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:
本店所有商品

  • 醉染图书Tensorflow 2.0神经网络实践9787111659273
  • 正版全新
    • 作者: (意)保罗·加莱奥内著 | (意)保罗·加莱奥内编 | (意)保罗·加莱奥内译 | (意)保罗·加莱奥内绘
    • 出版社: 机械工业出版社
    • 出版时间:2020-07-01
    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:
    醉染图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: (意)保罗·加莱奥内著| (意)保罗·加莱奥内编| (意)保罗·加莱奥内译| (意)保罗·加莱奥内绘
    • 出版社:机械工业出版社
    • 出版时间:2020-07-01
    • 版次:1
    • 印次:1
    • 页数:245
    • 开本:16开
    • ISBN:9787111659273
    • 版权提供:机械工业出版社
    • 作者:(意)保罗·加莱奥内
    • 著:(意)保罗·加莱奥内
    • 装帧:平装
    • 印次:1
    • 定价:89.00
    • ISBN:9787111659273
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2020-07-01
    • 页数:245
    • 外部编号:1202097937
    • 版次:1
    • 成品尺寸:暂无

    译者序

    前言

    作者简介

    审校者简介

    部分神经网络基础

    章什么是机器学习2

    1.1数据集的重要3

    1.1.1n维空间5

    1.1.2维度诅咒8

    1.2有监督学习9

    1.2.1距离和相似——k-NN算法10

    1.2.2参数模型11

    1..评估模型能——度量指标13

    1.3无监督学习18

    1.4半监督学习19

    1.5总结20

    1.6练习题20

    第2章神经网络与深度学习22

    2.1神经网络

    2.1.1生物神经元

    2.1.2人工神经元24

    2.1.3全连接层25

    2.1.4激活函数27

    2.1.5损失函数29

    2.1.6参数初始化30

    2.优化1

    2.2.1梯度下降法32

    2.2.2梯度下降优化算法34

    2..反向传播和自动微分37

    .卷积神经网络39

    ..1卷积运算符39

    ..2二维卷积40

    ..卷间的二维卷积41

    ..41×1×D卷积44

    2.4正则化45

    2.4.1dropout45

    2.4.2数据扩充48

    2.4.3早期停止48

    2.4.4批量归一化49

    2.5总结50

    2.6练习题51

    第二部分TensorFlow基础

    第3章TensorFlow图架构54

    3.1环境设置55

    3.1.1TensorFlw.x的环境设置56

    3.1.2TensorFlow2.0的环境设置57

    3.2数据流图58

    3.2.1主要结构——tf.Graph60

    3.2.2图定义——从tf.Oraio到tf.Tensor60

    3..图放置——tf.device64

    3.2.4图执行——tf.Session66

    3.2.5静态图中的变量69

    3.3模型定义和训练72

    3.3.1用tf.layers定义模型72

    3.3.2自动微分——损失函数和优化器75

    3.4用Python操作图78

    3.4.1给占位符赋值79

    3.4.2总结记录80

    3.4.3保存模型参数和模型选择81

    3.5总结83

    3.6练习题85

    第4章TensorFlow2.0架构86

    4.1重新学习这个框架87

    4.2Keras框架及其模型88

    4.2.1顺序API90

    4.2.2函数式API92

    4..子类方法93

    4.3eager执行模式和新的特征94

    4.3.1基本示例94

    4.3.2函数,而不是会话96

    4.3.3不再有全局的东西97

    4.3.4控制流99

    4.3.5GradientTape101

    4.3.6定制训练循环102

    4.3.7保存和恢复模型状态105

    4.3.8总结记录和指标度量107

    4.3.9AutoGraph111

    4.4代码库迁移115

    4.5总结117

    4.6练习题117

    第5章高效的数据输入流水线和估计器API120

    5.1高效的数据输入流水线121

    5.1.1输入流水线的结构121

    5.1.2tf.data.Dataset对象122

    5.1.3能优化125

    5.1.4构建自己的数据集126

    5.1.5数据扩充127

    5.1.6TensroFlow数据集——tdfs128

    5.1.7Keras整合130

    5.1.8eager整合131

    5.2估计器API132

    5.2.1数据输入流水线134

    5.2.2定制估计器136

    5..预制估计器139

    5.3总结140

    5.4练习题141

    第三部分神经网络应用

    第6章使用TensorFlowHub进行图像分类144

    6.1获取数据145

    6.2迁移学习147

    6.2.1TensorFlowHub149

    6.2.2使用Inceptionv3作为特征提取器150

    6..使数据适应模型152

    6.2.4建立模型——hub.KerasLayer152

    6.2.5训练与评估154

    6.2.6训练速度155

    6.3微调156

    6.3.1何时微调157

    6.3.2TensorFlowHub集成157

    6.3.3训练和评估158

    6.3.4训练速度159

    6.4总结159

    6.5练习题160

    第7章目标检测162

    7.1获取数据163

    7.2目标定位167

    7.2.1定位是一个回归问题168

    7.2.2IU73

    7..平均精度175

    7.2.4平均精度均值175

    7.2.5改进训练脚本176

    7.3分类和定位177

    7.3.1多任务学习177

    7.3.2双头网络178

    7.3.3基于锚的检测器180

    7.3.4锚框180

    7.4总结182

    7.5练习题182

    第8章语义分割和自定义数据集生成器184

    8.1语义分割184

    8.1.1挑战185

    8.1.2反卷积——转置卷积186

    8.1.3U-Net架构187

    8.2创建一个TensorFlow数据集生成器191

    8.2.1层次化结构192

    8.2.2数据集类和DatasetInf93

    8..创建数据集分割194

    8.2.4生成示例195

    8.2.5使用生成器198

    8.3模型训练与评估198

    8.3.1数据准备199

    8.3.2训练循环和Keras回调函数199

    8.3.3评估与推论201

    8.4总结203

    8.5练习题204

    第9章生成式对抗网络206

    9.1了解GAN及其应用206

    9.1.1价值函数207

    9.1.2非饱和价值函数208

    9.1.3模型定义和训练阶段208

    9.1.4GAN的应用209

    9.2无条件的GAN211

    9.2.1准备数据211

    9.2.2定义生成器212

    9..定义鉴别器213

    9.2.4定义损失函数214

    9.2.5无条件的GAN中的对抗训练过程215

    9.3有条件的GAN219

    9.3.1为有条件的GAN获取数据220

    9.3.2在有条件的GAN中定义生成器220

    9.3.3在有条件的GAN中定义鉴别器221

    9.3.4对抗训练过程222

    9.4总结2

    9.5练习题224

    0章在生产环境中部署模型226

    10.1SavedModel序列化格式226

    10.1.1特征227

    10.1.2通过Keras模型创建SavedModel228

    10.1.3使用通用函数进行SavedModel转换229

    10.2Python部署1

    10.2.1通用计算图1

    10.2.2Keras模型

    10..平面图4

    10.3支持部署的平台5

    10.3.1TensorFlow.js

    10.3.2Go绑定和tfgo240

    10.4总结243

    10.5练习题244

    TensorFlow是流行的、使用广泛的机器学习框架,它使得每个人都能轻松开发机器学习解决方案。使用TensorFlow 2.0,你将研究一个改进后的框架结构,它提供了大量的新特,以提升开发者的工作效率和便于开发者使用。本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习。本书通过聚焦于开发基于神经网络的解决方案来介绍机器学习。本书从构建深度学习解决方案所需的概念和技术开始介绍,之后将介绍如何创建分类器、构建目标检测和语义分割神经网络、训练生成式模型,以及使用TensorFlow 2.0的工具(如TensorFlow Datasets和TensorFlow Hub)加开过程。学完本书之后,你将能够使用TensorFlow 2.0开发任何机器学习问题的解决方案,并能将它们部署到生产环境之中。你将学到以下内容:? 掌握机器学习和神经网络技术,解决有挑战的任务。? 使用TensorFlow 2.0的新特加开。? 使用TensorFlow Datasets (tfds)和tf.data API建立高效的数据输入流水线。? 使用 TensorFlow Hub进行迁移学习和微调。? 定义和训练神经网络,解决目标检测和语义分割问题。? 训练生成式对抗网络(GAN)生成图像和数据分布。? 使用SavedModel文件格式将模型或者通用的计算图部署到生产环境。

    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