科技 类型
可以朗读 语音朗读
232千字 字数
2020-06-01 发行日期
展开全部

主编推荐语

本书打破传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

内容简介

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联。

目录

  • 版权信息
  • 前言
  • 第1章 深度学习简介
  • 1.1 机器学习与深度学习
  • 1.2 TensorFlow概述
  • 1.3 环境搭建
  • 1.3.1 在Windows系统下安装Anaconda
  • 1.3.2 在Anaconda下安装TensorFlow与Keras
  • 1.3.3 Spyder编辑器
  • 第2章 Python基础
  • 2.1 数据类型
  • 2.1.1 数值类型
  • 2.1.2 字符串类型
  • 2.1.3 布尔类型
  • 2.2 变量与常量
  • 2.3 运算符
  • 2.3.1 运算符概述
  • 2.3.2 运算符优先级
  • 2.4 选择与循环
  • 2.4.1 if语句
  • 2.4.2 while循环
  • 2.4.3 for循环
  • 2.4.4 break和continue
  • 2.5 列表与元组
  • 2.5.1 创建
  • 2.5.2 查询
  • 2.5.3 修改
  • 2.5.4 删除
  • 2.6 字典
  • 2.6.1 字典的创建
  • 2.6.2 字典的常规操作
  • 2.6.3 字典的遍历
  • 2.7 函数
  • 2.7.1 函数的定义与调用
  • 2.7.2 参数传递
  • 2.8 面向对象编程
  • 2.8.1 类与对象
  • 2.8.2 继承与多态
  • 2.9 思考与练习
  • 第3章 神经网络基础
  • 3.1 单层神经网络
  • 3.2 多层神经网络
  • 3.2.1 隐藏层
  • 3.2.2 输入层与输出层
  • 3.3 激活函数
  • 3.3.1 Sigmoid函数
  • 3.3.2 Tanh函数
  • 3.3.3 Relu函数
  • 3.3.4 Softmax函数
  • 3.4 神经网络工作过程
  • 3.5 损失函数
  • 3.5.1 均方差函数
  • 3.5.2 交叉熵函数
  • 3.6 优化算法
  • 3.7 反向传播
  • 3.8 泛化能力
  • 3.9 多层感知器
  • 3.10 MNIST数据集
  • 3.10.1 下载MNIST数据集
  • 3.10.2 数据预处理
  • 3.11 Keras实现感知器的手写体识别
  • 3.11.1 单层感知器手写体识别
  • 3.11.2 多层感知器手写体识别
  • 3.12 思考与练习
  • 第4章 卷积神经网络
  • 4.1 卷积神经网络结构及原理
  • 4.1.1 卷积神经网络特点
  • 4.1.2 卷积层
  • 4.1.3 池化层
  • 4.1.4 全连接层
  • 4.2 卷积神经网络工作过程
  • 4.3 简单卷积神经网络实现MNIST分类
  • 4.3.1 MNIST数据集预处理
  • 4.3.2 简单卷积神经网络搭建
  • 4.4 CIFAR-10数据集
  • 4.4.1 下载CIFAR-10数据集
  • 4.4.2 CIFAR-10数据集预处理
  • 4.5 简单卷积神经网络实现CIFAR-10分类
  • 4.6 思考与练习
  • 第5章 经典卷积网络结构
  • 5.1 LeNet概述
  • 5.2 LeNet实现MNIST分类
  • 5.2.1 MNIST数据预处理
  • 5.2.2 基于Keras搭建LeNet网络结构
  • 5.2.3 对LeNet网络模型进行编译、训练、评估与预测
  • 5.3 AlexNet概述
  • 5.4 AlexNet实现MNIST分类
  • 5.4.1 基于Keras搭建AlexNet网络结构
  • 5.4.2 对AlexNet网络模型进行编译、训练、评估与预测
  • 5.5 VGG16概述
  • 5.6 VGG16实现MNIST分类
  • 5.6.1 基于Keras搭建VGG16网络结构
  • 5.6.2 对VGG16网络模型进行评估与预测
  • 5.7 思考与练习
  • 第6章 经典卷积网络结构进阶
  • 6.1 GoogLeNet概述
  • 6.2 GoogLeNet实现MNIST分类
  • 6.2.1 基于Keras搭建GoogLeNet网络结构
  • 6.2.2 对GoogLeNet进行训练、评估与预测
  • 6.3 ResNet概述
  • 6.4 ResNet50实现MNIST分类
  • 6.4.1 基于Keras搭建ResNet50网络结构
  • 6.4.2 对ResNet50网络模型进行训练、评估与预测
  • 6.5 思考与练习
  • 第7章 迁移学习
  • 7.1 基于卷积网络实现迁移学习
  • 7.2 InceptionV3实现迁移学习
  • 7.3 Xception实现迁移学习
  • 7.4 MobileNet实现迁移学习
  • 7.5 简单卷积网络实现迁移学习
  • 7.6 思考与练习
  • 第8章 循环神经网络
  • 8.1 循环神经网络概述
  • 8.2 长短期记忆网络
  • 8.2.1 LSTM前向传播
  • 8.2.2 LSTM反向传播
  • 8.3 Reuters数据集
  • 8.3.1 Reuters数据集概述
  • 8.3.2 文本信息预处理
  • 8.4 简单RNN实现Reuters分类
  • 8.5 LSTM实现Reuters分类
  • 8.6 思考与练习
  • 第9章 强化学习
  • 9.1 初识强化学习
  • 9.1.1 什么是强化学习
  • 9.1.2 强化学习能解决什么类型的问题
  • 9.1.3 强化学习如何解决问题
  • 9.2 强化学习理论基础
  • 9.2.1 基本组成元素
  • 9.2.2 基本模型
  • 9.2.3 价值函数
  • 9.3 求解强化学习——有模型
  • 9.3.1 动态规划与贝尔曼方程
  • 9.3.2 策略迭代
  • 9.3.3 值迭代
  • 9.3.4 值迭代算法实现格子世界
  • 9.4 求解强化学习——无模型
  • 9.4.1 蒙特卡罗算法
  • 9.4.2 时间差分法
  • 9.4.3 Q-learning算法
  • 9.4.4 Q-learning实现格子世界
  • 9.5 思考与练习
  • 第10章 深度强化学习
  • 10.1 深度强化学习框架
  • 10.2 TensorFlow编程
  • 10.2.1 TensorFlow的计算模型——计算图
  • 10.2.2 TensorFlow的数据模型——张量
  • 10.2.3 TensorFlow的运行模型——会话
  • 10.2.4 TensorFlow变量
  • 10.2.5 TensorFlow共享变量
  • 10.3 Gym的安装及使用
  • 10.3.1 Gym的安装
  • 10.3.2 Gym的使用
  • 10.4 基于值的算法更新
  • 10.4.1 Q-learning实现
  • 10.4.2 DQN算法原理
  • 10.4.3 DQN算法实现
  • 10.4.4 DDQN算法原理
  • 10.4.5 DDQN算法实现
  • 10.5 思考与练习
  • 第11章 基于策略的算法更新与趋势
  • 11.1 策略梯度法
  • 11.1.1 策略目标函数
  • 11.1.2 策略梯度定理
  • 11.1.3 策略梯度算法实现
  • 11.2 演员–评论家算法
  • 11.2.1 演员–评论家算法原理
  • 11.2.2 演员–评论家算法实现
  • 11.3 优势演员–评论家算法
  • 11.3.1 优势演员–评论家算法原理
  • 11.3.2 优势演员–评论家算法实现
  • 11.4 异步优势演员–评论家算法
  • 11.4.1 异步优势演员–评论家算法原理
  • 11.4.2 异步优势演员–评论家算法实现
  • 11.5 深度强化学习的发展趋势
  • 11.6 思考与练习
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。