深度學習-基於Python語言和TensorFlow平颱 pdf epub mobi txt 电子书 下载 2025

☆☆☆☆☆

謝瓊

圖書標籤:

<div class="indent" id="dir_30310954_full" style="display:none"> 第1章　人工智能极简历史　1<br/> 1.1　重要的奠基时期　2<br/> 1.1.1　神经元的研究和人工神经元模型的提出　2<br/> 1.1.2　计算机和程序的出现　3<br/> 1.1.3　图灵测试的提出　4<br/> 1.2　人工智能的诞生　4<br/> 1.3　第一个快速发展期　5<br/> 1.4　人工智能的第一个寒冬　5<br/> 1.5　人工智能研究的沉默探索与复苏　6<br/> 1.6　人工智能的第二个冬天　9<br/> 1.7　再一次腾飞　9<br/> 1.7.1　计算机综合计算能力的大幅提升　9<br/> 1.7.2　大数据的出现　11<br/> 1.7.3　神经网络研究的成熟化　11<br/> 1.8　未来展望　13<br/> 1.9　本章小结：历史指引未来　18<br/> 第2章　开发环境准备　19<br/> 2.1　安装Python　20<br/> 2.1.1　Windows操作系统下安装Python　20<br/> 2.1.2　Mac OS X操作系统下安装Python　29<br/> 2.1.3　Linux操作系统下安装Python　30<br/> 2.2　安装TensorFlow　30<br/> 2.3　打造更舒适的开发环境　32<br/> 2.3.1　修改Windows资源管理器的一些显示设置　32<br/> 2.3.2　命令提示符CMD的替代方案　34<br/> 2.3.3　文本文件编辑器　36<br/> 2.3.4　Python语言专用的开发工具　40<br/> 2.4　知识背景准备　45<br/> 2.4.1　怎样输入Python程序　45<br/> 2.4.2　怎样执行Python程序　45<br/> 2.4.3　变量　46<br/> 2.4.4　函数（方法）　50<br/> 2.4.5　对象　51<br/> 2.4.6　条件判断与分支　53<br/> 2.4.7　循环　54<br/> 2.4.8　注释　55<br/> 2.4.9　程序运行时出现错误怎么办　55<br/> 2.4.10　本章小结：一段示例代码　56<br/> 第3章　初识TensorFlow　57<br/> 3.1　三好学生成绩问题的引入　58<br/> 3.2　搭建解决三好学生成绩问题的神经网络　58<br/> 3.3　训练神经网络　62<br/> 3.4　本章小结：解决的第一个问题　68<br/> 3.5　练习　68<br/> 第4章　简化神经网络模型　69<br/> 4.1　在程序运行中查看变量取值　70<br/> 4.2　张量概念的引入　70<br/> 4.3　用向量重新组织输入数据　72<br/> 4.4　简化的神经网络模型　75<br/> 4.5　概念补充——标量、多维数组等　76<br/> 4.5.1　标量　76<br/> 4.5.2　多维数组　76<br/> 4.5.3　张量的阶和形态　77<br/> 4.6　在TensorFlow中查看和设定张量的形态　78<br/> 4.7　用softmax函数来规范可变参数　81<br/> 4.8　本章小结：线性问题　83<br/> 4.9　练习　84<br/> 第5章　用神经网络解决非线性问题　85<br/> 5.1　非线性问题的引入　86<br/> 5.1.1　三好学生评选结果问题　86<br/> 5.1.2　二分类问题：是否为三好学生　86<br/> 5.1.3　非线性问题　87<br/> 5.2　设计神经网络模型　88<br/> 5.2.1　激活函数sigmoid　88<br/> 5.2.2　使用sigmoid函数后的神经网络模型　89<br/> 5.2.3　实现本模型的代码　89<br/> 5.3　准备训练数据　90<br/> 5.3.1　随机数　90<br/> 5.3.2　产生随机训练数据　90<br/> 5.4　完整的训练代码　92<br/> 5.4.1　使用随机数据进行训练　92<br/> 5.4.2　加入偏移量b加快训练过程　94<br/> 5.5　进阶：批量生成随机训练数据　97<br/> 5.6　本章小结：非线性问题　100<br/> 5.7　练习　100<br/> 第6章　从文件中载入训练数据　101<br/> 6.1　用纯文本文件准备训练数据　102<br/> 6.1.1　数据的数字化　102<br/> 6.1.2　训练数据的格式　102<br/> 6.1.3　数据整理　103<br/> 6.1.4　使用CSV格式文件辅助处理数据　104<br/> 6.2　加载文件中的训练数据　106<br/> 6.2.1　加载函数　106<br/> 6.2.2　非数字列的舍弃　106<br/> 6.2.3　非数字列与数字列的转换　107<br/> 6.2.4　行数据的分拆及如何“喂”给训练过程　108<br/> 6.3　本章小结：读取训练数据最常用的方式　110<br/> 6.4　练习　110<br/> 第7章　多层全连接神经网络　111<br/> 7.1　身份证问题的引入　112<br/> 7.2　问题分析　112<br/> 7.3　单层网络的模型　112<br/> 7.4　多层全连接神经网络　115<br/> 7.4.1　矩阵乘法　115<br/> 7.4.2　如何用矩阵乘法实现全连接层　116<br/> 7.4.3　使用均方误差作为计算误差的方法　119<br/> 7.4.4　激活函数tanh　120<br/> 7.4.5　新的模型　121<br/> 7.5　身份证问题新模型的代码实现　121<br/> 7.6　进一步优化模型和代码　124<br/> 7.7　本章小结：多层、全连接、线性与非线性　125<br/> 7.8　练习　126<br/> 第8章　保存和载入训练过程　127<br/> 8.1　保存训练过程　128<br/> 8.2　载入保存的训练过程并继续训练　130<br/> 8.3　通过命令行参数控制是否强制重新开始训练　132<br/> 8.4　训练过程中手动保存　135<br/> 8.5　保存训练过程前征得同意　137<br/> 8.6　本章小结：善于利用保存和载入训练过程　139<br/> 8.7　练习　139<br/> 第9章　查看图形化的模型　140<br/> 9.1　数据流图的概念　141<br/> 9.2　用TensorBoard查看数据流图　141<br/> 9.3　控制TensorBoard图中对象的名称　143<br/> 9.4　本章小结：图形化的模型　145<br/> 9.5　练习　145<br/> 第10章　用训练好的模型进行预测　146<br/> 10.1　从命令行参数读取需要预测的数据　147<br/> 10.2　从文件中读取数据进行预测　149<br/> 10.3　从任意字符串中读取数据进行预测　152<br/> 10.4　本章小结：预测与训练的区别　154<br/> 10.5　练习　154<br/> 第11章　用高级工具简化建模和训练过程　155<br/> 11.1　Keras框架介绍　156<br/> 11.2　用Keras实现神经网络模型　156<br/> 11.3　用Keras进行预测　158<br/> 11.4　保存和载入Keras模型　160<br/> 11.5　本章小结：方便与灵活度的取舍　161<br/> 11.6　练习　161<br/> 第12章　在其他语言中调用TensorFlow模型　162<br/> 12.1　如何保存模型　163<br/> 12.2　在Java语言中载入TensorFlow模型并进行预测计算　165<br/> 12.3　在Go语言中载入TensorFlow模型并进行预测计算　167<br/> 12.4　本章小结：仅能预测　167<br/> 第13章　用卷积神经网络进行图像识别　169<br/> 13.1　情凭谁来定错对——一首歌引出的对错问题　170<br/> 13.2　卷积神经网络介绍　170<br/> 13.2.1　卷积神经网络的基本概念　170<br/> 13.2.2　数字图片在计算机中的表达形式　170<br/> 13.2.3　卷积层的具体计算过程　172<br/> 13.2.4　卷积层的原理和优点　174<br/> 13.2.5　卷积神经网络的典型结构　177<br/> 13.3　用卷积网络实现图像识别　177<br/> 13.3.1　钩叉问题的图像数据格式　177<br/> 13.3.2　准备钩叉问题的训练数据　178<br/> 13.3.3　设计钩叉问题的神经网络模型并实现　179<br/> 13.4　本章小结：进一步优化的方向　183<br/> 13.5　练习　183<br/> 第14章　循环神经网络初探　184<br/> 14.1　循环神经网络简介　185<br/> 14.2　长短期记忆模型LSTM的作用　186<br/> 14.3　汇率预测问题的引入　186<br/> 14.4　用于汇率预测的LSTM神经网络模型　187<br/> 14.5　实现汇率预测LSTM网络的代码　188<br/> 14.6　用循环神经网络来进行自然语言处理　193<br/> 14.7　本章小结：时序有关问题　195<br/> 14.8　练习　195<br/> 第15章　优化器的选择与设置　196<br/> 15.1　优化器的作用　197<br/> 15.2　梯度下降算法　197<br/> 15.3　学习率的影响　198<br/> 15.4　主流优化方法介绍　199<br/> 15.5　优化器效率对比　200<br/> 15.6　本章小结：渡河之筏　203<br/> 第16章　下一步学习方向指南　204<br/> 16.1　更多的激活函数　205<br/> 16.2　更多的隐藏层类型　205<br/> 16.3　确定最适合的神经网络类型　206<br/> 16.4　GPU版本　206<br/> 16.5　有监督学习与无监督学习　207<br/> 16.6　深度学习进阶　207<br/> 16.7　升级到最新的TensorFlow版本　207<br/> 16.8　本章小结：最后的实例　208<br/> · · · · · · (<a href="javascript:$('#dir_30310954_full').hide();$('#dir_30310954_short').show();void(0);">收起</a>) </div>

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

##代码很冗余 有大量稍作修改的重复代码 对于TensorFlow基本内容讲的很详细 新的和难的知识只是提及 定位也就是一本神经网络入门书

评分☆☆☆☆☆

##代码很冗余 有大量稍作修改的重复代码 对于TensorFlow基本内容讲的很详细 新的和难的知识只是提及 定位也就是一本神经网络入门书

评分☆☆☆☆☆

##强烈建议～适合我这种新手入门，通俗易懂，详细到令人发指！！！

评分☆☆☆☆☆

##强烈建议～适合我这种新手入门，通俗易懂，详细到令人发指！！！

评分☆☆☆☆☆

##强烈建议～适合我这种新手入门，通俗易懂，详细到令人发指！！！

评分☆☆☆☆☆

##强烈建议～适合我这种新手入门，通俗易懂，详细到令人发指！！！