计算机 类型
可以朗读 语音朗读
199千字 字数
2020-05-01 发行日期
展开全部

主编推荐语

《深度学习与TensorFlow应用实践》22章讲解：类库安装使用、数据结构、数据集、人工神经网络等多方面知识。

内容简介

本书内容分为22章，包括Python类库的安装和使用、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、人工神经网络介绍、反馈神经网络的理论基础，深度学习模型的创建以及相关特性介绍等内容，并在本书各个模型部分特别介绍了模型调参的初步知识。本书强调理论联系实际，着重介绍了TensorFlow编程解决图像识别的应用，提供了大量数据集供读者使用，也以代码的形式实现了深度学习模型实供读者参考。

目录

  • 封面页
  • 书名页
  • 版权页
  • 作者简介
  • 内容简介
  • 推荐序
  • 再版自序——新的起点
  • 前言
  • 目录
  • 第1章　星星之火
  • 1.1　计算机视觉与深度学习
  • 1.1.1　人类视觉神经的启迪
  • 1.1.2　计算机视觉的难点与人工神经网络
  • 1.1.3　应用深度学习解决计算机视觉问题
  • 1.2　计算机视觉学习的基础与研究方向
  • 1.2.1　学习计算机视觉结构图
  • 1.2.2　计算机视觉的学习方式和未来趋势
  • 1.3　本章小结
  • 第2章　Python的安装与使用
  • 2.1　Python基本安装和用法
  • 2.1.1　Anaconda的下载与安装
  • 2.1.2　Python编译器PyCharm的安装
  • 2.1.3　使用Python计算softmax函数
  • 2.2　Python常用类库threading
  • 2.2.1　threading库的使用
  • 2.2.2　threading模块中最重要的Thread类
  • 2.2.3　threading中Lock类
  • 2.2.4　threading中join类
  • 2.3　本章小结
  • 第3章　深度学习的理论基础——机器学习
  • 3.1　机器学习基本分类
  • 3.1.1　应用学科的分类
  • 3.1.2　学习模式的分类
  • 3.1.3　应用领域的分类
  • 3.2　机器学习基本算法
  • 3.2.1　机器学习的算法流程
  • 3.2.2　基本算法的分类
  • 3.3　算法的理论基础
  • 3.3.1　小学生的故事——求圆的面积
  • 3.3.2　机器学习基础理论——函数逼近
  • 3.4　回归算法
  • 3.4.1　函数逼近经典算法——线性回归算法
  • 3.4.2　线性回归的姐妹——逻辑回归
  • 3.5　本章小结
  • 第4章　Python类库的使用——数据处理及可视化展示
  • 4.1　从小例子起步——NumPy的初步使用
  • 4.1.1　数据的矩阵化
  • 4.1.2　数据分析
  • 4.1.3　基于统计分析的数据处理
  • 4.2　图形化数据处理——Matplotlib包使用
  • 4.2.1　差异的可视化
  • 4.2.2　坐标图的展示
  • 4.2.3　玩个大的
  • 4.3　深度学习理论方法——相似度计算
  • 4.3.1　基于欧几里得距离的相似度计算
  • 4.3.2　基于余弦角度的相似度计算
  • 4.3.3　欧几里得相似度与余弦相似度的比较
  • 4.4　数据的统计学可视化展示
  • 4.4.1　数据的四分位
  • 4.4.2　数据的四分位示例
  • 4.4.3　数据的标准化
  • 4.4.4　数据的平行化处理
  • 4.4.5　热点图-属性相关性检测
  • 4.5　Python实战——某地降雨的关系处理
  • 4.5.1　不同年份的相同月份统计
  • 4.5.2　不同月份之间的增减程度比较
  • 4.5.3　每月降雨不相关吗
  • 4.6　本章小结
  • 第5章　 OpenCV的基础使用
  • 5.1　OpenCV基本的图片读取
  • 5.1.1　基本的图片存储格式
  • 5.1.2　图像的读取与存储
  • 5.1.3　图像的转换
  • 5.1.4　使用NumPy模块对图像进行编辑
  • 5.2　OpenCV的卷积核处理
  • 5.2.1　计算机视觉的三种不同色彩空间
  • 5.2.2　卷积核与图像特征提取
  • 5.2.3　卷积核进阶
  • 5.3　本章小结
  • 第6章　OpenCV与TensorFlow的融合
  • 6.1　图片的自由缩放以及边缘裁剪
  • 6.1.1　图像的扩缩裁挖
  • 6.1.2　图像色调的调整
  • 6.1.3　图像的旋转、平移和翻转
  • 6.2　使用OpenCV扩大图像数据库
  • 6.2.1　图像的随机裁剪
  • 6.2.2　图像的随机旋转变换
  • 6.2.3　图像色彩的随机变换
  • 6.2.4　对鼠标的监控
  • 6.3　本章小结
  • 第7章　Let’s play TensorFlow
  • 7.1　TensorFlow游乐场
  • 7.1.1　I want to play a game
  • 7.1.2　TensorFlow游乐场背后的故事
  • 7.1.3　如何训练神经网络
  • 7.2　Hello TensorFlow
  • 7.2.1　TensorFlow名称的解释
  • 7.2.2　TensorFlow基本概念
  • 7.3　本章小结
  • 第8章　Hello TensorFlow，从0到1
  • 8.1　TensorFlow的安装
  • 8.2.1　检测Anaconda中的TensorFlow版本
  • 8.2.2　TensorFlow 2.0 GPU版本基础显卡推荐和前置软件安装
  • 8.2.3　第一个Hello TensorFlow小程序
  • 8.2　TensorFlow常量、变量和数据类型
  • 8.3　TensorFlow矩阵计算
  • 8.4　Hello TensorFlow
  • 8.5　本章小结
  • 第9章　TensorFlow重要算法基础
  • 9.1　BP神经网络简介
  • 9.2　BP神经网络两个基础算法详解
  • 9.2.1　最小二乘法（LS算法）详解
  • 9.2.2　道士下山的故事——梯度下降算法
  • 9.3　反馈神经网络反向传播算法介绍
  • 9.3.1　深度学习基础
  • 9.3.2　链式求导法则
  • 9.3.3　反馈神经网络原理与公式推导
  • 9.3.4　反馈神经网络原理的激活函数
  • 9.3.5　反馈神经网络原理的Python实现
  • 9.4　本章小结
  • 第10章　Hello TensorFlow & Keras
  • 10.1　MODEL！MODEL！还是MODEL
  • 10.2　使用Keras API实现鸢尾花分类的例子（顺序模式）
  • 10.2.1　数据的准备
  • 10.2.2　数据的处理
  • 10.2.3　梯度更新函数的写法
  • 10.3　使用Keras函数式编程实现鸢尾花分类的例子（重点）
  • 10.4　使用保存的Keras模式对模型进行复用
  • 10.5　使用TensorFlow 2.0标准化编译对Iris模型进行拟合
  • 10.6　多输入单输出TensorFlow 2.0编译方法（选学）
  • 10.7　多输入多输出TensorFlow 2.0编译方法（选学）
  • 10.8　全连接层详解
  • 10.8.1　全连接层的定义与实现
  • 10.8.2　使用TensorFlow 2.0自带的API实现全连接层
  • 10.8.3　打印显示TensorFlow 2.0设计的Model结构和参数
  • 10.9　本章小结
  • 第11章　卷积层详解与MNIST实战
  • 11.1　卷积运算基本概念
  • 11.1.1　卷积运算
  • 11.1.2　TensorFlow 2.0中卷积函数实现详解
  • 11.1.3　池化运算
  • 11.1.4　softmax激活函数
  • 11.1.5　卷积神经网络原理
  • 11.2　TensorFlow 2.0编程实战：MNIST手写体识别
  • 11.2.1　MNIST数据集
  • 11.2.2　MNIST数据集特征和标签介绍
  • 11.2.3　TensorFlow 2.0编程实战MNIST数据集
  • 11.2.4　使用自定义的卷积层实现MNIST识别
  • 11.3　本章小结
  • 第12章　卷积神经网络公式推导与应用
  • 12.1　反馈神经网络算法
  • 12.1.1　经典反馈神经网络正向与反向传播公式推导
  • 12.1.2　卷积神经网络正向与反向传播公式推导
  • 12.2　使用卷积神经网络分辨CIFAR-10数据集
  • 12.2.1　CIFAR-10数据集下载与介绍
  • 12.2.2　CIFAR-10模型的构建与数据处理
  • 12.2.3　CIFAR-10模型的细节描述与参数重构
  • 12.3　本章小结
  • 第13章　TensorFlow Datasets和TensorBoard详解
  • 13.1　TensorFlow Datasets简介
  • 13.2　Datasets数据集的基本使用
  • 13.3　Datasets数据集的使用——Fashion-MNIST
  • 13.3.1　Fashion-MNIST数据集下载与展示
  • 13.3.2　模型的建立与训练
  • 13.4　使用Keras对Fashion-MNIST数据集进行处理
  • 13.5　使用TensorBoard可视化训练过程
  • 13.5.1　TensorBoard文件夹的设置
  • 13.5.2　TensorBoard的显式调用
  • 13.5.3　TensorBoard的使用
  • 13.6　本章小结
  • 第14章　从冠军开始：ResNet
  • 14.1　ResNet基础原理与程序设计基础
  • 14.1.1　ResNet诞生的背景
  • 14.1.2　模块工具的TensorFlow实现——不要重复造轮子
  • 14.1.3　TensorFlow高级模块layers用法简介
  • 14.2　ResNet实战CIFAR-100数据集分类
  • 14.2.1　CIFAR-100数据集简介
  • 14.2.2　ResNet残差模块的实现
  • 14.2.3　ResNet网络的实现
  • 14.2.4　使用ResNet对CIFAR-100进行分类
  • 14.3　ResNet的兄弟——ResNeXt
  • 14.3.1　ResNeXt诞生的背景
  • 14.3.2　ResNeXt残差模块的实现
  • 14.3.3　ResNeXt网络的实现
  • 14.3.4　ResNeXt和ResNet的比较
  • 14.4　本章小结
  • 第15章　Attention is all we need
  • 15.1　简单的理解注意力机制
  • 15.1.1　何为注意力
  • 15.1.2　hard or soft——注意力机制的两种常见形式
  • 15.1.3　Spatial and Channel——注意力机制的两种实现形式
  • 15.2　SENet or CBAM注意力机制的经典模型
  • 15.2.1　最后的冠军——SENet
  • 15.2.2　结合了Spatial and Channel的CBAM模型
  • 15.2.3　注意力的前沿研究——基于细粒度的图像注意力机制
  • 15.3　本章小结
  • 第16章　开始找工作吧——深度学习常用面试问题答疑
  • 16.1　深度学习面试常用问题答疑
  • 16.1.1　如何降低过拟合（Overfitting）
  • 16.1.2　全连接层详解
  • 16.1.3　激活函数起作用的原因
  • 16.1.4　卷积后的图像大小
  • 16.1.5　池化层的作用
  • 16.1.6　为什么在最后分类时使用softmax而不是传统的SVM
  • 16.2　卷积神经网络调优面试问答汇总
  • 16.2.1　数据集的注意事项
  • 16.2.2　卷积模型训练的注意事项
  • 16.3　NIN模型介绍
  • 16.3.1　NIN（Network In Network）模型简介
  • 16.3.2　猫狗大战——NIN的代码实现
  • 16.4　deeper is better——GoogLeNet模型介绍
  • 16.4.1　GoogLeNet模型的介绍
  • 16.4.2　GoogLeNet模型单元的TensorFlow实现
  • 16.4.3　GoogLeNet模型一些注意事项
  • 16.5　本章小结
  • 第17章　不服就是GAN——对抗生成网络
  • 17.1　一个悲惨的故事
  • 17.2　GAN基本原理简介
  • 17.3　GAN实战——手写体数字的生成
  • 17.3.1　MNIST数据集和GAN模型实现
  • 17.3.2　训练参数的定义和实现
  • 17.4　本章小结
  • 第18章　未来的趋势——图卷积神经网络初步
  • 18.1　图卷积神经网络的诞生背景
  • 18.1.1　图卷积基本原理介绍
  • 18.1.2　图卷积基本原理和公式介绍
  • 18.1.3　图卷积需要的基本概念
  • 18.2　实战图卷积神经网络
  • 18.2.1　cora数据集简介
  • 18.2.2　图卷积模型的建立
  • 18.3　本章小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。