加载中...
扫一扫
下载苏宁易购APP
关注苏宁推客公众号
自购省钱·分享赚钱
下载苏宁金融APP
关注苏宁易购服务号
用户评价:----
物流时效:----
售后服务:----
实名认证领苏宁支付券立即领取 >
¥
提前抢
SUPER会员专享
由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
欢迎光临本店铺
点我可查看更多商品哦~
100%刮中券,最高50元无敌券,券有效期7天
亲,今日还有0次刮奖机会
我的云钻:0
您的云钻暂时不足,攒足云钻再来刮
恭喜获得1张券!
今天的机会已经全部用完了,请明天再来
恭喜刮出两张券,请选择一张领取
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
全新正版精通TensorFlow/深度学列9787111614364机械工业出版社
¥ ×1
商品
服务
物流
译者序原书序原书前言 章 TensorFlw 01 // 1 1.1 什么是 TensorFlow // 1 1.2 TensorFlow内核 // 2 1.2.1 简单的示例代码 -Hello TensorFlow // 2 1.2.2 张量 // 3 1.. 常量 // 4 1.2.4 操作 // 5 1.2.5 占位符 // 6 1.2.6 从 Python对象创建张量 // 7 1.2.7 变量 // 9 1.2.8 由库函数生成的张量 // 10 1.2.9 通过 tf.get_variable( )获取变量 // 13 1.3 数据流图或计算图 // 14 1.3.1 执行顺序和延迟加载 // 15 1.3.2 跨计算设备执行计算图 -CPU和 GPU // 15 1.3.3 多个计算图 // 18 1.4 TensorBoard // 19 1.4.1 TensorBoard的例子 // 19 1.4.2 TensorBoard的细节 // 21 1.5 总结 // 21第 2章 TensorFlow的高级库 // 22 2.1 TF Estimator // 22 2.2 TF Slim // 24 . TFLearn // 25 ..1 创建 TFLearn层 // 26 ..2 创建 TFLearn模型 // 30 .. 训练 TFLearn模型 // 30 ..4 使用 TFLearn模型 // 30 2.4 PrettyTensor // 31 2.5 Sonnet // 32 2.6 总结 // 34第 3章 Keras101 // 35 3.1 安装 Keras // 35 3.2 Keras的神经网络模型 // 36 3.2.1 在 Keras中创建模型的过程 // 36 3.3 创建 Keras模型 // 36 3.3.1 用于创建 Keras模型的序列化 API // 36 3.3.2 用于创建 Keras模型的功能 API // 37 3.4 Keras的层 // 37 3.4.1 Keras内核层 // 37 3.4.2 Keras卷积层 // 383.4.3 Keras池化层 // 38 3.4.4 Keras局连接层 // 39 3.4.5 Keras循环层 // 39 3.4.6 Keras嵌入层 // 39 3.4.7 Keras合并层 // 39 3.4.8 Keras高级激活层 // 40 3.4.9 Keras归一化层 // 40 3.4.10 Keras噪声层 // 40 3.5 将网络层添加到 Keras模型中 // 40 3.5.1 利用序列化 API将网络层添加到 Keras模型中 // 40 3.5.2 利用功能 API将网络层添加到 Keras模型中 // 41 3.6 编译 Keras模型 // 41 3.7 训练 Keras模型 // 42 3.8 使用 Keras模型进行预测 // 42 3.9 Keras中的模块 // 43 3.10 基于 MNIST数据集的 Keras顺序模型示例 // 43 3.11 总结 // 45第 4章 基于TensorFlow的经典机器学习算法 // 47 4.1 简单的线回归 // 48 4.1.1 数据准备 // 49 4.1.2 建立简单的回归模型 // 50 4.1.3 使用训练好的模型进行预测 // 55 4.2 多元回归 // 55 4.3 正则化回归 // 58 4.3.1 Lasso正则化 // 59 4.3.2 岭正则化 // 62 4.3.3 弹正则化 // 64 4.4 使用 Logistic回归进行分类 // 65 4.4.1 二分类的 Logistic回归 // 65 4.4.2 多类分类的 Logistic回归 // 66 4.5 二分类 // 66 4.6 多分类 // 69 4.7 总结 // 73第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 // 74 5.1 感知机 // 74 5.2 多层感知机 // 76 5.3 用于图像分类的多层感知机 // 77 5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77 5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 // 83 5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 // 85 5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86 5.4 用于时间序列回归的多层感知机 // 86 5.5 总结 // 89第 6章 基于TensorFlow和Keras的 RNN // 90 6.1 简单 RNN // 90 6.2 RNN改进版本 // 92 6.3 LSTM网络 // 93 6.4 GRU网络 // 95 6.5 基于TensorFlow的 RNN // 96 6.5.1 TensorFlow的RNN单元类 // 96 6.5.2 TensorFlow 的RNN模型构造类 // 97 6.5.3 TensorFlow的 RNN单元封装类 // 97 6.6 基于Keras的 RNN // 98 6.7 RNN的应用领域 // 98 6.8 将基于Keras的 RNN用于MNIST数据 // 99 6.9 总结 // 100第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101 7.1 航空公司乘客数据集 // 101 7.1.1 加载 airpass数据集 // 102 7.1.2 可视化 airpass数据集 // 102 7.2 使用TensorFlow为 RNN模型预处理数据集 // 103 7.3 TensorFlow中的简单 RNN // 104 7.4 TensorFlow中的 LSTM网络 // 106 7.5 TensorFlow中的 GRU网络 // 107 7.6 使用 Keras为 RNN模型预处理数据集 // 108 7.7 基于 Keras的简单 RNN // 109 7.8 基于 Keras的 LSTM网络 // 111 7.9 基于 Keras的 GRU网络 // 112 7.10 总结 // 113第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114 8.1 词向量表示 // 114 8.2 为 word2vec模型准备数据 // 116 8.2.1 加载和准备PTB数据集 // 117 8.2.2 加载和准备text8数据集 // 118 8.. 准备小的验集 // 119 8.3 使用TensorFlow的 skip-gram模型 // 119 8.4 使用t-SNE可视化单词嵌入 // 124 8.5 基于Keras的 skip-gram模型 // 126 8.6 使用TensorFlow和 Keras中的 RNN模型生成文本 // 130 8.6.1 使用TensorFlow中的 LSTM模型生成文本 // 131 8.6.2 使用Keras中的 LSTM模型生成文本 // 134 8.7 总结 // 137第 9章 基于TensorFlow和Keras的 CNN // 138 9.1 理解卷积 // 138 9.2 理解池化 // 141 9.3 CNN架构模式 - LeNet // 142 9.4 在MNIST数据集上构建 LeNet // 143 9.4.1 使用 TensorFlow的 LeNet CNN对 MNIST数据集进行分类 // 143 9.4.2 使用 Keras的 LeNet CNN对MNIST数据集进行分类 // 146 9.5 在CIFAR10数据集上构建LeNet // 148 9.5.1 使用TensorFlow的 CNN对CIFAR10数据集进行分类 // 149 9.5.2 使用Keras的 CNN对CIFAR10数据集进行分类 // 150 9.6 总结 // 151 0章 基于TensorFlow和Keras的自编码器 // 152 10.1 自编码器类型 // 152 10.2 基于TensorFlow的堆叠自编码器 // 154 10.3 基于Keras的堆叠自编码器 // 157 10.4 基于TensorFlow的去噪自编码器 // 159 10.5 基于Keras的去噪自编码器 // 161 10.6 基于TensorFlow的变分自编码器 // 162 10.7 基于Keras的变分自编码器 // 167 10.8 总结 // 170 1章 使用TF服务提供生成环境下的 TensorFlow模型 // 171 11.1 在 TensorFlow中保存和恢复模型 // 171 11.1.1 使用saver类保存和恢复所有网络计算图变量 // 172 11.1.2 使用saver类保存和恢复所选变量 // 173 11.2 保存和恢复 Keras模型 // 175 11.3 TensorFlow服务 // 175 11.3.1 安装TF服务 // 175 11.3.2 保存TF服务的模型 // 176 11.3.3 使用TF服务提供服务模型 // 180 11.4 在Docker容器提 TF服务 // 181 11.4.1 安装Docker // 182 11.4.2 为TF服务构建 Docker镜像 // 183 11.4.3 在Docker容器提模型 // 185 11.5 基于Kubernetes的 TF服务 // 186 11.5.1 安装 Kubernetes // 186 11.5.2 将 Docker镜像上传到dockerhub // 187 11.5.3 在 Kubernetes中部署 // 188 11.6 总结 // 192 2章 迁移学习模型和预训练模型 // 193 12.1 ImageNet数据集 // 193 12.2 重新训练或微调模型 // 196 1. COCO动物数据集和预处理图像 // 197 12.4 TensorFlow中的 VGG16 // 203 12.4.1 使用TensorFlow中预先训练的VGG16进行图像分类 // 204 12.5 将TensorFlow中的图像预处理用于预先训练的 VGG16 // 208 12.5.1 使用TensorFlow中重新训练的VGG16进行图像分类 // 209 12.6 Keras中的 VGG16 // 215 12.6.1 使用Keras中预先训练的VGG16进行图像分类 // 215 12.6.2 使用Keras中重新训练的VGG16进行图像分类 // 220 12.7 TensorFlow中的 Inception v3 // 226 12.7.1 使用TensorFlow中 Inception v3进行图像分类 // 226 12.7.2 使用TensorFlow中重新训练的Inception v3进行图像分类 // 112.8 总结 // 3章 深度强化学习 // 13.1 OpenAI Gym 101 // 13.2 将简单的策略应用于 cartpole游戏 // 242 13.3 强化学习 101 // 246 13.3.1 函数(在模型无效时学习优化)// 246 13.3.2 强化学习算法的探索与开发 // 246 13.3.3 V函数(在模型可用时学习优化)// 247 13.3.4 强化学习技巧 // 247 13.4 强化学习的朴素神经网络策略 // 248 13.5 实施 -Learning // 250 13.5.1 -Learning的初始化和离散化 // 251 13.5.2 基于表的 -Learning // 252 13.5.3 使用网络或深度 网络(DN)进行 -Learning // 253 13.6 总结 // 254 4章 生成对抗网络(GAN) // 256 14.1 GAN 101 // 256 14.2 建立和训练 GAN的实践 // 258 14.3 基于TensorFlow的简单 GAN // 258 14.4 基于Keras的简单 GAN // 263 14.5 基于TensorFlow和 Keras的深度卷积 GAN // 268 14.6 总结 // 270 5章 基于TensorFlow集群的分布式模型 // 271 15.1 分布式执行策略 // 271 15.2 TensorFlow集群 // 272 15.2.1 定义集群规范 // 274 15.2.2 创建服务器实例 // 274 15.. 定义服务器和设备之间的参数和操作 // 276 15.2.4 定义并训练计算图以进行异步更新 // 276 15.2.5 定义并训练计算图以进行同步更新 // 281 15.3 总结 // 282 6章 移动和嵌入式平台上的TensorFlow模型 // 283 16.1 移动平台上的 TensorFlow // 283 16.2 Android应用程序中的 TF Mobile // 284 16.3 演示Android上的 TF Mobile // 285 16.4 iOS应用程序中的 TF Mobile // 287 16.5 演示iOS上的TF Mobile // 288 16.6 TensorFlow Lite // 289 16.7 演示Android上的TF Lite应用程序 // 290 16.8 演示iOS上的TF Lite应用程序 // 291 16.9 总结 // 291 7章 R中的 TensorFlow和 Keras // 292 17.1 在R中安装 TensorFlow和 Keras软件包 // 292 17.2 R中的TF核心 API // 294 17.3 R中的TF Estimator API // 295 17.4 R中的Keras API // 297 17.5 R中的TensorBoard // 300 17.6 R中的tfruns包 // 302 17.7 总结 // 304 8章 调试TensorFlow模型 // 305 18.1 使用tf.Session.run( )获取张量值 // 305 18.2 使用tf.Print( )输出张量值 // 306 18.3 使用tf.Assert( )断言条件 // 306 18.4 使用TensorFlow调试器(tfdbg)进行调试 // 308 18.5 总结 // 310附录 张量处理单元 // 311
ArmandoFandango利用自己在深度学习、计算方法和分布式计算方面的专业知识,创造了人工智能(AI)产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司,其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司,这家非盈利机构主要帮美国退役军人掌握AI技能。Armando出版了2本专著,并在国际期刊和会议上发表了他的研究成果。
抢购价:¥ 38.00
易购价:¥ 38.00
注:参加抢购将不再享受其他优惠活动
亲,很抱歉,您购买的宝贝销售异常火爆,让小苏措手不及,请稍后再试~
验证码错误
看不清楚?换一张
确定关闭
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
查看我的收藏夹
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
继续等待
0小时0分
立即开通
SUPER会员