白話深度學習與TensorFlow

定　價：￥69.00

作　者：	高揚，衛(wèi)崢著；萬娟繪
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	>計算機/網(wǎng)絡 >人工智能

購買這本書可以去

ISBN：	9787111574576	出版時間：	2017-08-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書基本獨立成冊，適用于零基礎的初學者。基礎篇（第1～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。原理與實踐篇（第4～8章），介紹“老牌”的深度學習網(wǎng)絡的數(shù)學原理和工程實現(xiàn)原理，尤其是第4章，如果能基本讀懂，后面的網(wǎng)絡實現(xiàn)層面的問題基本都可以迎刃而解。涵蓋BP網(wǎng)絡、CNN、RNN的結構、思路、訓練與使用，以及一些常見的綜合性問題。該篇是學習深度學習的重點和難點，作者通過大量示例、推理與實現(xiàn)，幫讀者*大化降低學習曲線。擴展篇（第9～13章），介紹一些網(wǎng)絡的變種和一些較新的網(wǎng)絡特性，涵蓋深度殘差網(wǎng)絡、受限玻爾茲曼機、強化學習、對抗學習，這是讀者進一步學習與實踐思路的鑰匙。最后給出了一些有趣的深度學習應用：人臉識別、作詩姬、大師風圖像處理，有趣又有用。

作者簡介

　　高揚，歡聚時代資深大數(shù)據(jù)專家，曾任金山軟件西山居大數(shù)據(jù)架構師。有多年服務器端開發(fā)經(jīng)驗（多年日本和澳洲工作經(jīng)驗），多年大數(shù)據(jù)架構設計與數(shù)據(jù)分析、處理經(jīng)驗，目前負責歡聚時代直播部深度學習落地相關的研究。擅長傳統(tǒng)機器學習、深度學習、數(shù)據(jù)建模、關系型數(shù)據(jù)庫應用以及大數(shù)據(jù)框架等的應用。衛(wèi)崢，歡聚時代YY娛樂事業(yè)部軟件架構師，曾任西山居軟件架構師。多年的軟件開發(fā)和架構經(jīng)驗，精通C/C++、Python、Golang、JavaScript等多門編程語言，近幾年專注于數(shù)據(jù)處理、機器學和深度學習算法的研究、音視頻圖形圖像處理，應用與服務研發(fā)。曾在新浪網(wǎng)平臺架構部負責音視頻轉碼平臺的架構和研發(fā)工作，為新浪微博、新浪微盤、秒拍等提供視頻在線觀看服務。在慕課網(wǎng)、InfoQ、麥思博、51CTO等平臺擔任講師。萬娟，深圳華為UI設計師，曾任星盤科技有限公司UI設計師平面，對VI設計、包裝、海報設計等、商業(yè)插畫、App交互、網(wǎng)頁設計等有獨到認識。多次參與智能家居和智能音箱等項目的UI設計。多次參加國際和國內(nèi)藝術和工業(yè)設計比賽，并獲獎。從小酷愛繪畫，理想是開一個屬于自己的畫室。

圖書目錄

本書贊譽
序
前　言
基　礎　篇
第1章　機器學習是什么 2
1.1　聚類 4
1.2　回歸 5
1.3　分類 8
1.4　綜合應用 10
1.5　小結 14
第2章　深度學習是什么 15
2.1　神經(jīng)網(wǎng)絡是什么 15
2.1.1　神經(jīng)元 16
2.1.2　激勵函數(shù) 19
2.1.3　神經(jīng)網(wǎng)絡 24
2.2　深度神經(jīng)網(wǎng)絡 25
2.3　深度學習為什么這么強 28
2.3.1　不用再提取特征 28
2.3.2　處理線性不可分 29
2.4　深度學習應用 30
2.4.1　圍棋機器人——AlphaGo 30
2.4.2　被教壞的少女——Tai.ai 32
2.4.3　本田公司的大寶貝——
ASIMO 33
2.5　小結 37
第3章　TensorFlow框架特性與安裝 38
3.1　簡介 38
3.2　與其他框架的對比 39
3.3　其他特點 40
3.4　如何選擇好的框架 44
3.5　安裝TensorFlow 45
3.6　小結 46
原理與實踐篇
第4章　前饋神經(jīng)網(wǎng)絡 50
4.1　網(wǎng)絡結構 50
4.2　線性回歸的訓練 51
4.3　神經(jīng)網(wǎng)絡的訓練 75
4.4　小結 79
第5章　手寫板功能 81
5.1　MNIST介紹 81
5.2　使用TensorFlow完成實驗 86
5.3　神經(jīng)網(wǎng)絡為什么那么強 92
5.3.1　處理線性不可分 93
5.3.2　挑戰(zhàn)“與或非” 95
5.3.3　豐富的VC——強大的空間
劃分能力 98
5.4　驗證集、測試集與防止過擬合 99
5.5　小結 102
第6章　卷積神經(jīng)網(wǎng)絡 103
6.1　與全連接網(wǎng)絡的對比 103
6.2　卷積是什么 104
6.3　卷積核 106
6.4　卷積層其他參數(shù) 108
6.5　池化層 109
6.6　典型CNN網(wǎng)絡 110
6.7　圖片識別 114
6.8　輸出層激勵函數(shù)——SOFTMAX 116
6.8.1　SOFTMAX 116
6.8.2　交叉熵 117
6.9　小試牛刀——卷積網(wǎng)絡做圖片分類 124
6.10　小結 138
第7章　綜合問題 139
7.1　并行計算 139
7.2　隨機梯度下降 142
7.3　梯度消失問題 144
7.4　歸一化 147
7.5　參數(shù)初始化問題 149
7.6　正則化 151
7.7　其他超參數(shù) 155
7.8　不唯一的模型 156
7.9　DropOut 157
7.10　小結 158
第8章　循環(huán)神經(jīng)網(wǎng)絡 159
8.1　隱馬爾可夫模型 159
8.2　RNN和BPTT算法 163
8.2.1　結構 163
8.2.2　訓練過程 163
8.2.3　艱難的誤差傳遞 165
8.3　LSTM算法 167
8.4　應用場景 171
8.5　實踐案例——自動文本生成 174
8.5.1　RNN工程代碼解讀 174
8.5.2　利用RNN學習莎士比亞劇本 183
8.5.3　利用RNN學習維基百科 184
8.6　實踐案例——聊天機器人 185
8.7　小結 196
擴　展　篇
第9章　深度殘差網(wǎng)絡 198
9.1　應用場景 198
9.2　結構解釋與數(shù)學推導 200
9.3　拓撲解釋 205
9.4　Github示例 207
9.5　小結 207
第10章　受限玻爾茲曼機 209
10.1　結構 209
10.2　邏輯回歸 210
10.3　最大似然度 212
10.4　最大似然度示例 214
10.5　損失函數(shù) 215
10.6　應用場景 216
10.7　小結 216
第11章　強化學習 217
11.1　模型核心 218
11.2　馬爾可夫決策過程 219
11.2.1　用游戲開刀 221
11.2.2　準備工作 223
11.2.3　訓練過程 224
11.2.4　問題 226
11.2.5　Q-Learning算法 228
11.3　深度學習中的Q-Learning——DQN 231
11.3.1　OpenAI Gym 234
11.3.2　Atari游戲 237
11.4　小結 238
第12章　對抗學習 239
12.1　目的 239
12.2　訓練模式 240
12.2.1　二元極小極大博弈 240
12.2.2　訓練 242
12.3　CGAN 244
12.4　DCGAN 247
12.5　小結 252
第13章　有趣的深度學習應用 254
13.1　人臉識別 254
13.2　作詩姬 259
13.3　梵高附體 264
13.3.1　網(wǎng)絡結構 265
13.3.2　內(nèi)容損失 268
13.3.3　風格損失 270
13.3.4　系數(shù)比例 271
13.3.5　代碼分析 272
13.4　小結 279
附錄A　VMware Workstation的安裝 280
附錄B　Ubuntu虛擬機的安裝 284
附錄C　Python語言簡介 290
附錄D　安裝Theano 296
附錄E　安裝Keras 297
附錄F　安裝CUDA 298
參考文獻 303