<ul id="knzef"><form id="knzef"></form></ul>

注冊 | 登錄讀書好，好讀書，讀好書！

當前位置：首頁出版圖書科學技術(shù)計算機/網(wǎng)絡(luò)人工智能TensorFlow深度學習應(yīng)用實踐

TensorFlow深度學習應(yīng)用實踐

定　價：￥89.00

作　者：	王曉華著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥78.30)

ISBN：	9787302487951	出版時間：	2017-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	458	字數(shù)：

內(nèi)容簡介

　　本書總的指導思想是在掌握深度學習的基本知識和特性的基礎(chǔ)上，培養(yǎng)使用TensorFlow進行實際編程以解決圖像處理相關(guān)問題的能力。全書力求深入淺出，通過通俗易懂的語言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設(shè)計和對應(yīng)的程序編寫。本書共22章，內(nèi)容包括Python類庫的安裝和使用、TensorFlow基本數(shù)據(jù)結(jié)構(gòu)和使用、TensorFlow數(shù)據(jù)集的創(chuàng)建與讀取、人工神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、全卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)、深度學習模型的創(chuàng)建、模型的特性、算法、ResNet、Slim、GAN等。本書強調(diào)理論聯(lián)系實際，重點介紹TensorFlow編程解決圖像識別的應(yīng)用，提供了大量數(shù)據(jù)集，并以代碼的形式實現(xiàn)了深度學習模型，以供讀者參考。本書既可作為學習人工神經(jīng)網(wǎng)絡(luò)、深度學習、TensorFlow程序設(shè)計以及圖像處理等相關(guān)內(nèi)容的程序設(shè)計人員培訓和自學用書，也可作為高等院校和培訓機構(gòu)相關(guān)專業(yè)的教材。

作者簡介

　　王曉華，高校資深計算機專業(yè)講師，給研究生和本科生講授面向?qū)ο蟪绦蛟O(shè)計、數(shù)據(jù)結(jié)構(gòu)、Hadoop程序設(shè)計等相關(guān)課程。主要研究方向為云計算、數(shù)據(jù)挖掘。曾主持和參與多項國家和省級科研課題，獨立完成一項科研成果獲省級成果認定，發(fā)表過多篇論文，申請有一項專利。著有《Spark MLlib機器學習實踐》等圖書。

圖書目錄

目錄
目錄
第1章星星之火 1
1.1 計算機視覺與深度學習 1
1.1.1 人類視覺神經(jīng)的啟迪 2
1.1.2 計算機視覺的難點與人工神經(jīng)網(wǎng)絡(luò) 3
1.1.3 應(yīng)用深度學習解決計算機視覺問題 4
1.2 計算機視覺學習的基礎(chǔ)與研究方向 5
1.2.1 學習計算機視覺結(jié)構(gòu)圖 5
1.2.2 計算機視覺的學習方式和未來趨勢 6
1.3 本章小結(jié) 7
第2章 Python的安裝與使用 8
2.1 Python基本安裝和用法 8
2.1.1 Anaconda的下載與安裝 9
2.1.2 Python編譯器PyCharm的安裝 12
2.1.3 使用Python計算softmax函數(shù) 16
2.2 Python常用類庫中的threading 17
2.2.1 threading庫的使用 18
2.2.2 threading模塊中最重要的Thread類 18
2.2.3 threading中的Lock類 19
2.2.4 threading中的join類 20
2.3 本章小結(jié) 21
第3章深度學習的理論基礎(chǔ)——機器學習 22
3.1 機器學習基本分類 22
3.1.1 基于學科的分類 22
3.1.2 基于學習模式的分類 23
3.1.3 基于應(yīng)用領(lǐng)域的分類 23
3.2 機器學習基本算法 24
3.2.1 機器學習的算法流程 24
3.2.2 基本算法的分類 25
3.3 算法的理論基礎(chǔ) 26
3.3.1 小學生的故事——求圓的面積 27
3.3.2 機器學習基礎(chǔ)理論——函數(shù)逼近 27
3.4 回歸算法 29
3.4.1 函數(shù)逼近經(jīng)典算法——線性回歸 29
3.4.2 線性回歸的姐妹——邏輯回歸 31
3.5 機器學習的其他算法——決策樹 32
3.5.1 水晶球的秘密 32
3.5.2 決策樹的算法基礎(chǔ)——信息熵 33
3.5.3 決策樹的算法基礎(chǔ)——ID3算法 34
3.6 本章小結(jié) 35
第4章 Python類庫的使用——數(shù)據(jù)處理及可視化展示 37
4.1 從小例子起步——NumPy的初步使用 37
4.1.1 數(shù)據(jù)的矩陣化 37
4.1.2 數(shù)據(jù)分析 39
4.1.3 基于統(tǒng)計分析的數(shù)據(jù)處理 40
4.2 圖形化數(shù)據(jù)處理——Matplotlib包使用 41
4.2.1 差異的可視化 41
4.2.2 坐標圖的展示 42
4.2.3 玩?zhèn)€大的 44
4.3 深度學習理論方法——相似度計算 46
4.3.1 基于歐幾里得距離的相似度計算 46
4.3.2 基于余弦角度的相似度計算 47
4.3.3 歐幾里得相似度與余弦相似度的比較 48
4.4 數(shù)據(jù)的統(tǒng)計學可視化展示 49
4.4.1 數(shù)據(jù)的四分位 49
4.4.2 數(shù)據(jù)的四分位示例 50
4.4.3 數(shù)據(jù)的標準化 53
4.4.4 數(shù)據(jù)的平行化處理 55
4.4.5 熱點圖——屬性相關(guān)性檢測 57
4.5 Python實戰(zhàn)——某地降水的關(guān)系處理 58
4.5.1 不同年份的相同月份統(tǒng)計 58
4.5.2 不同月份之間的增減程度比較 59
4.5.3 每月降水不相關(guān)嗎 60
4.6 本章小結(jié) 61
第5章 OpenCV的基礎(chǔ)使用 62
5.1 OpenCV基本的圖片讀取 62
5.1.1 基本的圖片存儲格式 62
5.1.2 圖像的讀取與存儲 64
5.1.3 圖像的轉(zhuǎn)換 65
5.1.4 使用NumPy模塊對圖像進行編輯 66
5.2 OpenCV的卷積核處理 68
5.2.1 計算機視覺的三種不同色彩空間 68
5.2.2 卷積核與圖像特征提取 68
5.2.3 卷積核進階 70
5.3 本章小結(jié) 72
第6章 OpenCV與TensorFlow的融合 73
6.1 圖片的自由縮放以及邊緣裁剪 73
6.1.1 圖像的擴縮裁挖 73
6.1.2 圖像色調(diào)的調(diào)整 74
6.1.3 圖像的旋轉(zhuǎn)、平移和翻轉(zhuǎn) 76
6.2 使用OpenCV擴大圖像數(shù)據(jù)庫 77
6.2.1 圖像的隨機裁剪 77
6.2.2 圖像的隨機旋轉(zhuǎn)變換 78
6.2.3 圖像色彩的隨機變換 79
6.2.4 對鼠標的監(jiān)控 80
6.3 本章小結(jié) 81
第7章 Let’s play TensorFlow 82
7.1 TensorFlow游樂場 82
7.1.1 I want to play a game 82
7.1.2 TensorFlow游樂場背后的故事 86
7.1.3 如何訓練神經(jīng)網(wǎng)絡(luò) 88
7.2 初識Hello TensorFlow 89
7.2.1 TensorFlow名稱的解釋 89
7.2.2 TensorFlow基本概念 89
7.2.3 TensorFlow基本架構(gòu) 92
7.3 本章小結(jié) 93
第8章 Hello TensorFlow，從0到1 94
8.1 TensorFlow的安裝 94
8.2 TensorFlow常量、變量和數(shù)據(jù)類型 96
8.3 TensorFlow矩陣計算 100
8.4 Hello TensorFlow 102
8.5 本章小結(jié) 107