深度学习算法实践（基于Theano和TensorFlow） word 网盘 高速 下载地址大全 免费

《深度学习算法实践（基于Theano和TensorFlow）》以深度学习算法入门为主要内容，通过系统介绍Python、NumPy、SciPy等科学计算库，深度学习主流算法，深度学习前沿研究，深度学习服务云平台构建四大主线，向读者系统地介绍了深度学习的主要内容和研究进展。《深度学习算法实践（基于Theano和TensorFlow）》介绍了Python、NumPy、SciPy的使用技巧，面向谷歌推出的开源深度学习框架TensorFlow，向读者展示了利用TensorFlow和Theano框架实现线性回归、逻辑回归、多层感知器、卷积神经网络、递归神经网络、长短时记忆网络、去噪自动编码机、堆叠自动编码机、受限玻尔兹曼机、深度信念网络等，并将这些技术用于MNIST手写数字识别任务。《深度学习算法实践（基于Theano和TensorFlow）》不仅讲述了深度学习算法本身，而且重点讲述了如何将这些深度学习算法包装成Web服务。《深度学习算法实践（基于Theano和TensorFlow）》旨在帮助广大工程技术人员快速掌握深度学习相关理论和实践，并将这些知识应用到实际工作中。 《深度学习算法实践（基于Theano和TensorFlow）》可以作为各类深度学习培训班的教材，也可以作为全国高等工科院校“深度学习”课程的教材，还可以作为广大人工智能、深度学习领域工程技术人员的参考书。

第一部分 深度学习算法概述 第1章 深度学习算法简介 2 1.1 神经网络发展简史 2 1.1.1 神经网络第一次兴起 3 1.1.2 神经网络沉寂期（20世纪80年代—21世纪） 4 1.1.3 神经网络技术积累期（20世纪90年代—2006年） 5 1.1.4 深度学习算法崛起（2006年至今） 8 1.2 深度学习现状 10 1.2.1 传统神经网络困境 10 1.2.2 深度多层感知器 12 1.2.3 深度卷积神经网络 14 1.2.4 深度递归神经网络 15 1.3 深度学习研究前瞻 16 1.3.1 自动编码机 17 1.3.2 深度信念网络 18 1.3.3 生成式网络最新进展 19 1.4 深度学习框架比较 20 1.4.1 TensorFlow 20 1.4.2 Theano 21 1.4.3 Torch 22 1.4.4 DeepLearning4J 23 1.4.5 Caffe 23 1.4.6 MXNet 24 1.4.7 CNTK 27 1.4.8 深度学习框架造型指导原则 27 1.5 深度学习入门路径 28 1.5.1 运行MNIST 28 1.5.2 深度学习框架的选择 29 1.5.3 小型试验网络 33 1.5.4 训练生产网络 33 1.5.5 搭建生产环境 34 1.5.6 持续改进 35 第二部分 深度学习算法基础 第2章 搭建深度学习开发环境 38 2.1 安装Python开发环境 38 2.1.1 安装最新版本Python 38 2.1.2 Python虚拟环境配置 39 2.1.3 安装科学计算库 40 2.1.4 安装最新版本Theano 40 2.1.5 图形绘制 40 2.2 NumPy简易教程 43 2.2.1 Python基础 43 2.2.2 多维数组的使用 51 2.2.3 向量运算 58 2.2.4 矩阵运算 60 2.2.5 线性代数 62 2.3 TensorFlow简易教程 68 2.3.1 张量定义 69 2.3.2 变量和placeholder 69 2.3.3 神经元激活函数 71 2.3.4 线性代数运算 72 2.3.5 操作数据集 74 2.4 Theano简易教程 77 2.4.1 安装Theano 77 2.4.2 Theano入门 78 2.4.3 Theano矩阵相加 79 2.4.4 变量和共享变量 80 2.4.5 随机数的使用 84 2.4.6 Theano求导 84 2.5 线性回归 86 2.5.1 问题描述 86 2.5.2 线性模型 88 2.5.3 线性回归学习算法 89 2.5.4 解析法 90 2.5.5 Theano实现 93 第3章 逻辑回归 100 3.1 逻辑回归数学基础 100 3.1.1 逻辑回归算法的直观解释 100 3.1.2 逻辑回归算法数学推导 101 3.1.3 牛顿法解逻辑回归问题 103 3.1.4 通用学习模型 106 3.2 逻辑回归算法简单应用 113 3.3 MNIST手写数字识别库简介 124 3.4 逻辑回归MNIST手写数字识别 126 第4章 感知器模型和MLP 139 4.1 感知器模型 139 4.1.1 神经元模型 139 4.1.2 神经网络架构 143 4.2 数值计算形式 144 4.2.1 前向传播 144 4.2.2 误差反向传播 145 4.2.3 算法推导 147 4.3 向量化表示形式 152 4.4 应用要点 153 4.4.1 输入信号模型 154 4.4.2 权值初始化 155 4.4.3 早期停止 155 4.4.4 输入信号调整 156 4.5 TensorFlow实现MLP 156 第5章 卷积神经网络 174 5.1 卷积神经网络原理 174 5.1.1 卷积神经网络的直观理解 174 5.1.2 卷积神经网络构成 177 5.1.3 卷积神经网络设计 191 5.1.4 迁移学习和网络微调 193 5.2 卷积神经网络的TensorFlow实现 195 5.2.1 模型搭建 197 5.2.2 训练方法 203 5.2.3 运行方法 208 第6章 递归神经网络 212 6.1 递归神经网络原理 212 6.1.1 递归神经网络表示方法 213 6.1.2 数学原理 214 6.1.3 简单递归神经网络应用示例 219 6.2 图像标记 226 6.2.1 建立开发环境 226 6.2.2 图像标记数据集处理 227 6.2.3 单步前向传播 229 6.2.4 单步反向传播 231 6.2.5 完整前向传播 234 6.2.6 完整反向传播 236 6.2.7 单词嵌入前向传播 239 6.2.8 单词嵌入反向传播 241 6.2.9 输出层前向/反向传播 243 6.2.10 输出层代价函数计算 245 6.2.11 图像标注网络整体架构 248 6.2.12 代价函数计算 249 6.2.13 生成图像标记 255 6.2.14 网络训练过程 258 6.2.15 网络持久化 265 第7章 长短时记忆网络 269 7.1 长短时记忆网络原理 269 7.1.1 网络架构 269 7.1.2 数学公式 272 7.2 MNIST手写数字识别 274 第三部分 深度学习算法进阶 第8章 自动编码机 286 8.1 自动编码机概述 286 8.1.1 自动编码机原理 287 8.1.2 去噪自动编码机 287 8.1.3 稀疏自动编码机 288 8.2 去噪自动编码机TensorFlow实现 291 8.3 去噪自动编码机的Theano实现 298 第9章 堆叠自动编码机 307 9.1 堆叠去噪自动编码机 308 9.2 TensorFlow实现 322 9.3 Theano实现 341 第10章 受限玻尔兹曼机 344 10.1 受限玻尔兹曼机原理 344 10.1.1 网络架构 344 10.1.2 能量模型 346 10.1.3 CD-K算法 351 10.2 受限玻尔兹曼机TensorFlow实现 353 10.3 受限玻尔兹曼机Theano实现 362 第11章 深度信念网络 381 11.1 深度信念网络原理 381 11.2 深度信念网络TensorFlow实现 382 11.3 深度信念网络Theano实现 403 第四部分 机器学习基础 第12章 生成式学习 420 12.1 高斯判别分析 422 12.1.1 多变量高斯分布 422 12.1.2 高斯判决分析公式 423 12.2 朴素贝叶斯 436 12.2.1 朴素贝叶斯分类器 436 12.2.2 拉普拉斯平滑 439 12.2.3 多项式事件模型 441 第13章 支撑向量机 444 13.1 支撑向量机概述 444 13.1.1 函数间隔和几何间隔 445 13.1.2 最优距离分类器 448 13.2 拉格朗日对偶 448 13.3 最优分类器算法 450 13.4 核方法 453 13.5 非线性可分问题 455 13.6 SMO算法 457 13.6.1 坐标上升算法 458 13.6.2 SMO算法详解 458 第五部分 深度学习平台API 第14章 Python Web编程 462 14.1 Python Web开发环境搭建 462 14.1.1 CherryPy框架 463 14.1.2 CherryPy安装 463 14.1.3 测试CherryPy安装是否成功 464 14.2 最简Web服务器 465 14.2.1 程序启动 465 14.2.2 显示HTML文件 466 14.2.3 静态内容处理 468 14.3 用户认证系统 471 14.4 AJAX请求详解 473 14.4.1 添加数据 474 14.4.2 修改数据 476 14.4.3 删除数据 478 14.4.4 REST服务实现 479 14.5 数据持久化技术 487 14.5.1 环境搭建 487 14.5.2 数据库添加操作 488 14.5.3 数据库修改操作 489 14.5.4 数据库删除操作 490 14.5.5 数据库查询操作 491 14.5.6 数据库事务操作 492 14.5.7 数据库连接池 494 14.6 任务队列 499 14.7 媒体文件上传 502 14.8 Redis操作 504 14.8.1 Redis安装配置 504 14.8.2 Redis使用例程 505 第15章 深度学习云平台 506 15.1 神经网络持久化 506 15.1.1 数据库表设计 506 15.1.2 整体目录结构 511 15.1.3 训练过程及模型文件保存 512 15.2 神经网络运行模式 528 15.3 AJAX请求调用神经网络 531 15.3.1 显示静态网页 531 15.3.2 上传图片文件 540 15.3.3 AJAX接口 543 15.4 请求合法性验证 545 15.4.1 用户注册和登录 546 15.4.2 客户端生成请求 553 15.4.3 服务器端验证请求 555 15.5 异步结果处理 557 15.5.1 网页异步提交 557 15.5.2 应用队列管理模块 559 15.5.3 任务队列 560 15.5.4 结果队列 561 15.5.5 异步请求处理流程 562 15.6 神经网络持续改进 563 15.6.1 应用遗传算法 563 15.6.2 重新训练 564 15.6.3 生成式对抗网络 565 后 记 567 参考文献 568

暂无相关内容，正在全力查找中

暂无其它内容！

暂时还没有人为这本书评论！