| 作者 |
| 吴茂贵 王冬 李涛 杨本法 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111609728 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 内容简介 这是一本基于Python和TensorFlow的全栈式的深度学习指南，基础和理论讲解全面，原理和拓展分析深入，应用和实践也极具实战性，是多位人工智能和大数据领域的专家多年经验的结晶。 全书一共22章，在结构上分为三大部分： 第一部分（第1~5章） Python与数学基础 第1章详细讲解了Python和TensorFlow的基石Numpy，第2章介绍了深度学习框架的鼻祖Theano，对读者更好理解TensorFlow有帮助。 第3~5章的内容是是机器学习和深度学习必备的应用数学基础，包括线性代数、概率论、信息论、概率图等内容。 第二部分（第6~20章） TensorFlow深度学习理论与应用 第6章介绍了机器学习和深度学习的基础，其中包含很多机器学习经典理论和算法；第7章为深度学习的理论及方法，包括策略和挑战。 第8~15章讲解了TensorFlow的安装、基础、图像处理、神经元函数、自编码器、Word2Vec、卷积神经网络、循环神经网络等内容，包含大量案例。 第16章讲解了TensorFlow的高级封装，如Keras、Estimator、TFLearn等内容。 第17~20章是TensorFlow的综合实战案例，涉及情感分析、图像识别、自然语言处理等重要主题。 第三部分（第21~22章） 深度学习扩展 重点介绍了强化学习和生成式对抗网络等较为前沿的内容。 更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容安排上，由点到面、由易到难，找准突破口；写作方式上，采用了图形化的表达，一图胜千言。 |
| 目录 |
| 前言 第一部分 Python及应用数学基础 第1章 NumPy常用操作 2 1.1 生成ndarray的几种方式 3 1.2 存取元素 5 1.3 矩阵操作 6 1.4 数据合并与展平 7 1.5 通用函数 9 1.6 广播机制 11 1.7 小结 12 第2章 Theano基础 13 2.1 安装 14 2.2 符号变量 15 2.3 符号计算图模型 17 2.4 函数 18 2.5 条件与循环 21 2.6 共享变量 23 2.7 小结 24 第3章 线性代数 25 3.1 标量、向量、矩阵和张量 25 3.2 矩阵和向量运算 28 3.3 特殊矩阵与向量 29 3.4 线性相关性及向量空间 31 3.5 范数 32 3.6 特征值分解 33 3.7 奇异值分解 34 3.8 迹运算 35 3.9 实例：用Python实现主成分分析 36 3.10 小结 39 第4章 概率与信息论 40 4.1 为何要学概率、信息论 40 4.2 样本空间与随机变量 41 4.3 概率分布 42 4.3.1 离散型随机变量 42 4.3.2 连续型随机变量 45 4.4 边缘概率 47 4.5 条件概率 47 4.6 条件概率的链式法则 48 4.7 独立性及条件独立性 48 4.8 期望、方差及协方差 49 4.9 贝叶斯定理 52 4.10 信息论 53 4.11 小结 56 第5章 概率图模型 57 5.1 为何要引入概率图 57 5.2 使用图描述模型结构 58 5.3 贝叶斯网络 59 5.3.1 隐马尔可夫模型简介 60 5.3.2 隐马尔可夫模型三要素 60 5.3.3 隐马尔可夫模型三个基本问题 61 5.3.4 隐马尔可夫模型简单实例 62 5.4 马尔可夫网络 64 5.4.1 马尔可夫随机场 64 5.4.2 条件随机场 65 5.4.3 实例：用Tensorflow实现条件随机场 66 5.5 小结 70 第二部分 深度学习理论与应用 第6章 机器学习基础 72 6.1 监督学习 72 6.1.1 线性模型 73 6.1.2 SVM 77 6.1.3 贝叶斯分类器 79 6.1.4 集成学习 81 6.2 无监督学习 84 6.2.1 主成分分析 84 6.2.2 k-means聚类 84 6.3 梯度下降与优化 85 6.3.1 梯度下降简介 86 6.3.2 梯度下降与数据集大小 87 6.3.3 传统梯度优化的不足 89 6.3.4 动量算法 90 6.3.5 自适应算法 92 6.3.6 有约束最优化 95 6.4 前馈神经网络 96 6.4.1 神经元结构 97 6.4.2 感知机的局限 98 6.4.3 多层神经网络 99 6.4.4 实例：用TensorFlow实现XOR 101 6.4.5 反向传播算法 103 6.5 实例：用Keras构建深度学习架构 109 6.6 小结 109 第7章 深度学习挑战与策略 110 7.1 正则化 110 7.1.1 正则化参数 111 7.1.2 增加数据量 115 7.1.3 梯度裁剪 116 7.1.4 提前终止 116 7.1.5 共享参数 117 7.1.6 Dropout 117 7.2 预处理 119 7.2.1 初始化 120 7.2.2 归一化 120 7.3 批量化 121 7.3.1 随机梯度下降法 121 7.3.2 批标准化 122 7.4 并行化 124 7.4.1 TensorFlow利用GPU加速 124 7.4.2 深度学习并行模式 125 7.5 选择合适的激活函数 127 7.6 选择合适代价函数 128 7.7 选择合适的优化算法 129 7.8 小结 130 第8章 安装TensorFlow 131 8.1 TensorFlow CPU版的安装 131 8.2 TensorFlow GPU版的安装 132 8.3 配置Jupyter Notebook 136 8.4 实例：CPU与GPU性能比较 137 8.5 实例：单GPU与多GPU性能比较 138 8.6 小结 140 第9章 TensorFlow基础 141 9.1 TensorFlow系统架构 141 9.2 数据流图 143 9.3 TensorFlow基本概念 144 9.3.1 张量 144 9.3.2 算子 145 9.3.3 计算图 146 9.3.4 会话 146 9.3.5 常量 148 9.3.6 变量 149 9.3.7 占位符 153 9.3.8 实例：比较constant、variable和placeholder 154 9.4 TensorFlow实现数据流图 156 9.5 可视化数据流图 156 9.6 TensorFlow分布式 158 9.7 小结 160 第10章 TensorFlow图像处理 162 10.1 加载图像 162 10.2 图像格式 163 10.3 把图像转换为TFRecord文件 164 10.4 读取TFRecord文件 165 10.5 图像处理实例 166 10.6 全新的数据读取方式—Dataset API 170 10.6.1 Dataset API 架构 170 10.6.2 构建Dataset 171 10.6.3 创建迭代器 174 10.6.4 从迭代器中获取数据 174 10.6.5 读入输入数据 175 10.6.6 预处理数据 175 10.6.7 批处理数据集元素 176 10.6.8 使用高级API 176 10.7 小结 177 第11章 TensorFlow神经元函数 178 11.1 激活函数 178 11.1.1 sigmoid函数 179 11.1.2 tanh函数 179 11.1.3 relu函数 180 11.1.4 softplus函数 181 11.1.5 dropout函数 181 11.2 代价函数 181 11.2.1 sigmoid_cross_entropy_with_logits函数 182 11.2.2 softmax_cross_entropy_with_logits函数 183 11.2.3 sparse_softmax_cross_entropy_with_logits函数 184 11.2.4 weighted_cross_entropy_with_logits函数 184 11.3 小结 185 第12章 TensorFlow自编码器 186 12.1 自编码简介 186 12.2 降噪自编码 188 12.3 实例：TensorFlow实现自编码 188 12.4 实例：用自编码预测信用卡欺诈 191 12.5 小结 197 第13章 TensorFlow实现Word2Vec 198 13.1 词向量及其表达 198 13.2 Word2Vec原理 199 13.2.1 CBOW模型 200 13.2.2 Skim-gram模型 200 13.3 实例：TensorFlow实现Word2Vec 201 13.4 小结 206 第14章 TensorFlow卷积神经网络 207 14.1 卷积神经网络简介 207 14.2 卷积层 208 14.2.1 卷积核 209 14.2.2 步幅 211 14.2.3 填充 212 14.2.4 多通道上的卷积 213 14.2.5 激活函数 214 14.2.6 卷积函数 215 14.3 池化层 216 14.4 归一化层 217 14.5 TensorFlow实现简单卷积神经网络 218 14.6 TensorFlow实现进阶卷积神经网络 219 14.7 几种经典卷积神经网络 223 14.8 小结 224 第15章 TensorFlow循环神经网络 226 15.1 循环神经网络简介 226 15.2 前向传播与随时间反向传播 228 15.3 梯度消失或爆炸 231 15.4 LSTM算法 232 15.5 RNN其他变种 235 15.6 RNN应用场景 236 15.7 实例：用LSTM实现分类 237 15.8 小结 241 第16章 TensorFlow高层封装 242 16.1 TensorFlow高层封装简介 242 16.2 Estimator简介 243 16.3 实例：使用Estimator预定义模型 245 16.4 实例：使用Estimator自定义模型 247 16.5 Keras简介 252 16.6 实例：Keras实现序列式模型 253 16.7 TFLearn简介 255 16.7.1 利用TFLearn解决线性回归问题 256 16.7.2 利用TFLearn进行深度学习 256 16.8 小结 257 第17章 情感分析 258 17.1 深度学习与自然语言处理 258 17.2 词向量简介 259 17.3 循环神经网络 260 17.4 迁移学习简介 261 17.5 实例：TensorFlow实现情感分析 262 17.5.1 导入数据 262 17.5.2 定义辅助函数 267 17.5.3 构建RNN模型 267 17.5.4 调优超参数 269 17.5.5 训练模型 270 17.6 小结 272 第18章 利用TensorFlow预测乳腺癌 273 18.1 数据说明 273 18.2 数据预处理 274 18.3 探索数据 276 18.4 构建神经网络 279 18.5 训练并评估模型 281 18.6 小结 283 第19章 聊天机器人 284 19.1 聊天机器人原理 284 19.2 带注意力的框架 286 19.3 用TensorFlow实现聊天机器人 289 19.3.1 接口参数说明 290 19.3.2 训练模型 293 19.4 小结 302 第20章 人脸识别 303 20.1 人脸识别简介 303 20.2 项目概况 306 20.3 实施步骤 307 20.3.1 数据准备 307 20.3.2 预处理数据 307 20.3.3 训练模型 309 20.3.4 测试模型 313 20.4 小结 316 第三部分 扩展篇 第21章 强化学习基础 318 21.1 强化学习简介 318 21.2 强化学习常用算法 320 21.2.1 Q-Learning算法 320 21.2.2 Sarsa算法 322 21.2.3 DQN算法 322 21.3 小结 324 第22章 生成式对抗网络 325 22.1 GAN简介 325 22.2 GAN的改进版本 327 22.3 小结 329 |