TensorFlow深度學(xué)習(xí)應(yīng)用實(shí)踐

定　價(jià)：￥89.00

作　者：	王曉華著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥78.30)

ISBN：	9787302487951	出版時(shí)間：	2017-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	458	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書總的指導(dǎo)思想是在掌握深度學(xué)習(xí)的基本知識(shí)和特性的基礎(chǔ)上，培養(yǎng)使用TensorFlow進(jìn)行實(shí)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(xì)的程序分析，介紹TensorFlow的基本用法、高級(jí)模型設(shè)計(jì)和對(duì)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(xué)習(xí)模型的創(chuàng)建、模型的特性、算法、ResNet、Slim、GAN等。本書強(qiáng)調(diào)理論聯(lián)系實(shí)際，重點(diǎn)介紹TensorFlow編程解決圖像識(shí)別的應(yīng)用，提供了大量數(shù)據(jù)集，并以代碼的形式實(shí)現(xiàn)了深度學(xué)習(xí)模型，以供讀者參考。本書既可作為學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、TensorFlow程序設(shè)計(jì)以及圖像處理等相關(guān)內(nèi)容的程序設(shè)計(jì)人員培訓(xùn)和自學(xué)用書，也可作為高等院校和培訓(xùn)機(jī)構(gòu)相關(guān)專業(yè)的教材。

作者簡(jiǎn)介

　　王曉華，高校資深計(jì)算機(jī)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(jì)、數(shù)據(jù)結(jié)構(gòu)、Hadoop程序設(shè)計(jì)等相關(guān)課程。主要研究方向?yàn)樵朴?jì)算、數(shù)據(jù)挖掘。曾主持和參與多項(xiàng)國家和省級(jí)科研課題，獨(dú)立完成一項(xiàng)科研成果獲省級(jí)成果認(rèn)定，發(fā)表過多篇論文，申請(qǐng)有一項(xiàng)專利。著有《Spark MLlib機(jī)器學(xué)習(xí)實(shí)踐》等圖書。

圖書目錄

目錄
目錄
第1章星星之火 1
1.1 計(jì)算機(jī)視覺與深度學(xué)習(xí) 1
1.1.1 人類視覺神經(jīng)的啟迪 2
1.1.2 計(jì)算機(jī)視覺的難點(diǎn)與人工神經(jīng)網(wǎng)絡(luò) 3
1.1.3 應(yīng)用深度學(xué)習(xí)解決計(jì)算機(jī)視覺問題 4
1.2 計(jì)算機(jī)視覺學(xué)習(xí)的基礎(chǔ)與研究方向 5
1.2.1 學(xué)習(xí)計(jì)算機(jī)視覺結(jié)構(gòu)圖 5
1.2.2 計(jì)算機(jī)視覺的學(xué)習(xí)方式和未來趨勢(shì) 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(jì)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(xué)習(xí)的理論基礎(chǔ)——機(jī)器學(xué)習(xí) 22
3.1 機(jī)器學(xué)習(xí)基本分類 22
3.1.1 基于學(xué)科的分類 22
3.1.2 基于學(xué)習(xí)模式的分類 23
3.1.3 基于應(yīng)用領(lǐng)域的分類 23
3.2 機(jī)器學(xué)習(xí)基本算法 24
3.2.1 機(jī)器學(xué)習(xí)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(xué)生的故事——求圓的面積 27
3.3.2 機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)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(jì)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(biāo)圖的展示 42
4.2.3 玩?zhèn)€大的 44
4.3 深度學(xué)習(xí)理論方法——相似度計(jì)算 46
4.3.1 基于歐幾里得距離的相似度計(jì)算 46
4.3.2 基于余弦角度的相似度計(jì)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(jì)學(xué)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(biāo)準(zhǔn)化 53
4.4.4 數(shù)據(jù)的平行化處理 55
4.4.5 熱點(diǎn)圖——屬性相關(guān)性檢測(cè) 57
4.5 Python實(shí)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(jì) 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(chǔ)格式 62
5.1.2 圖像的讀取與存儲(chǔ) 64
5.1.3 圖像的轉(zhuǎn)換 65
5.1.4 使用NumPy模塊對(duì)圖像進(jìn)行編輯 66
5.2 OpenCV的卷積核處理 68
5.2.1 計(jì)算機(jī)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(jìn)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(kuò)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(kuò)大圖像數(shù)據(jù)庫 77
6.2.1 圖像的隨機(jī)裁剪 77
6.2.2 圖像的隨機(jī)旋轉(zhuǎn)變換 78
6.2.3 圖像色彩的隨機(jī)變換 79
6.2.4 對(duì)鼠標(biāo)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(chǎng) 82
7.1.1 I want to play a game 82
7.1.2 TensorFlow游樂場(chǎng)背后的故事 86
7.1.3 如何訓(xùn)練神經(jīng)網(wǎng)絡(luò) 88
7.2 初識(shí)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(jì)算 100
8.4 Hello TensorFlow 102
8.5 本章小結(jié) 107