𝔖 Scriptorium
✦   LIBER   ✦

📁

神经网络与深度学习——基于TensorFlow框架和Python技术实现

✍ Scribed by 包子阳


Publisher
电子工业出版社
Year
2019
Tongue
Chinese
Leaves
194
Category
Library

⬇  Acquire This Volume

No coin nor oath required. For personal study only.

✦ Synopsis


Python、TensorFlow、神经网络和深度学习因人工智能的流行而成为当下IT领域的热门关键词。本书首先介绍了Python及其常用库Numpy、Matplotlib和Scipy的基本使用方法;其次介绍了TensorFlow的基本知识及使用方法;然后介绍了神经网络的基础知识以及神经网络基本应用――感知机、线性回归与逻辑回归的理论与实现;最后介绍了两种热门的深度神经网络――卷积神经网络和循环神经网络的理论与实现。本书内容由浅入深,循序渐进,实践性强,包含丰富的仿真实例。

✦ Table of Contents


扉页
版权页
前言
目录
第1章 绪论
1.1 人工智能
1.2 机器学习
1.2.1 监督学习
1.2.2 非监督学习
1.2.3 半监督学习
1.3 深度学习
1.3.1 卷积神经网络
1.3.2 循环神经网络
1.4 实现工具
1.4.1 Python
1.4.2 TensorFlow
第2章 Python 基础
2.1 Python 简介
2.1.1 概述
2.1.2 Python 的特点
2.1.3 Python 的版本
2.2 Python 的安装
2.2.1 Python 官网下载安装
2.2.2 Anaconda 的安装
2.3 Spyder 编辑器
2.3.1 Spyder 界面
2.3.2 Spyder 快捷键
2.4 Python 基础知识
2.4.1 基本语法
2.4.2 基本数据类型和运算
2.4.3 列表、元组和字符串
2.4.4 字典和集合
2.4.5 分支和循环
2.4.6 函数和类
2.4.7 模块
第3章 Python 基础库
3.1 Numpy 库
3.1.1 创建数组
3.1.2 ndarray 类
3.1.3 数组操作
3.1.4 形状操作
3.2 Matplotlib 库
3.2.1 快速绘图
3.2.2 绘制多轴图
3.2.3 绘制3D 图
3.3 Scipy 库
3.3.1 scipy.io
3.3.2 scipy.linalg
3.3.3 scipy.fftpack
3.3.4 scipy.optimize
3.3.5 scipy.interpolate
3.3.6 scipy.stats
第4章 TensorFlow 基础
4.1 概述
4.2 TensorFlow 的安装
4.3 TensorFlow 基本概念
4.3.1 Graph 和Session
4.3.2 placeholder
4.3.3 tensor
4.3.4 Variable
4.3.5 fetch 和feed
4.4 MNIST
4.4.1 MNIST 简介
4.4.2 MNIST 解析
第5章 神经网络基础
5.1 神经网络概述
5.1.1 神经网络常用术语
5.1.2 神经网络模型
5.1.3 神经网络的运作
5.1.4 神经网络算法的特点
5.2 神经元模型
5.3 激活函数
5.3.1 sigmoid 函数
5.3.2 tanh 函数
5.3.3 ReLU 函数
5.3.4 softmax 函数
5.4 损失函数
5.4.1 均方差函数
5.4.2 交叉熵函数
5.5 梯度下降算法
5.5.1 梯度下降算法推导
5.5.2 梯度下降算法种类
5.6 BP 算法
5.6.1 BP 网络简介
5.6.2 BP 算法流程
5.7 仿真实例
第6章 神经网络基础应用
6.1 感知机
6.1.1 感知机网络结构
6.1.2 感知机学习规则
6.1.3 感知机网络训练
6.1.4 仿真实例
6.2 线性回归
6.2.1 线性回归理论
6.2.2 仿真实例
6.3 逻辑回归
6.3.1 逻辑回归理论
6.3.2 仿真实例
第7章 卷积神经网络
7.1 概述
7.2 卷积神经网络结构
7.2.1 卷积层
7.2.2 池化层
7.2.3 全连接层
7.2.4 Dropout 层
7.3 训练过程
7.4 卷积神经网络经典模型
7.4.1 LeNet-5 模型
7.4.2 AlexNet 模型
7.5 仿真实例
第8章 循环神经网络
8.1 循环神经网络概述
8.1.1 循环神经网络结构
8.1.2 循环神经网络前向传播
8.1.3 循环神经网络训练算法
8.2 长短时记忆(LSTM)网络
8.2.1 LSTM 网络结构
8.2.2 LSTM 前向计算
8.2.3 LSTM 网络训练算法
8.2.4 LSTM 网络程序实现
8.3 循环神经网络的变种
8.3.1 双向循环神经网络
8.3.2 深层循环神经网络
8.4 仿真实例
附录A Python 主要函数
附录B TensorFlow 主要函数
参考文献


📜 SIMILAR VOLUMES


实战深度学习算法:零起点通关神经网络模型(基于Python和NumPy实现)
✍ 徐彬 著 📂 Library 📅 2019 🏛 电子工业出版社 🌐 Chinese

<p>深度学习是机器学习的重要分支。《实战深度学习算法:零起点通关神经网络模型(基于Python和NumPy实现)》系统地介绍了如何用Python和NumPy一步步地实现深度学习的基础模型,无须借助TensorFlow、PyTorch等深度学习框架,帮助读者更好地理解底层算法的脉络,进而进行模型的定制、优化和改进。全书由简到难地讲述感知机模型、多分类神经网络、深层全连接网络、卷积神经网络、批量规范化方法、循环神经网络、长短时记忆网络、双向结构的BiGRU模型等神经网络模型的必要算法推导、实现及其实例,读者可直接动手调试和观察整个训练过程,进一步理解模型及其算法原理。</p> <p>《实战深度

神经网络与深度学习
✍ 邱锡鹏 📂 Library 📅 2020 🏛 机械工业出版社 🌐 Chinese

<p>本书主要介绍神经网络与深度学习中的基础知识、主要模型(卷积神经网络、递归神经网络等)以及在计算机视觉、自然语言处理等领域的应用。</p>

深度学习入门:基于Python的理论与实现
✍ 斋藤康毅 📂 Library 📅 2018 🏛 人民邮电出版社 🌐 Chinese

本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等“为什么”的问题。