国产第1页_91在线亚洲_中文字幕成人_99久久久久久_五月宗合网_久久久久国产一区二区三区四区

讀書月攻略拿走直接抄！
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn)

包郵 圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn)

作者：張平
出版社：電子工業(yè)出版社出版時(shí)間：2017-03-01
開本： 其他 頁數(shù)： 336
中 圖 價(jià):¥31.0(3.9折) 定價(jià)  ¥79.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
開年大促， 全場(chǎng)包郵
?新疆、西藏除外
溫馨提示：5折以下圖書主要為出版社尾貨，大部分為全新（有塑封/無塑封），個(gè)別圖書品相8-9成新、切口
有劃線標(biāo)記、光盤等附件不全詳細(xì)品相說明>>
本類五星書更多>
買過本商品的人還買了

圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn) 版權(quán)信息

圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn) 本書特色

適讀人群 ：本書非常適合深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、TensorFlow的初學(xué)者。 l 290張圖+110個(gè)可執(zhí)行的TensorFlow示例程序+算法示例 l 助力讀者玩轉(zhuǎn)神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)背后的數(shù)學(xué)原理及上手應(yīng)用 l 夯實(shí)神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)背后的數(shù)學(xué)基礎(chǔ)，掌握它們的原理與實(shí)現(xiàn)，更深刻地理解開源深度學(xué)習(xí)框架TensorFlow中的常用函數(shù)，幫助讀者在人工智能路上走得更遠(yuǎn)！

圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn) 內(nèi)容簡(jiǎn)介

290張圖+110個(gè)可執(zhí)行的TensorFlow示例程序+算法示例易懂的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)人工智能參考書源代碼文件供下載本書適合神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、TensorFlow 的入門者閱讀。

圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn) 目錄

1 深度學(xué)習(xí)及TensorFlow 簡(jiǎn)介 1
1．1 深度學(xué)習(xí) 1
1．2 TensorFlow 簡(jiǎn)介及安裝 2
2 基本的數(shù)據(jù)結(jié)構(gòu)及運(yùn)算6
2．1 張量 6
2．1．1 張量的定義 6
2．1．2 Tensor 與Numpy 的ndarray 轉(zhuǎn)換 9
2．1．3 張量的尺寸 10
2．1．4 圖像轉(zhuǎn)換為張量 13
2．2 隨機(jī)數(shù) 14
2．2．1 均勻（平均）分布隨機(jī)數(shù) 14
2．2．2 正態(tài)（高斯）分布隨機(jī)數(shù) 15
2．3 單個(gè)張量的運(yùn)算 17
2．3．1 改變張量的數(shù)據(jù)類型 17
2．3．2 訪問張量中某一個(gè)區(qū)域的值 19
2．3．3 轉(zhuǎn)置 22
2．3．4 改變形狀 26
2．3．5 歸約運(yùn)算：求和、平均值、*大（小）值 29
2．3．6 *大（小）值的位置索引 34
2．4 多個(gè)張量之間的運(yùn)算 35
2．4．1 基本運(yùn)算：加、減、乘、除 35
2．4．2 乘法 41
2．4．3 張量的連接 42
2．4．4 張量的堆疊 44
2．4．5 張量的對(duì)比 48
2．5 占位符 49
2．6 Variable 對(duì)象 50
3 梯度及梯度下降法 52
3．1 梯度 52
3．2 導(dǎo)數(shù)計(jì)算的鏈?zhǔn)椒▌t 53
3．2．1 多個(gè)函數(shù)和的導(dǎo)數(shù) 54
3．2．2 復(fù)合函數(shù)的導(dǎo)數(shù) 54
3．2．3 單變量函數(shù)的駐點(diǎn)、極值點(diǎn)、鞍點(diǎn) 55
3．2．4 多變量函數(shù)的駐點(diǎn)、極值點(diǎn)、鞍點(diǎn) 57
3．2．5 函數(shù)的泰勒級(jí)數(shù)展開 60
3．2．6 梯度下降法 63
3．3 梯度下降法 73
3．3．1 Adagrad 法 73
3．3．2 Momentum 法 75
3．3．3 NAG 法 77
3．3．4 RMSprop 法 78
3．3．5 具備動(dòng)量的RMSprop 法 80
3．3．6 Adadelta 法 81
3．3．7 Adam 法 82
3．3．8 Batch 梯度下降 84
3．3．9 隨機(jī)梯度下降 85
3．3．10 mini-Batch 梯度下降 86
3．4 參考文獻(xiàn) 86
4 回歸分析 88
4．1 線性回歸分析 88
4．1．1 一元線性回歸 88
4．1．2 保存和加載回歸模型 91
4．1．3 多元線性回歸 95
4．2 非線性回歸分析 99
5 全連接神經(jīng)網(wǎng)絡(luò) 102
5．1 基本概念 102
5．2 計(jì)算步驟 104
5．3 神經(jīng)網(wǎng)絡(luò)的矩陣表達(dá) 107
5．4 激活函數(shù) 112
5．4．1 sigmoid 激活函數(shù) 112
5．4．2 tanh 激活函數(shù) 113
5．4．3 ReLU 激活函數(shù) 114
5．4．4 leaky relu 激活函數(shù) 115
5．4．5 elu 激活函數(shù) 118
5．4．6 crelu 激活函數(shù) 119
5．4．7 selu 激活函數(shù) 120
5．4．8 relu6 激活函數(shù) 121
5．4．9 softplus 激活函數(shù) 121
5．4．10 softsign 激活函數(shù) 122
5．5 參考文獻(xiàn) 123
6 神經(jīng)網(wǎng)絡(luò)處理分類問題 125
6．1 TFRecord 文件 125
6．1．1 將ndarray 寫入TFRecord 文件 125
6．1．2 從TFRecord 解析數(shù)據(jù) 128
6．2 建立分類問題的數(shù)學(xué)模型 134
6．2．1 數(shù)據(jù)類別（標(biāo)簽） 134
6．2．2 圖像與TFRecrder 135
6．2．3 建立模型 140
6．3 損失函數(shù)與訓(xùn)練模型 143
6．3．1 sigmoid 損失函數(shù) 143
6．3．2 softmax 損失函數(shù) 144
6．3．3 訓(xùn)練和評(píng)估模型 148
6．4 全連接神經(jīng)網(wǎng)絡(luò)的梯度反向傳播 151
6．4．1 數(shù)學(xué)原理及示例 151
6．4．2 梯度消失 166
7 一維離散卷積 168
7．1 一維離散卷積的計(jì)算原理 168
7．1．1 full 卷積 169
7．1．2 valid 卷積 170
7．1．3 same 卷積 170
7．1．4 full、same、valid 卷積的關(guān)系 171
7．2 一維卷積定理 174
7．2．1 一維離散傅里葉變換 174
7．2．2 卷積定理 177
7．3 具備深度的一維離散卷積 182
7．3．1 具備深度的張量與卷積核的卷積 182
7．3．2 具備深度的張量分別與多個(gè)卷積核的卷積 183
7．3．3 多個(gè)具備深度的張量分別與多個(gè)卷積核的卷積 185
8 二維離散卷積 187
8．1 二維離散卷積的計(jì)算原理 187
8．1．1 full 卷積 187
8．1．2 same 卷積 189
8．1．3 valid 卷積 191
8．1．4 full、same、valid 卷積的關(guān)系 192
8．1．5 卷積結(jié)果的輸出尺寸 193
8．2 離散卷積的性質(zhì) 194
8．2．1 可分離的卷積核 194
8．2．2 full 和same 卷積的性質(zhì) 195
8．2．3 快速計(jì)算卷積 197
8．3 二維卷積定理 198
8．3．1 二維離散傅里葉變換 198
8．3．2 二維與一維傅里葉變換的關(guān)系 201
8．3．3 卷積定理 203
8．3．4 利用卷積定理快速計(jì)算卷積 203
8．4 多深度的離散卷積 205
8．4．1 基本的多深度卷積 205
8．4．2 一個(gè)張量與多個(gè)卷積核的卷積 207
8．4．3 多個(gè)張量分別與多個(gè)卷積核的卷積 208
8．4．4 在每一深度上分別卷積 211
8．4．5 單個(gè)張量與多個(gè)卷積核在深度上分別卷積 212
8．4．6 分離卷積 214
9 池化操作218
9．1 same 池化 218
9．1．1 same *大值池化 218
9．1．2 多深度張量的same 池化 221
9．1．3 多個(gè)三維張量的same *大值池化 223
9．1．4 same 平均值池化 224
9．2 valid 池化 226
9．2．1 多深度張量的vaild 池化 228
9．2．2 多個(gè)三維張量的valid 池化 229
10 卷積神經(jīng)網(wǎng)絡(luò)231
10．1 淺層卷積神經(jīng)網(wǎng)絡(luò) 231
10．2 LeNet 238
10．3 AlexNet 244
10．3．1 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)詳解 244
10．3．2 dropout 及其梯度下降 247
10．4 VGGNet 256
10．5 GoogleNet 264
10．5．1 網(wǎng)中網(wǎng)結(jié)構(gòu) 264
10．5．2 Batch Normalization 269
10．5．3 BN 與卷積運(yùn)算的關(guān)系 273
10．5．4 指數(shù)移動(dòng)平均 275
10．5．5 帶有BN 操作的卷積神經(jīng)網(wǎng)絡(luò) 276
10．6 ResNet 281
10．7 參考文獻(xiàn) 284
11 卷積的梯度反向傳播 286
11．1 valid 卷積的梯度 286
11．1．1 已知卷積核，對(duì)未知張量求導(dǎo) 286
11．1．2 已知輸入張量，對(duì)未知卷積核求導(dǎo) 290
11．2 same 卷積的梯度 294
11．2．1 已知卷積核，對(duì)輸入張量求導(dǎo) 294
11．2．2 已知輸入張量，對(duì)未知卷積核求導(dǎo) 298
12 池化操作的梯度 303
12．1 平均值池化的梯度 303
12．2 *大值池化的梯度 306
13 BN 的梯度反向傳播311
13．1 BN 操作與卷積的關(guān)系 311
13．2 示例詳解 314
14 TensorFlow 搭建神經(jīng)網(wǎng)絡(luò)的主要函數(shù) 324

展開全部

圖解深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò):從張量到TENSORFLOW實(shí)現(xiàn) 作者簡(jiǎn)介

張平，數(shù)學(xué)與應(yīng)用數(shù)學(xué)專業(yè)，數(shù)學(xué)功底深厚，算法工程師。主要從事圖像算法研究和產(chǎn)品的應(yīng)用開發(fā)。此外，還從事有關(guān)深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘算法的應(yīng)用研發(fā)工作。

商品評(píng)論(0條)
暫無評(píng)論……
書友推薦
本類暢銷
返回頂部
中圖網(wǎng)
在線客服
主站蜘蛛池模板： 亚洲二区在线 | 日日摸夜夜添夜夜添aa | 久久精品无码午夜福利理论片 | 天天做天天摸天天爽天天爱 | 不卡一级毛片免费高清 | 国产精品久久久久久日本 | 亚洲成人伊人网 | 色综合社区 | 亚洲综合视频在线 | 麻麻张开腿让我爽了一夜 | 国产精品免费一区二区三区四区 | 国产中年熟女高潮大集合 | 美女极度色诱视频国产 | 亚洲成人高清在线观看 | 免费一级黄色录像影片 | 欧美日韩中文国产一区发布 | a一级毛片视频免费看 | 久久ww精品w免费人成 | 久久国产午夜精品理论篇小说 | 日韩精品亚洲精品485页 | 在线欧美精品一区二区三区 | 国产精品日本一区二区在线播放 | 国内精品人妻久久毛片app | 日韩精品射精管理在线观看 | 亚洲欧洲日本精品 | 一区两区三不卡 | 亚洲爆乳精品无码一区二区三区 | 欧美一级片 在线播放 | 成年女人喷潮毛片免费播放 | 国产精品丝袜视频 | 无码国模国产在线观看 | 亚洲麻豆视频 | 91情侣在线视频 | 自拍偷自拍亚洲精品播放 | 黄色片免费在线观看 | 亚洲人成人网站在线观看 | 国产99久久精品 | 玖玖国产精品视频 | 欧美中文字幕在线 | 老熟妻内射精品一区 | 中文在线а√在线 |