掃一掃
關(guān)注中圖網(wǎng)
官方微博
TensorFlow深度學(xué)習(xí)(原書(shū)第2版)
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
352
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書(shū)第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門(mén)到精通-(附贈(zèng)1DVD.含語(yǔ)音視頻教學(xué)+辦公模板+PDF電子書(shū))
中圖價(jià):¥75.2
加入購(gòu)物車(chē)
TensorFlow深度學(xué)習(xí)(原書(shū)第2版) 版權(quán)信息
- ISBN：9787111646617
- 條形碼：9787111646617 ; 978-7-111-64661-7
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
TensorFlow深度學(xué)習(xí)(原書(shū)第2版) 本書(shū)特色
《TensorFlow深度學(xué)習(xí)（原書(shū)第2版）》深入介紹了如何使用 TensorFlow 構(gòu)建深度學(xué)習(xí)應(yīng)用，從實(shí)踐的角度講解深度學(xué)習(xí)知識(shí)。本書(shū)主要內(nèi)容包括深度學(xué)習(xí)入門(mén)，介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)知識(shí)； TensorFlow的主要特性，以及 TensorFlow的安裝與配置，通過(guò)示例進(jìn)行 TensorFlow計(jì)算、數(shù)據(jù)和編程模型的學(xué)習(xí)；基于TensorFlow的前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、優(yōu)化 TensorFlow自編碼器以及循環(huán)神經(jīng)網(wǎng)絡(luò)。此外，《TensorFlow深度學(xué)習(xí)（原書(shū)第2版）》還介紹了關(guān)于異構(gòu)和分布式計(jì)算的內(nèi)容，學(xué)習(xí)如何在GPU板卡和分布式系統(tǒng)上執(zhí)行TensorFlow模型。在TensorFlow高級(jí)編程部分對(duì)TensorFlow基本庫(kù)進(jìn)行了概述。末尾，本書(shū)介紹了基于因子分解機(jī)的推薦系統(tǒng)以及強(qiáng)化學(xué)習(xí)。
TensorFlow深度學(xué)習(xí)(原書(shū)第2版) 內(nèi)容簡(jiǎn)介
1.介紹了深度學(xué)習(xí)的核心概念，并采用了*新版本的TensorFlow。
2.深入講解了如何使用 TensorFlow 構(gòu)建深度學(xué)習(xí)應(yīng)用，從實(shí)踐的角度講解了深度學(xué)習(xí)知識(shí)。
3.學(xué)習(xí)如何利用前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器和因子分解機(jī)為機(jī)器學(xué)習(xí)系統(tǒng)開(kāi)發(fā)深度學(xué)習(xí)應(yīng)用程序，并了解如何在GPU上實(shí)現(xiàn)分布式深度學(xué)習(xí)程序設(shè)計(jì)。
4.既討論了許多實(shí)際技術(shù)問(wèn)題，也簡(jiǎn)要介紹了一些問(wèn)題的理論基礎(chǔ)。
TensorFlow深度學(xué)習(xí)(原書(shū)第2版) 目錄
譯者序
原書(shū)前言
作者簡(jiǎn)介
評(píng)閱人簡(jiǎn)介
第 1章 深度學(xué)習(xí)入門(mén) // 1
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 // 1
1.1.1 監(jiān)督學(xué)習(xí) // 3
1.1.2 不平衡數(shù)據(jù) // 4
1.1.3 無(wú)監(jiān)督學(xué)習(xí) // 4
1.1.4 強(qiáng)化學(xué)習(xí) // 5
1.1.5 什么是深度學(xué)習(xí) // 6
1.2 人工神經(jīng)網(wǎng)絡(luò) // 7
1.2.1 生物神經(jīng)元 // 8
1.2.2 人工神經(jīng)元 // 9
1.3 人工神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)的 // 10
1.3.1 人工神經(jīng)網(wǎng)絡(luò)與反向傳播算法 // 10
1.3.2 權(quán)重優(yōu)化 // 11
1.3.3 隨機(jī)梯度下降 // 11
1.4 人工神經(jīng)網(wǎng)絡(luò)架構(gòu) // 12
1.4.1 深度神經(jīng)網(wǎng)絡(luò) // 12
1.4.2 卷積神經(jīng)網(wǎng)絡(luò) // 15
1.4.3 自編碼器 // 17
1.4.4 循環(huán)神經(jīng)網(wǎng)絡(luò) // 18
1.4.5 新興架構(gòu) // 18
1.5 深度學(xué)習(xí)框架 // 18
1.6 小結(jié) // 21
第 2章 TensorFlow初探 // 22
2.1 TensorFlow概述 // 22
2.2 TensorFlow v1.6的新特性 // 23
2.2.1 支持優(yōu)化的 NVIDIA GPU // 24
2.2.2 TensorFlow Lite簡(jiǎn)介 // 24
2.2.3 動(dòng)態(tài)圖機(jī)制 // 25
2.2.4 優(yōu)化加速線性代數(shù) // 25
2.3 TensorFlow安裝與配置 // 25
2.4 TensorFlow計(jì)算圖 // 26
2.5 TensorFlow代碼結(jié)構(gòu) // 29
2.5.1 TensorFlow下的動(dòng)態(tài)圖機(jī)制 // 31
2.6 TensorFlow數(shù)據(jù)模型 // 32
2.6.1 張量 // 32
2.6.2 秩與維度 // 34
2.6.3 數(shù)據(jù)類(lèi)型 // 35
2.6.4 變量 // 38
2.6.5 Fetches // 39
2.6.6 Feeds和占位符 // 39
2.7 基于 TensorBoard的可視化計(jì)算 // 41
原書(shū)前言
作者簡(jiǎn)介
評(píng)閱人簡(jiǎn)介
第 1章 深度學(xué)習(xí)入門(mén) // 1
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 // 1
1.1.1 監(jiān)督學(xué)習(xí) // 3
1.1.2 不平衡數(shù)據(jù) // 4
1.1.3 無(wú)監(jiān)督學(xué)習(xí) // 4
1.1.4 強(qiáng)化學(xué)習(xí) // 5
1.1.5 什么是深度學(xué)習(xí) // 6
1.2 人工神經(jīng)網(wǎng)絡(luò) // 7
1.2.1 生物神經(jīng)元 // 8
1.2.2 人工神經(jīng)元 // 9
1.3 人工神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)的 // 10
1.3.1 人工神經(jīng)網(wǎng)絡(luò)與反向傳播算法 // 10
1.3.2 權(quán)重優(yōu)化 // 11
1.3.3 隨機(jī)梯度下降 // 11
1.4 人工神經(jīng)網(wǎng)絡(luò)架構(gòu) // 12
1.4.1 深度神經(jīng)網(wǎng)絡(luò) // 12
1.4.2 卷積神經(jīng)網(wǎng)絡(luò) // 15
1.4.3 自編碼器 // 17
1.4.4 循環(huán)神經(jīng)網(wǎng)絡(luò) // 18
1.4.5 新興架構(gòu) // 18
1.5 深度學(xué)習(xí)框架 // 18
1.6 小結(jié) // 21
第 2章 TensorFlow初探 // 22
2.1 TensorFlow概述 // 22
2.2 TensorFlow v1.6的新特性 // 23
2.2.1 支持優(yōu)化的 NVIDIA GPU // 24
2.2.2 TensorFlow Lite簡(jiǎn)介 // 24
2.2.3 動(dòng)態(tài)圖機(jī)制 // 25
2.2.4 優(yōu)化加速線性代數(shù) // 25
2.3 TensorFlow安裝與配置 // 25
2.4 TensorFlow計(jì)算圖 // 26
2.5 TensorFlow代碼結(jié)構(gòu) // 29
2.5.1 TensorFlow下的動(dòng)態(tài)圖機(jī)制 // 31
2.6 TensorFlow數(shù)據(jù)模型 // 32
2.6.1 張量 // 32
2.6.2 秩與維度 // 34
2.6.3 數(shù)據(jù)類(lèi)型 // 35
2.6.4 變量 // 38
2.6.5 Fetches // 39
2.6.6 Feeds和占位符 // 39
2.7 基于 TensorBoard的可視化計(jì)算 // 41
展開(kāi)全部
TensorFlow深度學(xué)習(xí)(原書(shū)第2版) 作者簡(jiǎn)介
Giancarlo Zaccone在管理科學(xué)和工業(yè)領(lǐng)域已有十多年的研究經(jīng)驗(yàn)。Giancarlo曾在意大利國(guó)家研究委員會(huì)的CNR擔(dān)任研究員。作為數(shù)據(jù)科學(xué)和軟件工程項(xiàng)目的一部分，他在數(shù)值計(jì)算、并行計(jì)算和科學(xué)可視化方面積累了豐富經(jīng)驗(yàn)。目前，Giancarlo是一家總部位于荷蘭的公司的一名軟件和系統(tǒng)高級(jí)工程師，主要負(fù)責(zé)測(cè)試和開(kāi)發(fā)太空和國(guó)防應(yīng)用軟件系統(tǒng)。Giancarlo擁有那不勒斯Federico II大學(xué)的物理學(xué)碩士學(xué)位和羅馬La Sapienza大學(xué)的科學(xué)計(jì)算二級(jí)研究生碩士學(xué)位。
Md. Rezaul Karim是德國(guó)Fraunhofer FIT的一名研究科學(xué)家。目前在德國(guó)亞琛工業(yè)大學(xué)攻讀博士學(xué)位。Rezaul曾在愛(ài)爾蘭的數(shù)據(jù)分析中心擔(dān)任研究員。在此之前，還曾在三星電子擔(dān)任首席工程師。另外，還在韓國(guó)京熙大學(xué)的數(shù)據(jù)庫(kù)實(shí)驗(yàn)室擔(dān)任研究助理，并在韓國(guó)的BMTech21公司擔(dān)任研發(fā)工程師。Rezaul擁有9年多的研發(fā)經(jīng)驗(yàn)，對(duì)C、C 、Java、Scala、R和Python中的算法理解和數(shù)據(jù)結(jié)構(gòu)有著堅(jiān)實(shí)的基礎(chǔ)。Rezaul已發(fā)表多篇有關(guān)生物信息學(xué)、語(yǔ)義網(wǎng)絡(luò)、大數(shù)據(jù)、機(jī)器學(xué)習(xí)和利用Spark、Kafka、Docker、Zeppelin、Hadoop和MapReduce實(shí)現(xiàn)深度學(xué)習(xí)的研究論文和技術(shù)報(bào)告。Rezaul還精通（深度）機(jī)器學(xué)習(xí)庫(kù)，如Spark ML、Keras、scikit-learn、TensorFlow、DeepLearning4j、MXNet和H2O。
書(shū)友推薦
- >
上帝之肋:男人的真實(shí)旅程
- >
詩(shī)經(jīng)-先民的歌唱
- >
我與地壇
- >
伯納黛特,你要去哪(2021新版)
- >
唐代進(jìn)士錄
- >
龍榆生：詞曲概論/大家小書(shū)
- >
回憶愛(ài)瑪儂
- >
巴金－再思錄
本類(lèi)暢銷(xiāo)
