科技 类型
可以朗读 语音朗读
252千字 字数
2021-02-01 发行日期
展开全部

主编推荐语

本书以Python语言和Tensorflow为工具，由浅入深地讲述了深度学习程序设计的基本原理、算法和思考问题的方法，内容包括自顶向下的程序设计、递归程序设计、面向对象的程序设计、反向传播算法、三层神经网络、卷积神经网络、循环神经网络、生成式对抗网络和目标检测等。

内容简介

本书重在研究代码背后深刻的计算机理论和数学原理，试图说明代码是对理论和思想的实现手段，而不是目的。学以致用是本书的宗旨，提高读者编程水平和动手能力是本书的目的。本书通过大量有趣的实例，说明了理论对深度学习程序设计实践的指导意义。

目录

  • 版权信息
  • 序
  • 前言
  • 第1章 程序设计方法
  • 1.1 自顶向下的程序设计
  • 1.1.1 问题分解和自顶向下的程序设计方法
  • 1.1.2 五猴分桃问题
  • 1.1.3 猜姓氏问题
  • 1.1.4 囚犯问题
  • 1.1.5 扑克牌问题
  • 1.2 递归程序设计
  • 1.2.1 河内塔问题
  • 1.2.2 兔子问题
  • 1.2.3 字符串匹配问题
  • 1.2.4 组合问题
  • 1.2.5 人字形铁路问题
  • 1.3 面向对象的程序设计
  • 1.3.1 方法重定义和分数
  • 1.3.2 二十四点问题
  • 1.4 结束语
  • 第2章 反向传播算法
  • 2.1 导数和导数的应用
  • 2.1.1 导数
  • 2.1.2 梯度下降法求函数的最小值
  • 2.1.3 牛顿法求平方根
  • 2.1.4 复合函数和链式法则
  • 2.1.5 多元函数和全微分方程
  • 2.1.6 反向传播算法
  • 2.1.7 梯度
  • 2.1.8 分段求导
  • 2.2 自动求导和人工智能框架
  • 2.2.1 表达式和自动求偏导
  • 2.2.2 表达式求值
  • 2.2.3 求解任意方程
  • 2.2.4 求解任意方程组
  • 2.2.5 求解任意函数的极小值
  • 2.2.6 张量、计算图和人工智能框架
  • 2.3 结束语
  • 第3章 神经元网络初步
  • 3.1 Tensorflow基本概念
  • 3.1.1 计算图、张量、常数和变量
  • 3.1.2 会话、运行
  • 3.1.3 占位符
  • 3.1.4 矩阵算术运算
  • 3.1.5 矩阵运算的广播
  • 3.1.6 TF矩阵运算
  • 3.1.7 形状和操作
  • 3.1.8 关系运算和逻辑运算
  • 3.2 优化器和计算图
  • 3.2.1 梯度和优化器
  • 3.2.2 求解平方根
  • 3.2.3 计算图
  • 3.3 三层神经网络
  • 3.3.1 神经元网络训练算法
  • 3.3.2 线性变换和激活函数
  • 3.3.3 矩阵乘法和全连接
  • 3.3.4 激活函数
  • 3.3.5 全连接和Relu的梯度
  • 3.3.6 求正弦
  • 3.3.7 BGD、SGD和MBGD
  • 3.3.8 三层神经网络模型
  • 3.4 用三层神经网络拟合任意一个函数
  • 3.4.1 三层神经网络拟合一元函数
  • 3.4.2 样本、训练和预测
  • 3.4.3 中间层神经元个数和样本数量之间的关系
  • 3.4.4 自变量越界会发生什么
  • 3.4.5 同时拟合cos（x）、sin（x）
  • 3.4.6 拟合多元函数
  • 3.4.7 过拟合
  • 3.5 手写数字识别
  • 3.5.1 手写数字样本集合MNIST
  • 3.5.2 独热向量
  • 3.5.3 3种损失函数
  • 3.5.4 softmax函数
  • 3.5.5 保存和恢复模型
  • 3.5.6 验证模型
  • 3.5.7 测试和使用模型
  • 3.6 结束语
  • 第4章 卷积神经网络
  • 4.1 卷积
  • 4.1.1 一维卷积
  • 4.1.2 二维卷积
  • 4.1.3 通道
  • 4.1.4 TF对卷积的第一种实现
  • 4.1.5 TF对卷积的第二种实现
  • 4.1.6 卷积的实质
  • 4.2 池化操作
  • 4.2.1 最大值池化和平均值池化
  • 4.2.2 池化操作的梯度
  • 4.3 用CNN实现手写数字识别
  • 4.3.1 模型的结构
  • 4.3.2 模型参数数量和计算量
  • 4.3.3 关于全连接和Dropout
  • 4.3.4 用Tensorboard监视训练
  • 4.4 手写数字生成
  • 4.4.1 生成问题
  • 4.4.2 VAE模型和语义
  • 4.4.3 反卷积操作
  • 4.4.4 网络的结构
  • 4.4.5 动量
  • 4.4.6 控制依赖
  • 4.4.7 预测
  • 4.5 条件VAE模型
  • 4.5.1 CVAE模型
  • 4.5.2 条件式手写数字生成模型
  • 4.6 使用GPU
  • 4.6.1 单GPU和nvidia-smi命令
  • 4.6.2 多GPU和重名问题
  • 4.6.3 多GPU的梯度
  • 4.6.4 多GPU训练
  • 4.6.5 多GPU预测
  • 4.7 残差神经网络
  • 4.7.1 残差神经网络的实现
  • 4.7.2 BN操作
  • 4.8 表情识别
  • 4.8.1 样本
  • 4.8.2 通用超级框架
  • 4.8.3 模型
  • 4.9 人脸识别和人脸对比
  • 4.9.1 人脸识别
  • 4.9.2 简单人脸对比
  • 4.9.3 简单人脸对比的实现
  • 4.9.4 法向量和夹角余弦
  • 4.9.5 基于夹角余弦的人脸对比
  • 4.10 语义分割和实例分割
  • 4.10.1 什么是语义分割和实例分割
  • 4.10.2 多分类问题
  • 4.10.3 U型网络
  • 4.10.4 语义分割和实例分割的实现
  • 4.10.5 点到点的语义分割和实例分割
  • 4.11 其他CNN模型
  • 4.12 优化器
  • 4.12.1 GradientDescentOptimizer
  • 4.12.2 MomentumOptimizer
  • 4.12.3 RMSPropOptimizer
  • 4.12.4 AdamOptimizer
  • 4.12.5 AdagradOptimizer
  • 4.12.6 AdadeltaOptimizer
  • 4.13 结束语
  • 第5章 循环神经网络
  • 5.1 什么是循环神经网络
  • 5.2 RNN的结构
  • 5.2.1 简单RNN模型
  • 5.2.2 多层RNN
  • 5.3 诗歌生成器
  • 5.3.1 样本预处理
  • 5.3.2 字向量
  • 5.3.3 可洗牌的DataSet
  • 5.3.4 生成诗歌
  • 5.4 LSTM模型
  • 5.4.1 基本LSTM模型
  • 5.4.2 LSTM变体之一——Peephole
  • 5.4.3 LSTM变体之二——GRU
  • 5.5 1:1模型
  • 5.5.1 分词和词性标注
  • 5.5.2 双向RNN
  • 5.6 N:1模型与1:N模型
  • 5.6.1 N:1模型
  • 5.6.2 1:N模型
  • 5.7 N:N模型
  • 5.7.1 翻译
  • 5.7.2 自注意力
  • 5.7.3 独立计算的自注意力
  • 5.7.4 Transform（变形）操作
  • 5.7.5 Transformer多头注意力模型
  • 5.8 N:N:N模型
  • 5.8.1 阅读理解
  • 5.8.2 多轮对话
  • 5.9 结束语
  • 第6章 生成式对抗网络
  • 6.1 简单GAN
  • 6.1.1 简单GAN模型
  • 6.1.2 简单GAN生成手写数字
  • 6.1.3 GAN的训练为什么困难
  • 6.2 条件式GAN
  • 6.3 Pix2Pix模型
  • 6.4 CycleGAN模型
  • 6.5 StarGAN模型
  • 6.5.1 StarGAN的训练
  • 6.5.2 数字之间的转换
  • 6.6 WGAN
  • 6.7 结束语
  • 第7章 目标检测
  • 7.1 目标检测简介
  • 7.2 目标检测中的难点
  • 7.2.1 模型的输出
  • 7.2.2 目标检测的主要方法
  • 7.3 两步检测法
  • 7.3.1 RCNN模型
  • 7.3.2 Fast RCNN模型
  • 7.3.3 Faster RCNN模型
  • 7.4 一步检测法
  • 7.4.1 SSD模型
  • 7.4.2 Yolo模型
  • 7.5 结束语
  • 索引
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

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。