深度学习-基于Python语言和TensorFlow平台 azw3 网盘 高速 下载地址大全 免费

本书从人工智能发展的简要历程和深度学习概念的介绍开始，深入浅出地讲解了如何使用人工智能神经网络（尤其是当前最具潜力与热度的深度学习理论和技术）来解决实际问题。认真阅读完本书，即可掌握深度学习技术的基础知识、重要概念、主要方法和部分最佳实践，并具备足够继续往下深造的自学能力。 本书中的案例均是结合生活中真实场景的鲜活实例，配合从零开始循序渐进的讲解，并尽量避开枯燥的数学理论和烦琐的推导过程，非常适合希望快速入门的学习者和技术人员，也适合希望简要了解人工智能、神经网络、深度学习基本概念和思维方法的读者。

第1章　人工智能极简历史　1 1.1　重要的奠基时期　2 1.1.1　神经元的研究和人工神经元模型的提出　2 1.1.2　计算机和程序的出现　3 1.1.3　图灵测试的提出　4 1.2　人工智能的诞生　4 1.3　第一个快速发展期　5 1.4　人工智能的第一个寒冬　5 1.5　人工智能研究的沉默探索与复苏　6 1.6　人工智能的第二个冬天　9 1.7　再一次腾飞　9 1.7.1　计算机综合计算能力的大幅提升　9 1.7.2　大数据的出现　11 1.7.3　神经网络研究的成熟化　11 1.8　未来展望　13 1.9　本章小结：历史指引未来　18 第2章　开发环境准备　19 2.1　安装Python　20 2.1.1　Windows操作系统下安装Python　20 2.1.2　Mac OS X操作系统下安装Python　29 2.1.3　Linux操作系统下安装Python　30 2.2　安装TensorFlow　30 2.3　打造更舒适的开发环境　32 2.3.1　修改Windows资源管理器的一些显示设置　32 2.3.2　命令提示符CMD的替代方案　34 2.3.3　文本文件编辑器　36 2.3.4　Python语言专用的开发工具　40 2.4　知识背景准备　45 2.4.1　怎样输入Python程序　45 2.4.2　怎样执行Python程序　45 2.4.3　变量　46 2.4.4　函数（方法）　50 2.4.5　对象　51 2.4.6　条件判断与分支　53 2.4.7　循环　54 2.4.8　注释　55 2.4.9　程序运行时出现错误怎么办　55 2.4.10　本章小结：一段示例代码　56 第3章　初识TensorFlow　57 3.1　三好学生成绩问题的引入　58 3.2　搭建解决三好学生成绩问题的神经网络　58 3.3　训练神经网络　62 3.4　本章小结：解决的第一个问题　68 3.5　练习　68 第4章　简化神经网络模型　69 4.1　在程序运行中查看变量取值　70 4.2　张量概念的引入　70 4.3　用向量重新组织输入数据　72 4.4　简化的神经网络模型　75 4.5　概念补充——标量、多维数组等　76 4.5.1　标量　76 4.5.2　多维数组　76 4.5.3　张量的阶和形态　77 4.6　在TensorFlow中查看和设定张量的形态　78 4.7　用softmax函数来规范可变参数　81 4.8　本章小结：线性问题　83 4.9　练习　84 第5章　用神经网络解决非线性问题　85 5.1　非线性问题的引入　86 5.1.1　三好学生评选结果问题　86 5.1.2　二分类问题：是否为三好学生　86 5.1.3　非线性问题　87 5.2　设计神经网络模型　88 5.2.1　激活函数sigmoid　88 5.2.2　使用sigmoid函数后的神经网络模型　89 5.2.3　实现本模型的代码　89 5.3　准备训练数据　90 5.3.1　随机数　90 5.3.2　产生随机训练数据　90 5.4　完整的训练代码　92 5.4.1　使用随机数据进行训练　92 5.4.2　加入偏移量b加快训练过程　94 5.5　进阶：批量生成随机训练数据　97 5.6　本章小结：非线性问题　100 5.7　练习　100 第6章　从文件中载入训练数据　101 6.1　用纯文本文件准备训练数据　102 6.1.1　数据的数字化　102 6.1.2　训练数据的格式　102 6.1.3　数据整理　103 6.1.4　使用CSV格式文件辅助处理数据　104 6.2　加载文件中的训练数据　106 6.2.1　加载函数　106 6.2.2　非数字列的舍弃　106 6.2.3　非数字列与数字列的转换　107 6.2.4　行数据的分拆及如何“喂”给训练过程　108 6.3　本章小结：读取训练数据最常用的方式　110 6.4　练习　110 第7章　多层全连接神经网络　111 7.1　身份证问题的引入　112 7.2　问题分析　112 7.3　单层网络的模型　112 7.4　多层全连接神经网络　115 7.4.1　矩阵乘法　115 7.4.2　如何用矩阵乘法实现全连接层　116 7.4.3　使用均方误差作为计算误差的方法　119 7.4.4　激活函数tanh　120 7.4.5　新的模型　121 7.5　身份证问题新模型的代码实现　121 7.6　进一步优化模型和代码　124 7.7　本章小结：多层、全连接、线性与非线性　125 7.8　练习　126 第8章　保存和载入训练过程　127 8.1　保存训练过程　128 8.2　载入保存的训练过程并继续训练　130 8.3　通过命令行参数控制是否强制重新开始训练　132 8.4　训练过程中手动保存　135 8.5　保存训练过程前征得同意　137 8.6　本章小结：善于利用保存和载入训练过程　139 8.7　练习　139 第9章　查看图形化的模型　140 9.1　数据流图的概念　141 9.2　用TensorBoard查看数据流图　141 9.3　控制TensorBoard图中对象的名称　143 9.4　本章小结：图形化的模型　145 9.5　练习　145 第10章　用训练好的模型进行预测　146 10.1　从命令行参数读取需要预测的数据　147 10.2　从文件中读取数据进行预测　149 10.3　从任意字符串中读取数据进行预测　152 10.4　本章小结：预测与训练的区别　154 10.5　练习　154 第11章　用高级工具简化建模和训练过程　155 11.1　Keras框架介绍　156 11.2　用Keras实现神经网络模型　156 11.3　用Keras进行预测　158 11.4　保存和载入Keras模型　160 11.5　本章小结：方便与灵活度的取舍　161 11.6　练习　161 第12章　在其他语言中调用TensorFlow模型　162 12.1　如何保存模型　163 12.2　在Java语言中载入TensorFlow模型并进行预测计算　165 12.3　在Go语言中载入TensorFlow模型并进行预测计算　167 12.4　本章小结：仅能预测　167 第13章　用卷积神经网络进行图像识别　169 13.1　情凭谁来定错对——一首歌引出的对错问题　170 13.2　卷积神经网络介绍　170 13.2.1　卷积神经网络的基本概念　170 13.2.2　数字图片在计算机中的表达形式　170 13.2.3　卷积层的具体计算过程　172 13.2.4　卷积层的原理和优点　174 13.2.5　卷积神经网络的典型结构　177 13.3　用卷积网络实现图像识别　177 13.3.1　钩叉问题的图像数据格式　177 13.3.2　准备钩叉问题的训练数据　178 13.3.3　设计钩叉问题的神经网络模型并实现　179 13.4　本章小结：进一步优化的方向　183 13.5　练习　183 第14章　循环神经网络初探　184 14.1　循环神经网络简介　185 14.2　长短期记忆模型LSTM的作用　186 14.3　汇率预测问题的引入　186 14.4　用于汇率预测的LSTM神经网络模型　187 14.5　实现汇率预测LSTM网络的代码　188 14.6　用循环神经网络来进行自然语言处理　193 14.7　本章小结：时序有关问题　195 14.8　练习　195 第15章　优化器的选择与设置　196 15.1　优化器的作用　197 15.2　梯度下降算法　197 15.3　学习率的影响　198 15.4　主流优化方法介绍　199 15.5　优化器效率对比　200 15.6　本章小结：渡河之筏　203 第16章　下一步学习方向指南　204 16.1　更多的激活函数　205 16.2　更多的隐藏层类型　205 16.3　确定最适合的神经网络类型　206 16.4　GPU版本　206 16.5　有监督学习与无监督学习　207 16.6　深度学习进阶　207 16.7　升级到最新的TensorFlow版本　207 16.8　本章小结：最后的实例　208

谢琼 计算机软件、通信行业和外语在线教育领域资深专家，国家认证高级系统分析师。在大型国企和世界50强IT跨国公司从事计算机系统、电信行业项目、外语在线教育项目、人工智能/深度学习领域项目多年，曾主持编写国家电信行业安全标准，项目经验丰富，是人工智能英语分析系统“小仙英语伴读”的创始人。课程教授方式深入浅出，对实例的讲解简单易懂，易于理解，尤其适合入门学习者。

暂无其它内容！

暂时还没有人为这本书评论！