深度学习实战：基于TensorFlow 2和Keras（原书第2版）

定　价：¥149.00

作　者：	[意] 安东尼奥·古利（Antonio Gulli）著
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787111687719	出版时间：	2021-09-01	包装：
开本：	16开	页数：	484	字数：

内容简介

　　本书简洁且全面地介绍了现代神经网络、人工智能和深度学习技术，专门为软件工程师和数据科学家设计。第1章逐步介绍神经网络的基础知识。第2章比较TensorFlow 1x和TensorFlow 20编程模型。第3章重点介绍回归。第4章介绍卷积神经网络及其在图像处理中的应用。第5章讨论了CNN在图像、视频、音频和文本处理方面的高级应用。第6章重点介绍生成对抗网络。第7章介绍词嵌入。第8章介绍基本嵌入方法的各种扩展。第9章介绍自动编码器。第10章深入研究无监督学习模型。第11章重点介绍强化学习。第12章介绍AutoML。第13章介绍用于移动设备和物联网的TensorFlow的基础知识。第14章讨论了云环境以及如何利用它来训练和部署模型。第15章讨论了深度学习背后的数学。第16章介绍TPU。本书内容丰富，易于理解，示例具有代表性，是学习深度学习的指南。

作者简介

暂缺《深度学习实战：基于TensorFlow 2和Keras（原书第2版）》作者简介

图书目录

前言
作者简介
审校者简介
第1章　基于TensorFlow 20的神经网络基础1
11　TensorFlow是什么1
12　Keras是什么3
13　TensorFlow 20有哪些重要的改动3
14　神经网络概述4
15　感知器5
16　多层感知器—第一个神经网络示例6
161　感知器训练的问题及对策6
162　激活函数—sigmoid函数7
163　激活函数—tanh函数7
164　激活函数—ReLU函数8
165　两个拓展激活函数—ELU函数和LeakyReLU函数8
166　激活函数总结9
167　神经网络到底是什么9
17　示例—识别手写数字10
171　独热编码10
172　在TensorFlow 20中定义一个简单的神经网络10
173　运行一个简单的TensorFlow 20神经网络并建立测试基线14
174　使用隐藏层改进TensorFlow 20的简单神经网络15
175　利用随机失活进一步改进Ten-sor Flow 20的简单神经网络18
176　测试TensorFlow 20的不同优化器19
177　增加epoch数24
178　控制优化器学习率25
179　增加内部隐藏神经元的数量25
1710　增加批量计算的大小26
1711　手写图识别实验总结26
18　正则化27
181　采用正则化以避免过拟合27
182　理解批量归一化28
19　Google Colab—CPU、GPU和TPU29
110　情感分析31
111　超参数调谐和AutoML33
112　预测输出34
113　反向传播的实用概述34
114　我们学到了什么35
115　迈向深度学习方式35
116　参考文献36
第2章　TensorFlow 1x与2x37
21　理解TensorFlow 1x37
211　TensorFlow 1x计算图程序结构37
212　常量、变量和占位符的使用39
213　操作对象示例40
214　TensorFlow 2x中的TensorFlow 1x示例43
22　理解TensorFlow 2x44
221　即刻执行44
222　AutoGraph45
223　Keras API的三种编程模型47
224　回调49
225　保存模型和权重50
226　使用tfdatadatasets训练50
227　tfkeras还是估算器53
228　不规则张量55
229　自定义训练55
2210　TensorFlow 2x中的分布式训练56
2211　命名空间的改动59
2212　1x至2x的转换59
2213　高效使用TensorFlow 2x59
23　TensorFlow 2x生态系统60
24　Keras还是tfkeras61
25　小结62
第3章　回归64
31　什么是回归64
32　使用线性回归进行预测65
321　简单线性回归65
322　多线性回归68
323　多元线性回归68
33　TensorFlow Estimator69
331　特征列69
332　输入函数70
333　使用TensorFlow EstimatorAPI的MNIST70
34　使用线性回归预测房价71
35　分类任务和决策边界75
351　logistic回归75
352　MNIST数据集上的logistic回归76
36　小结80
37　参考文献80
第4章　卷积神经网络81
41　深度卷积神经网络81
411　局部感受野82
412　共享权重和偏差82
413　数学示例83
414　TensorFlow 2x中的ConvNets83
415　池化层84
42　DCNN的示例—LeNet85
421　TensorFlow 20中的LeNet代码85
422　理解深度学习的力量90
43　通过深度学习识别CIFAR-10图像91
431　用更深的网络提高CIFAR-10的性能93
432　用数据增强提高CIFAR-10的性能95
433　基于CIFAR-10预测97
44　用于大规模图像识别的超深度卷积网络98
441　基于VGG16神经网络识别猫100
442　使用tfkeras内置的VGG16 Net模块101
443　复用预建深度学习模型以提取特征102
45　小结103
46　参考文献103
第5章　高级卷积神经网络104
51　计算机视觉104
511　复杂任务的CNN组合104
512　用tfkeras-estimator模型对Fashion-MNIST分类111
513　在GPU上运行Fashion-MNISTtfkeras-estimator模型113
514　用于迁移学习的Deep Inception-v3 Net114
515　迁移学习：分类人和马117
516　基于tfkeras和TensorFlow Hub的Application Zoo120
517　其他CNN架构121
518　回答有关图像的问题124
519　风格迁移127
5110　创建DeepDream网络129
5111　查看深度网络学到的内容132
52　视频133
53　文本文件134
54　音频和音乐137
55　卷积运算小结141
551　基本卷积神经网络141
552　空洞卷积141
553　可分离卷积141
554　深度卷积142
555　深度可分离卷积142
56　胶囊网络142
561　CNN有什么问题142
562　Capsule网络有什么新功能143
57　小结144
58　参考文献144
第6章　生成对抗网络146
61　什么是GAN146
62　深度卷积GAN152
63　一些有趣的GAN架构161
631　SRGAN161
632　CycleGAN162
633　I