返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版新书]深度学习入门与TensorFlow实践林炳清9787115575333
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 林炳清著 | 林炳清编 | 林炳清译 | 林炳清绘
    • 出版社: 人民邮电出版社
    • 出版时间:2022-02-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 林炳清著| 林炳清编| 林炳清译| 林炳清绘
    • 出版社:人民邮电出版社
    • 出版时间:2022-02-01
    • 版次:1
    • 印次:1
    • 字数:487000
    • 页数:340
    • 开本:16开
    • ISBN:9787115575333
    • 版权提供:人民邮电出版社
  • 作者: 林炳清
  • 著: 林炳清
  • 装帧: 平装
  • 印次: 1
  • 定价: 99.9
  • ISBN: 9787115575333
  • 出版社: 人民邮电出版社
  • 开本: 16开
  • 印刷时间: 暂无
  • 语种: 暂无
  • 出版时间: 2022-02-01
  • 页数: 340
  • 外部编号: 庄村62403
  • 版次: 1
  • 成品尺寸: 暂无
  • 第1章 深度学习简介1

    1.1什么是深度学习1

    1.1.1机器学习简介1

    1.1.2深度学习与传统机器学习算法的区别4

    1.1.3深度学习与人类神经网络的关系4

    1.2为什么需要学习深度学习5

    1.3谁需要学习深度学习6

    1.4学深度学习之后,你可以做什么6

    1.5本章小结6

    第2章 数学和Python基础知识7

    2.1线性代数7

    2.1.1数、向量、矩阵和张量7

    2.1.2矩阵的转置8

    2.1.3矩阵的基本运算9

    2.1.4向量和矩阵的范数10

    2.2微积分10

    2.2.1导数的概念10

    2.2.2求导法则11

    2.3概率论11

    2.3.1随机变量12

    2.3.2随机变量的分布12

    2.3.3常见的概率分布13

    2.3.4条件概率14

    2.4Anaconda14

    2.4.1安装Anaconda14

    2.4.2包的管理15

    2.4.3环境的管理15

    2.5Jupyter Notebook16

    2.5.1安装Jupyter Notebook16

    2.5.2打开和关闭Jupyter Notebook17

    2.5.3代码框18

    2.5.4标记框19

    2.6Python22

    2.6.1Python基础22

    2.6.2Python基本数据结构23

    2.6.3控制结构和函数26

    2.6.4NumPy库28

    2.6.5Pandas31

    2.6.6画图工具32

    2.7本章小结35

    第3章线性模型36

    3.1线性回归模型36

    3.1.1线性回归模型简介36

    3.1.2随机梯度下降法41

    3.1.3全数据梯度下降法50

    3.1.4批量随机梯度下降法56

    3.1.5学习步长59

    3.1.6标准化和中心化61

    3.1.73种梯度下降法的对比62

    3.2logistic模型63

    3.2.1logistic模型简介63

    3.2.2估计 和66

    3.3本章小结70

    习题70

    第4章深度神经网络72

    4.1为什么需要深度神经网络72

    4.1.1简单神经网络72

    4.1.2具有隐藏层的神经网络78

    4.2正向传播算法83

    4.3反向传播算法87

    4.4深度神经网络的完整训练流程96

    4.4.1随机梯度下降法96

    4.4.2批量随机梯度下降法98

    4.5本章小结102

    习题103

    第5章激活函数104

    5.1激活函数的基本要求104

    5.2输出层的激活函数107

    5.2.1因变量为定量数据107

    5.2.2因变量为二分类定性数据108

    5.2.3因变量为多分类定性数据108

    5.2.4识别MNIST数据集中的手写数字111

    5.3隐藏层的激活函数116

    5.3.1sigmoid函数116

    5.3.2tanh函数118

    5.3.3ReLU函数119

    5.3.4Leaky ReLU函数121

    5.4本章小结125

    习题126

    第6章模型评估和正则化130

    6.1模型评估130

    6.2欠拟合和过拟合133

    6.3正则化140

    6.3.1早停法141

    6.3.2惩罚法141

    6.3.3丢弃法145

    6.3.4增加观测点151

    6.4本章小结151

    习题152

    第7章基于TensorFlow 2建立深度学习模型153

    7.1安装TensorFlow154

    7.2TensorFlow 2基本用法154

    7.2.1tf.Tensor154

    7.2.2TensorFlow 2和NumPy的兼容性156

    7.3深度神经网络建模基本步骤156

    7.3.1创建模型结构157

    7.3.2训练模型159

    7.3.3评估和预测模型160

    7.4基于TensorFlow 2建立线性回归模型161

    7.5基于TensorFlow 2建立神经网络分类模型164

    7.5.1神经网络分类模型164

    7.5.2神经网络模型的正则化167

    7.6本章小结169

    习题170

    第8章卷积神经网络171

    8.1卷积层172

    8.1.1卷积运算172

    8.1.2卷积层运算173

    8.1.3卷积运算的直观理解175

    8.1.4填充177

    8.1.5卷积层求导178

    8.1.6用Python实现卷积层的计算180

    8.2池化层183

    8.2.1池化运算183

    8.2.2池化层求导185

    8.2.3用Python实现池化层的计算187

    8.3卷积神经网络189

    8.4本章小结196

    习题196

    第9章基于TensorFlow 2搭建卷积神经网络模型198

    9.1卷积层和池化层199

    9.2CNN实例——MNIST数据集和CIFAR-10数据集201

    9.2.1关于MNIST数据集的实例201

    9.2.2关于CIFAR-10数据集的实例207

    9.3CNN建模技巧214

    9.3.1卷积神经网络的结构214

    9.3.2卷积层和池化层的超参数选择215

    9.3.3经典的卷积神经网络216

    9.4本章小结219

    习题219

    第10章 循环神经网络221

    10.1分析IMDB的数据221

    10.1.1IMDB的数据221

    10.1.2神经网络模型(IMDB)225

    10.2词嵌入229

    10.3循环神经网络231

    10.4从零开始实现循环神经网络236

    10.4.1莎士比亚作品应用示例236

    10.4.2正向传播算法239

    10.4.3反向传播算法241

    10.5本章小结246

    习题247

    第11章 搭建深度学习框架248

    11.1类Tensor和自动求导248

    11.1.1类248

    11.1.2类Tensor250

    11.1.3自动求导251

    11.2为Tensor类添加运算函数并建立神经网络模型258

    11.2.1为Tensor类添加运算函数258

    11.2.2使用Tensor类建立神经网络模型264

    11.3类SGD、类Layer和激活函数266

    11.3.1类SGD266

    11.3.2类Layer267

    11.3.3激活函数270

    11.4词嵌入和循环神经网络278

    11.4.1词嵌入278

    11.4.2循环神经网络285

    11.5本章小结291

    习题291

    第12章 长短期记忆模型与门控循环单元模型292

    12.1简单循环神经网络的主要缺陷292

    12.2长短期记忆模型298

    12.2.1LSTM模型的核心思想299

    12.2.2详解LSTM模型299

    12.2.3实现LSTM模型301

    12.3门控循环单元模型306

    12.3.1详解GRU模型307

    12.3.2实现GRU模型308

    12.4本章小结311

    习题311

    第13章 基于TensorFlow 2搭建循环神经网络模型312

    13.1建立LSTM模型312

    13.1.1预处理数据313

    13.1.2基于TensorFlow建立LSTM模型315

    13.2基于TensorFlow建立GRU模型316

    13.3本章小结325

    习题326

    林炳清,毕业于新加坡南洋理工大学,获得统计学博士学位,现为深圳大学数学与统计学院副教授,硕士生导师,主要研究方向为机器学习、数据挖掘、生物信息学,在国内外权威期刊发表论文三十余篇,主持并参与多项国家自然科学基金项目。

    基于TensorFlow 2,系统讲述如何搭建、训练和应用深度学习模型;
    本书旨在填补理论和应用的鸿沟,帮助读者更好、更快地掌握深度学习的算法和原理。

    本书旨在讲述深度学习的各种基本算法和原理,以及如何使用Python实现这些算法。本书首先介绍深度学习的相关基础知识,然后讨论深度神经网络的训练、激活函数与正则化等技术,接着讲述卷积神经网络及其搭建方法,最后阐述循环神经网络及其搭建方法。通过本书,读者可以深入理解如何基于TensorFlow 2搭建、训练和应用深度学习模型。

    本书主要内容:

    ·线性模型、激活函数;
    ·深度神经网络、卷积神经网络、循环神经网络;
    ·模型评估和正则化;
    ·搭建深度学习框架;
    ·基于TensorFlow 2搭建卷积神经网络模型;
    ·基于TensorFlow 2搭建循环神经网络模型。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购