Python快樂編程：Tensor Flow深度學習項目實戰(zhàn)

定　價：￥59.80

作　者：	千鋒教育高教產(chǎn)品研發(fā)部編
出版社：	清華大學出版社
叢編項：	"好程序員成長"叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302541264	出版時間：	2020-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	257	字數(shù)：

內(nèi)容簡介

　　TensorFlow是目前應(yīng)用為廣泛的主流深度學習框架，由谷歌公司于2015年開源?！禤ython快樂編程：Tensor Flow深度學習項目實戰(zhàn)/“好程序員成長”叢書》是TensorFlow的入門書籍，旨在幫助讀者快速理解該框架的基本概念和操作方法，初步掌握通過TensorFlow解決實際問題的能力。對于剛接觸深度學習的初學者而言，一本簡單易懂、易上手的教材至關(guān)重要。《Python快樂編程：Tensor Flow深度學習項目實戰(zhàn)/“好程序員成長”叢書》擺脫純理論的講解方式，將理論與實際操作相結(jié)合，通過豐富的代碼實例和詳盡的步驟介紹，與讀者一起“跳出枯燥，快樂學習”?！禤ython快樂編程：Tensor Flow深度學習項目實戰(zhàn)/“好程序員成長”叢書》包括14章。前3章從TensorFlow簡介與安裝入手，幫助讀者快速了解該框架的基礎(chǔ)概念和操作方法；第4章介紹線性回歸算法；第5章講述神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)；第6～9章分別通過實例詳細講解手寫數(shù)字識別問題、卷積神經(jīng)網(wǎng)絡(luò)算法、圖像數(shù)據(jù)處理和循環(huán)神經(jīng)網(wǎng)絡(luò)算法；第10～13章介紹TensorFlow產(chǎn)品化、高層封裝、可視化等實用技巧，以及遺傳算法、K-means算法等進階操作；第14章通過汽車車牌識別項目的實現(xiàn)來進一步學習TensorFlow在圖像識別方面的應(yīng)用?！禤ython快樂編程：Tensor Flow深度學習項目實戰(zhàn)/“好程序員成長”叢書》適合于想系統(tǒng)學習深度學習和應(yīng)用TensorFlow的相關(guān)從業(yè)人員以及在校學生等。

作者簡介

　　胡耀文，清華大學出版社技術(shù)編審委員會委員，2009年參與國慶60周年官兵電子紀念冊項目，CSDN著名技術(shù)專家，博客瀏覽量超過1460350次，2012年7月出版Windows CE 7開發(fā)實戰(zhàn)詳解，2013年5月出版Windows8開發(fā)權(quán)威指南，2014年：2016年連續(xù)三年獲得微軟全球MVP有價值專家。

圖書目錄

第1章初識TensorFlow
1．1 深度學習介紹
1．2 TensorFlow簡介
1．3 TensorFlow環(huán)境搭建
1．4 TensorFlow測試
1．5 本章小結(jié)
1．6 習題
第2章 TensorFlow基礎(chǔ)
2．1 張量
2．2 會話
2．3 變量與占位符
2．4 矩陣
2．4．1 創(chuàng)建矩陣
2．4．2 矩陣基本運算
2．5 本章小結(jié)
2．6 習題
第3章 TensorFlow進階
3．1 TensorFlow的計算模型
3．1．1 計算圖的工作原理
3．1．2 計算圖的使用
3．2 TensorFlow的嵌入層
3．3 TensorFlow的多層
3．4 TensorFlow實現(xiàn)損失函數(shù)
3．4．1 損失函數(shù)
3．4．2 損失函數(shù)工作原理及實現(xiàn)
3．5 TensorFlow實現(xiàn)反向傳播
3．5．1 反向傳播算法
3．5．2 反向傳播算法的工作原理及實現(xiàn)
3．6 TensorFlow實現(xiàn)隨機訓練和批量訓練
3．7 TensorFlow創(chuàng)建分類器
3．8 TensorFlow實現(xiàn)模型評估
3．8．1 模型評估方法
3．8．2 模型評估工作原理及實現(xiàn)
3．9 本章小結(jié)
3．10 習題
第4章基于TensorFlow的線性回歸
4．1 線性回歸簡介
4．2 TensorFlow求逆矩陣
4．3 TensorFlow求矩陣的分解
4．4 TensorFlow實現(xiàn)線性回歸算法
4．5 線性回歸中的損失函數(shù)
4．6 TensorFlow實現(xiàn)戴明回歸
4．7 TensorFlow實現(xiàn)Ridge-回歸與Lasso回歸
4．8 TensorFlow實現(xiàn)邏輯回歸
4．9 本章小結(jié)
4．10 習題
第5章神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)
5．1 神經(jīng)網(wǎng)絡(luò)算法簡介
5．2 TensorFlow實現(xiàn)激活函數(shù)
5．2．1 Sigmoid函數(shù)
5．2．2 Tanh函數(shù)
5．2．3 ReLU數(shù)
5．3 TensorFlow實現(xiàn)單層神經(jīng)網(wǎng)絡(luò)
5．4 TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡(luò)常見層
5．5 本章小結(jié)
5．6 習題
第6章數(shù)字識別問題
6．1 MNIST數(shù)據(jù)處理
6．2 神經(jīng)網(wǎng)絡(luò)模型訓練進階
6．2．1 程序與數(shù)據(jù)的拆分
6．2．2 變量管理
6．3 TensorFlow模型持久化
6．3．1 TensorFlow實現(xiàn)保存或加載模型
6．3．2 TensorFlow模型持久化的原理及數(shù)據(jù)格式
6．4 本章小結(jié)
6．5 習題
第7章 TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
7．1 卷積神經(jīng)網(wǎng)絡(luò)簡介
7．2 TensorFlow實現(xiàn)簡單的CNN
7．3 TensorFlow實現(xiàn)進階CNN
7．4 TensorFlow實現(xiàn)圖片風格渲染
7．5 本章小結(jié)
7．6 習題
第8章圖像數(shù)據(jù)處理
8．1 TFRecords
8．2 圖像數(shù)據(jù)的預(yù)處理
8．2．1 圖像預(yù)處理方法簡介
8．2．2 圖像預(yù)處理實例
8．3 多線程輸入數(shù)據(jù)處理框架
8．3．1 隊列與多線程
8．3．2 輸入文件隊列
8．3．3 組合訓練數(shù)據(jù)
8．4 數(shù)據(jù)集的使用方法
8．5 本章小結(jié)
8．6 習題
第9章 TensorFlow實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
9．1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
9．2 通過TensorFlow實現(xiàn)垃圾短信預(yù)測
9．3 通過TensorFlow實現(xiàn)LSTM模型
9．4 通過TensorFlow實現(xiàn)多層LSTM模型
9．5 本章小結(jié)
9．6 習題
第10章 TensorFlow產(chǎn)品化
10．1 TensorFlow的單元測試
10．2 TensorFlow并發(fā)執(zhí)行
10．3 TensorFlow分布式實踐
10．4 TensorFlow產(chǎn)品化開發(fā)
10．5 本章小結(jié)
10．6 習題
第11章 TensorFlow的進階用法
11．1 TensorFlow實現(xiàn)遺傳算法
11．2 TensorFlow實現(xiàn)K-means算法
11．3 TensorFlow求解常微分方程
11．4 本章小結(jié)
11．5 習題
第12章 TensorFlow高層封裝
12．1 TensorFlow的常見封裝方法簡介
12．2 Keras
12．2．1 序貫?zāi)Ｐ?br />12．2．2 函數(shù)式模型
12．3 Estimator
12．3．1 Estimator的基本用法
12．3．2 Estimatot自定義模型
12．4 本章小結(jié)
12．5 習題
第13章 TensorFlow可視化
13．1 TensorBoard簡介
13．2 TensorBoard可視化
13．2．1 TensorFlow命名空間與TensorBoard圖上節(jié)點
13．2．2 TensorBoard節(jié)點信息
13．3 本章小結(jié)
13．4 習題
第14章 TensorFlow實現(xiàn)車牌識別
14．1 項目簡介
14．2 生成訓練數(shù)據(jù)集
14．3 數(shù)據(jù)讀取
14．4 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
14．5 開始模型訓練
14．6 測試模型準確度
14．7 本章小結(jié)