络 30 2.5 例子 31 2.5.1 训练到最小值 31 2.5.2 训练到最大值 31 2.6 小结 32 第3章 决策树和随机森林 33 3.1 决策树 33 3.1.1 决策树的优点 34 3.1.2 决策树的缺点 35 3.1.3 何时应该使用决策树 35 3.2 随机森林 35 3.2.1 随机森林的优点 36 3.2.2 随机森林的缺点 36 3.2.3 何时应该使用随机森林 36 3.3 SharpLearning 37 3.3.1 术语 37 3.3.2 加载和保存模型 37 3.4 示例代码和应用程序 41 3.4.1 保存模型 41 3.4.2 均方差回归指标 41 3.4.3 F1分数 41 3.4.4 优化 42 3.4.5 示例应用程序1 42 3.4.6 示例应用程序2—葡萄酒质量 43 3.5 小结 45 3.6 参考文献 45 第4章 面部和运动检测 46 4.1 面部检测 46 4.2 运动检测 54 4.3 小结 59 第5章 使用ConvNetSharp训练CNN 60 5.1 热身 60 5.2 过滤器 64 5.3 创建网络 64 5.3.1 第一个简单的例子 65 5.3.2 第二个简单的例子 66 5.3.3 第三个简单的例子 67 5.3.4 使用Fluent API 68 5.4 GPU 68 5.5 使用MNIST数据集进行流畅设计训练 68 5.6 训练网络 69 5.6.1 测试数据 70 5.6.2 预测数据 71 5.6.3 计算图 71 5.7 小结 73 5.8 参考文献 73 第6章 使用 RNNSharp训练自动编码器 74 6.1 什么是自动编码器 74 6.2 自动编码器的分类 74 6.2.1 标准自动编码器 75 6.2.2 变分自动编码器 76 6.2.3 降噪自动编码器 76 6.2.4 稀疏自动编码器 76 6.3 创建自己的自动编码器 76 6.4 小结 87 6.5 参考文献 88 第7章 用PSO代替后向传播 89 7.1 基础理论 89 7.1.1 群体智能 90 7.1.2 粒子群优化算法 90 7.2 用粒子群优化算法代替后向传播 94 7.3 小结 98 第8章 函数优化 99 8.1 入门 100 8.2 函数最小化和最大化 103 8.2.1 什么是粒子 104 8.2.2 Swarm初始化 106 8.2.3 图表初始化 107 8.2.4 状态初始化 108 8.2.5 控制随机性 109 8.2.6 更新群体位置 110 8.2.7 更新群速度 110 8.2.8 主程序初始化 110 8.2.9 运行粒子群优化 111 8.2.10 用户界面 112 8.3 超参数和调参 113 8.3.1 函数 113 8.3.2 策略 114 8.3.3 维度大小 115 8.3.4 上限 115 8.3.5 下限 116 8.3.6 上限速度 116 8.3.7 下限速度 117 8.3.8 小数位 117 8.3.9 群体大小 117 8.3.10 最大迭代次数 118 8.3.11 惯性 119 8.3.12 社交权重 120 8.3.13 认知权重 121 8.3.14 惯性权重 122 8.4 可视化 122 8.4.1 二维可视化 122 8.4.2 三维可视化 123 8.5 绘制结果 128 8.5.1 回放结果 128 8.5.2 更新信息树 130 8.6 添加新的优化函数 131 8.6.1 目的 131 8.6.2 添加新函数的步骤 131 8.6.3 添加新函数示例 132 8.7 小结 135 第9章 寻找最佳参数 136 9.1 优化 136 9.1.1 什么是适配函数 137 9.1.2 约束 137 9.1.3 元优化 139 9.2 优化方法 141 9.2.1 选择优化器 141 9.2.2 梯度下降 141 9.2.3 模式搜索 141 9.2.4 局部单峰采样 142 9.2.5 差异进化 142 9.2.6 粒子群优化 143 9.2.7 多优化联络员 143 9.2.8 网格 143 9.3 并行 144 9.3.1 并行化优化问题 144 9.3.2 并行优化方法 144 9.3.3 编写代码 144 9.3.4 执行元优化 146 9.3.5 计算适配度 146 9.3.6 测试自定义问题 148 9.3.7 基本问题 148 9.3.8 创建自定义问题 151 9.3.9 自定义问题示例 153 9.4 小结 154 9.5 参考文献 155 第10章 使用TensorFlowSharp进行对象检测 157 10.1 使用张量 157 10.2 开发自己的TensorFlow应用程序 161 10.3 检测图像 163 10.4 小结 166 10.5 参考文献 166 第11章 使用CNTK进行时间序列预测和LSTM 167 11.1 长短期记忆 167 11.1.1 LSTM变体 168 11.1.2 LSTM的应用 170 11.2 CNTK术语 170 11.3 示例应用程序 171 11.3.1 编写应用程序代码 174 11.3.2 运行应用程序 175 11.3.3 训练网络 176 11.3.4 创建模型 177 11.3.5 创建批量数据 178 11.3.6 获取下一批数据 178 11.4 LSTM的表现 178 11.5 小结 179 11.6 参考文献 179 第12章 GRU与LSTM、RNN和前馈神经网络 181 12.1 QuickNN 181 12.2 了解GRU 182 12.3 LSTM和GRU之间的差别 182 12.4 构建不同的网络 183 12.4.1 编写LSTM代码 184 12.4.2 编写GRU代码 184 12.5 比较LSTM、GRU、前馈和RNN网络的相关操作 185 12.6 网络差异 187 12.7 小结 189 附录A 激活函数 190 附录B 函数优化参考 194 |