万本电子书0元读

万本电子书0元读

顶部广告

TensorFlow深度学习应用实践电子书

通过TensorFlow图像处理,全面掌握深度学习模型及应用全面深讲解反馈神经网络和卷积神经网络理论体系结合深度学习实际案例的实现,掌握TensorFlow程序设计方法和技巧着重深度学习实际应用程序发能力和解决问题能力的培养

售       价:¥

纸质售价:¥70.30购买纸书

304人正在读 | 2人评论 6.3

作       者:王晓华

出  版  社:清华大学出版社

出版时间:2018-01-01

字       数:19.2万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(条)
  • 读书简介
  • 目录
  • 累计评论(条)
本书总的指导思想是在掌握深度学习的基本知识和特性的基础上,培养使用TensorFlow行实际编程以解决图像处理相关问题的能力。全书力求深浅出,通过通俗易懂的语言和详细的程序分析,介绍TensorFlow的基本用法、高级模型设计和对应的程序编写。 本书共22章,内容包括Python类库的安装和使用、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、人工神经网络、反馈神经网络、全卷积神经网络的理论基础、深度学习模型的创建、模型的特性、算法、ResNet、Slim、GAN等。本书强调理论联系实际,重介绍TensorFlow编程解决图像识别的应用,提供了大量数据集,并以代码的形式实现了深度学习模型,以供读者参考。 本书既可作为学习人工神经网络、深度学习、TensorFlow程序设计以及图像处理等相关内容的程序设计人员培训和自学用书,也可作为高等院校和培训机构相关专业的教材。<br/>【推荐语】<br/>通过TensorFlow图像处理,全面掌握深度学习模型及应用全面深讲解反馈神经网络和卷积神经网络理论体系结合深度学习实际案例的实现,掌握TensorFlow程序设计方法和技巧着重深度学习实际应用程序发能力和解决问题能力的培养<br/>【作者】<br/>王晓华,高校资深计算机专业讲师,给研究生和本科生讲授面向对象程序设计、数据结构、Hadoop程序设计等相关课程。主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题,独立完成一项科研成果获省级成果认定,发表过多篇论文,申请有一项专利。著有《Spark MLlib机器学习实践》等图书。<br/>
目录展开

内容简介

作者简介

推荐序

前言

写作本书的原因

本书的优势

本书的内容

本书的特点

本书适合人群

本书适合人群

本书作者

第1章 星星之火

1.1 计算机视觉与深度学习

1.1.1 人类视觉神经的启迪

1.1.2 计算机视觉的难点与人工神经网络

1.1.3 应用深度学习解决计算机视觉问题

1.2 计算机视觉学习的基础与研究方向

1.2.1 学习计算机视觉结构图

1.2.2 计算机视觉的学习方式和未来趋势

1.3 本章小结

第2章 Python的安装与使用

2.1 Python基本安装和用法

2.1.1 Anaconda的下载与安装

2.1.2 Python编译器PyCharm的安装

2.1.3 使用Python计算softmax函数

2.2 Python常用类库中的threading

2.2.1 threading库的使用

2.2.2 threading模块中最重要的Thread类

2.2.3 threading中的Lock类

2.2.4 threading中的join类

2.3 本章小结

第3章 深度学习的理论基础——机器学习

3.1 机器学习基本分类

3.1.1 基于学科的分类

3.1.2 基于学习模式的分类

3.1.3 基于应用领域的分类

3.2 机器学习基本算法

3.2.1 机器学习的算法流程

3.2.2 基本算法的分类

3.3 算法的理论基础

3.3.1 小学生的故事——求圆的面积

3.3.2 机器学习基础理论——函数逼近

3.4 回归算法

3.4.1 函数逼近经典算法——线性回归

3.4.2 线性回归的姐妹——逻辑回归

3.5 机器学习的其他算法——决策树

3.5.1 水晶球的秘密

3.5.2 决策树的算法基础——信息熵

3.5.3 决策树的算法基础——ID3算法

3.6 本章小结

第4章 Python类库的使用——数据处理及可视化展示

4.1 从小例子起步——NumPy的初步使用

4.1.1 数据的矩阵化

4.1.2 数据分析

4.1.3 基于统计分析的数据处理

4.2 图形化数据处理——Matplotlib包使用

4.2.1 差异的可视化

4.2.2 坐标图的展示

4.2.3 玩个大的

4.3 深度学习理论方法——相似度计算

4.3.1 基于欧几里得距离的相似度计算

4.3.2 基于余弦角度的相似度计算

4.3.3 欧几里得相似度与余弦相似度的比较

4.4 数据的统计学可视化展示

4.4.1 数据的四分位

4.4.2 数据的四分位示例

4.4.3 数据的标准化

4.4.4 数据的平行化处理

4.4.5 热点图——属性相关性检测

4.5 Python实战——某地降水的关系处理

4.5.1 不同年份的相同月份统计

4.5.2 不同月份之间的增减程度比较

4.5.3 每月降水不相关吗

4.6 本章小结

第5章 OpenCV的基础使用

5.1 OpenCV基本的图片读取

5.1.1 基本的图片存储格式

5.1.2 图像的读取与存储

5.1.3 图像的转换

5.1.4 使用NumPy模块对图像进行编辑

5.2 OpenCV的卷积核处理

5.2.1 计算机视觉的三种不同色彩空间

5.2.2 卷积核与图像特征提取

5.2.3 卷积核进阶

5.3 本章小结

第6章 OpenCV与TensorFlow的融合

6.1 图片的自由缩放以及边缘裁剪

6.1.1 图像的扩缩裁挖

6.1.2 图像色调的调整

6.1.3 图像的旋转、平移和翻转

6.2 使用OpenCV扩大图像数据库

6.2.1 图像的随机裁剪

6.2.2 图像的随机旋转变换

6.2.3 图像色彩的随机变换

6.2.4 对鼠标的监控

6.3 本章小结

第7章 Let’s play TensorFlow

7.1 TensorFlow游乐场

7.1.1 I want to play a game

7.1.2 TensorFlow游乐场背后的故事

7.1.3 如何训练神经网络

7.2 初识Hello TensorFlow

7.2.1 TensorFlow名称的解释

7.2.2 TensorFlow基本概念

7.2.3 TensorFlow基本架构

7.3 本章小结

第8章 Hello TensorFlow,从0到1

8.1 TensorFlow的安装

8.2 TensorFlow常量、变量和数据类型

8.3 TensorFlow矩阵计算

8.4 Hello TensorFlow

8.5 本章小结

第9章 TensorFlow重要算法基础

9.1 BP神经网络简介

9.2 BP神经网络中的两个基础算法

9.2.1 最小二乘法(LS算法)详解

9.2.2 道士下山的故事——梯度下降算法

9.3 TensorFlow实战——房屋价格的计算

9.3.1 数据收集

9.3.2 模型的建立与计算

9.3.3 TensorFlow程序设计

9.4 反馈神经网络反向传播算法

9.4.1 深度学习基础

9.4.2 链式求导法则

9.4.3 反馈神经网络原理与公式推导

9.4.4 反馈神经网络原理的激活函数

9.4.5 反馈神经网络原理的Python实现

9.5 本章小结

第10章 TensorFlow数据的生成与读取详解

10.1 TensorFlow的队列

10.1.1 队列的创建

10.1.2 线程同步与停止

10.1.3 队列中数据的读取

10.2 CSV文件的创建与读取

10.2.1 CSV文件的创建

10.2.2 CSV文件的读取

10.3 TensorFlow文件的创建与读取

10.3.1 TFRecords文件的创建

10.3.2 TFRecords文件的读取

10.3.3 图片文件的创建与读取

10.4 本章小结

第11章 回归分析——从TensorFlow陷阱与细节开始

11.1 TensorFlow线性回归

11.1.1 线性回归详解与编程实战

11.1.2 线性回归编程中的陷阱与细节设计

11.1.3 TensorFlow多元线性回归

11.2 多元线性回归实战编程

11.2.1 多元线性回归实战的编程—房屋价格计算

11.2.2 多元线性回归实战的推广——数据的矩阵化

11.3 逻辑回归详解

11.3.1 逻辑回归不是回归算法

11.3.2 常用的逻辑回归特征变化与结果转换

11.3.3 逻辑回归的损失函数

11.3.4 逻辑回归编程实战——胃癌的转移判断

11.4 本章小结

第12章 TensorFlow编程实战——MNIST手写体识别

12.1 MNIST数据集

12.1.1 MNIST是什么

12.1.2 MNIST数据集的特征和标签

12.2 MNIST数据集实战编程

12.2.1 softmax激活函数

12.2.2 MNIST编程实战

12.2.3 为了更高的准确率

12.2.4 增加更多的深度

12.3 初识卷积神经网络

12.3.1 卷积神经网络

12.3.2 卷积神经网络的程序编写

12.3.3 多层卷积神经网络的程序编写

12.4 本章小结

第13章 卷积神经网络原理

13.1 卷积运算基本概念

13.1.1 卷积运算

13.1.2 TensorFlow中卷积函数实现详解

13.1.3 使用卷积函数对图像感兴趣区域进行标注

13.1.4 池化运算

13.1.5 使用池化运算加强卷积特征提取

13.2 卷积神经网络的结构详解

13.2.1 卷积神经网络原理

13.2.2 卷积神经网络的应用实例——LeNet5网络结构

13.2.3 卷积神经网络的训练

13.3 TensorFlow实现LeNet实例

13.3.1 LeNet模型分解

13.3.2 使用ReLU激活函数代替sigmoid

13.3.3 程序的重构——模块化设计

13.3.4 卷积核和隐藏层参数的修改

13.4 本章小结

第14章 卷积神经网络公式推导与应用

14.1 反馈神经网络算法

14.1.1 经典反馈神经网络正向与反向传播公式推导

14.1.2 卷积神经网络正向与反向传播公式推导

14.2 使用卷积神经网络分辨CIFAR-10数据集

14.2.1 CIFAR-10数据集下载与介绍

14.2.2 CIFAR-10模型的构建与数据处理

14.2.3 CIFAR-10模型的细节描述与参数重构

14.3 本章小结

第15章 猫狗大战——实战AlexNet

15.1 AlexNet简介

15.1.1 AlexNet模型解读

15.1.2 AlexNet程序的实现

15.2 实战猫狗大战——AlexNet模型

15.2.1 数据的收集与处理

15.2.2 模型的训练与存储

15.2.3 使用训练过的模型预测图片

15.2.4 使用Batch_Normalization正则化处理数据集

15.3 本章小结

第16章 我们都爱Finetuning——复用VGG16进行猫狗大战

16.1 TensorFlow模型保存与恢复详解

16.1.1 TensorFlow保存和恢复函数的使用

16.1.2 多次模型的保存和恢复

16.1.3 实战TensorFlow模型的存储与恢复

16.2 更为细化的保存和恢复方法

16.2.1 存储文件的解读

16.2.2 更细节地对模型进行恢复和处理

16.3 VGGNet实现

16.3.1 VGGNet模型解读及与AlexNet比较

16.3.2 VGGNet模型的TensorFlow实现

16.4 使用已训练好的模型和权重复现VGGNet

16.4.1 npz文件的读取

16.4.2 复用的VGGNet模型定义

16.4.3 保存复用的VGGNet模型为TensorFlow格式

16.5 猫狗大战V2——Finetuning使用VGGNet进行图像判断

16.5.1 Finetuning基本理解

16.5.2 猫狗大战——Finetuning使用VGGNet

16.6 本章小结

第17章 开始找工作吧——深度学习常用面试问题答疑

17.1 深度学习面试常用问题答疑

17.1.1 如何降低过拟合

17.1.2 全连接层详解

17.1.3 激活函数起作用的原因

17.1.4 卷积后的图像大小

17.1.5 池化层的作用

17.1.6 为什么在最后分类时使用softmax而不是传统的SVM

17.2 卷积神经网络调优面试问答汇总

17.2.1 数据集的注意事项

17.2.2 卷积模型训练的注意事项

17.3 NIN模型介绍

17.3.1 NIN模型简介

17.3.2 猫狗大战——NIN的代码实现

17.4 “deeper is better”——GoogLeNet模型介绍

17.4.1 GoogLeNet模型的介绍

17.4.2 GoogLeNet模型单元的TensorFlow实现

17.4.3 GoogLeNet模型的一些注意事项

17.5 本章小结

第18章 暂时的冠军——ResNet简介及TensorFlow实现

18.1 ResNet模型简介

18.1.1 ResNet模型定义

18.1.2 定义工具的TensorFlow实现

18.1.3 ResNet模型的TensorFlow实现

18.2 新兴的卷积神经模型简介

18.2.1 SqueezeNet模型简介

18.2.2 Xception模型简介

18.3 本章小结

第19章 TensorFlow高级API——Slim使用入门

19.1 Slim详解

19.2 Slim使用方法介绍

19.2.1 Slim中变量使用方法介绍

19.2.2 Slim中层的使用方法介绍

19.2.3 Slim中参数空间使用方法介绍

19.3 实战——使用Slim定义VGG16

19.3.1 VGG16结构图和TensorFlow定义

19.3.2 使用Slim创建VGG16并训练

19.4 实战—使用Slim设计多层感知器(MLP)

19.4.1 MLP的Slim实现

19.4.2 MLP模型的评估

19.5 Slim数据读取方式

19.5.1 Slim数据读取格式

19.5.2 生成TFRecords格式数据

19.5.3 使用Slim读取TFRecords格式数据

19.6 本章小结

第20章 Slim使用进阶

20.1 使用Slim创建卷积神经网络(CNN)

20.1.1 数据集获取

20.1.2 创建卷积神经网络

20.1.3 训练Slim创建的卷积网络

20.2 使用Slim预训练模型进行Finetuning

20.2.1 Inception-ResNet-v2模型简介

20.2.2 使用Inception-ResNet-v2预训练模型参数

20.2.3 修改Inception-ResNet-v2预训练模型输出层级

20.3 本章小结

第21章 全卷积神经网络图像分割入门

21.1 全卷积神经网络进行图像分割的理论基础

21.1.1 全连接层和全卷积层

21.1.2 反卷积(upsampling)计算

21.2 全卷积神经网络进行图像分割的分步流程与编程基础

21.2.1 使用VGG16进行图像识别

21.2.2 上采样(upsampling)详解

21.2.3 一种常用的卷积核—双线插值

21.2.4 实战——使用VGG16全卷积网络进行图像分割

21.3 本章小结

第22章 不服就是GAN——对抗生成网络

22.1 对抗生成网络详解

22.1.1 GAN的基本原理介绍

22.1.2 简单GAN的TensorFlow实现

22.2 从0到1—实战:使用GAN生成手写体数字

22.2.1 分步骤简介

22.2.2 GAN网络的训练

22.3 本章小结

累计评论(条) 个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部