本书为软件工程师和数据科学家而编写，书中简明而全面地介绍了目前的神经网络和深度学习技术。全书展示了基于Keras框架、以Python编码的20多种有效的神经网络。 你将从本书中学到以下内容： 在大型神经网络上使用反向传播算法逐步优化函数 微调神经网络以改结果质量 使用深度学习行图像和音频处理 在特定的案例中使用递归神经张量网络（RNTN）以取得比标准词嵌更好的效果
售 价：¥
纸质售价：¥43.90购买纸书
6.3
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
内容提要
本书赞誉
作者简介
英文版审稿人简介
译者简介
中文版审校者简介
前言
资源与支持
第1章 神经网络基础
1.1 感知机
1.2 多层感知机——第一个神经网络的示例
1.3 实例——手写数字识别
1.4 一种实用的反向传播概述
1.5 走向深度学习之路
1.6 小结
第2章 Keras安装和API
2.1 安装Keras
2.2 配置Keras
2.3 在Docker上安装Keras
2.4 在谷歌Cloud ML上安装Keras
2.5 在亚马逊AWS上安装Keras
2.6 在微软Azure上安装Keras
2.7 Keras API
2.8 自定义训练过程的回调函数
2.9 小结
第3章 深度学习之卷积网络
3.1 深度卷积神经网络——DCNN
3.2 DCNN示例——LeNet
3.3 用深度学习网络识别CIFAR-10图像
3.4 用于大型图片识别的极深度卷积网络
3.5 小结
第4章 生成对抗网络和WaveNet
4.1 什么是生成对抗网络
4.2 深度卷积生成对抗网络
4.3 用Keras adversarial生成MNIST数据
4.4 用Keras adversarial生成CIFAR数据
4.5 WaveNet——一个学习如何产生音频的生成模型
4.6 小结
第5章 词嵌入
5.1 分布式表示
5.2 word2vec
5.3 探索GloVe
5.4 使用预训练好的词向量
5.5 小结
第6章 循环神经网络——RNN
6.1 SimpleRNN单元
6.2 RNN拓扑结构
6.3 梯度消失和梯度爆炸
6.4 长短期记忆网络——LSTM
6.5 门控循环单元——GRU
6.6 双向RNN
6.7 有状态RNN
6.8 其他RNN变体
6.9 小结
第7章 其他深度学习模型
7.1 Keras函数API
7.2 回归网络
7.3 无监督学习——自动编码器
7.4 构造深度网络
7.5 自定义Keras
7.6 生成模型
7.7 小结
第8章 游戏中的AI
8.1 强化学习
8.2 示例——用Keras深度Q网络实现捕捉游戏
8.3 未来之路
8.4 小结
第9章 结束语
9.1 Keras 2.0——新特性
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
