科技 类型
可以朗读 语音朗读
136千字 字数
2020-04-01 发行日期
展开全部

主编推荐语

阅读起来特别轻松、学习一点儿都不费劲的TensorFlow2.0入门书。

内容简介

本书是一本阅读起来特别轻松、学习一点儿都不费劲的TensorFlow入门书。

本书基于TensorFlow2.0版本，从机器学习和TensorFlow的基础开始，针对初学者只选择实际应用中的必需最小知识量，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂且快速有效的阐述，其中包括了很多具体的TensorFlow示例，最后一章的项目实战能够教会初学者使用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。

本书适合初学TensorFlow，并且深度学习的理论和实践基础较为薄弱的读者群体，也适合希望了解深度学习的大数据平台工程师，以及对人智能、深度学习感兴趣的计算机相关从业人员及在校学生等阅读，特别适合作为高等院校计算机或人工智能专业师生的参考教材。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 为什么写作本书
  • 本书的读者对象
  • 本书主要内容
  • 答疑和交流
  • 第1章 机器学习基础
  • 1.1 人工智能：是机遇也是挑战
  • 1.2 机器学习
  • 1.2.1 什么是机器学习
  • 1.2.2 用机器学习解决问题的一般流程
  • 1.2.3 数据预处理
  • 1.2.4 特征工程
  • 1.2.5 模型的评估和选择
  • 1.3 深度学习的发展历程及应用
  • 1.3.1 深度学习的发展历程
  • 1.3.2 深度学习的应用
  • 1.4 本章练习
  • 第2章 TensorFlow基础
  • 2.1 TensorFlow 2.0简介
  • 2.1.1 TensorFlow的基本概念
  • 2.1.2 从1.x到2.0的变化
  • 2.1.3 TensorFlow 2.0的架构
  • 2.2 TensorFlow 2.0的安装
  • 2.3 TensorFlow 2.0的使用
  • 2.3.1 “tf.data”API
  • 2.3.2 “tf.keras”API
  • 2.4 使用GPU加速
  • 2.4.1 安装配置GPU环境
  • 2.4.2 使用TensorFlow-GPU
  • 2.5 本章小结
  • 第3章 前馈神经网络
  • 3.1 神经网络
  • 3.1.1 感知器模型
  • 3.1.2 多层神经网络
  • 3.2 激活函数
  • 3.2.1 Logistic函数
  • 3.2.2 Tanh函数
  • 3.2.3 ReLU函数
  • 3.3 损失函数和输出单元
  • 3.3.1 损失函数的选择
  • 3.3.2 输出单元的选择
  • 3.4 小试牛刀：MNIST手写数字识别
  • 3.4.1 MNIST数据集
  • 3.4.2 数据处理
  • 3.4.3 简单前馈神经网络的实现
  • 3.5 本章小结
  • 3.6 本章练习
  • 第4章 卷积神经网络
  • 4.1 卷积神经网络的基本特征与基本结构
  • 4.2 卷积层
  • 4.2.1 什么是卷积
  • 4.2.2 滑动步长和零填充
  • 4.2.3 卷积层的基本结构
  • 4.3 池化层
  • 4.4 小试牛刀： CNN实现图像分类
  • 4.5 本章小结
  • 4.6 本章练习
  • 第5章 循环神经网络
  • 5.1 简单循环神经网络
  • 5.1.1 循环神经网络的基本结构
  • 5.1.2 循环神经网络的运算过程和参数更新
  • 5.2 常用循环神经网络
  • 5.2.1 多层循环神经网络
  • 5.2.2 双向循环神经网络
  • 5.2.3 TensorFlow实现循环神经网络
  • 5.3 长期依赖问题及其优化
  • 5.4 门控循环神经网络
  • 5.4.1 长短期记忆网络
  • 5.4.2 门控循环单元
  • 5.4.3 TensorFlow实现LSTM和GRU
  • 5.5 循环神经网络的应用
  • 5.5.1 文本分类
  • 5.5.2 序列标注
  • 5.5.3 机器翻译
  • 5.6 注意力模型
  • 5.7 本章小结
  • 5.8 本章练习
  • 第6章 深度强化学习
  • 6.1 从AlphaGo看深度强化学习
  • 6.2 强化学习基础知识
  • 6.2.1 强化学习问题
  • 6.2.2 马尔可夫决策过程
  • 6.2.3 最优价值函数和贝尔曼方程
  • 6.3 有模型的强化学习方法
  • 6.3.1 价值迭代
  • 6.3.2 策略迭代
  • 6.4 无模型的强化学习方法
  • 6.4.1 蒙特卡罗方法
  • 6.4.2 时序差分学习
  • 6.4.3 值函数近似
  • 6.4.4 策略搜索
  • 6.5 强化学习算法
  • 6.5.1 Q-Learning算法
  • 6.5.2 Monte Carlo Policy Gradient算法
  • 6.5.3 Actor-Critic算法
  • 6.6 深度强化学习算法
  • 6.6.1 Deep Q-Networks（DQN）
  • 6.6.2 Deep Deterministic Policy Gradient（DDPG）
  • 6.7 本章小结
  • 6.8 本章练习
  • 第7章 项目实战
  • 7.1 CNN实战项目一：Chars74K
  • 7.2 CNN实战项目二：CIFAR-10
  • 7.3 RNN实战项目一：新闻文本分类
  • 7.4 RNN实战项目二：聊天机器人
  • 7.5 DRL实战项目：DQN
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。