神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)：基于TensorFlow框架和Python技術(shù)實(shí)現(xiàn)

定　價(jià)：￥49.80

作　者：	包子陽(yáng)
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121362019	出版時(shí)間：	2019-04-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	196	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　Python、TensorFlow、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)因人工智能的流行而成為當(dāng)下IT領(lǐng)域的熱門(mén)關(guān)鍵詞。本書(shū)首先介紹了Python及其常用庫(kù)Numpy、Matplotlib和Scipy的基本使用方法；其次介紹了TensorFlow的基本知識(shí)及使用方法；然后介紹了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)以及神經(jīng)網(wǎng)絡(luò)基本應(yīng)用――感知機(jī)、線性回歸與邏輯回歸的理論與實(shí)現(xiàn)；最后介紹了兩種熱門(mén)的深度神經(jīng)網(wǎng)絡(luò)――卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的理論與實(shí)現(xiàn)。本書(shū)內(nèi)容由淺入深，循序漸進(jìn)，實(shí)踐性強(qiáng)，包含豐富的仿真實(shí)例。

作者簡(jiǎn)介

　　包子陽(yáng)：高級(jí)工程師，自2009年起工作于北京無(wú)線電測(cè)量研究所。2009年6月畢業(yè)于電子科技大學(xué)信號(hào)與信息處理專業(yè)，獲碩士學(xué)位。從事雷達(dá)電氣總體、智能算法和深度學(xué)習(xí)等研究工作。迄今出版專著3本；申請(qǐng)發(fā)明專利6項(xiàng)（已授權(quán)3項(xiàng)）；在國(guó)際雷達(dá)會(huì)議、《系統(tǒng)工程與電子技術(shù)》、《現(xiàn)代雷達(dá)》、《電子技術(shù)與應(yīng)用》、《雷達(dá)科學(xué)與技術(shù)》、《空間電子技術(shù)》、雷達(dá)年會(huì)、天線年會(huì)等發(fā)表學(xué)術(shù)論文十余篇。

圖書(shū)目錄

目錄
第1章緒論 1
1．1 人工智能 2
1．2 機(jī)器學(xué)習(xí) 3
1．2．1 監(jiān)督學(xué)習(xí) 3
1．2．2 非監(jiān)督學(xué)習(xí) 3
1．2．3 半監(jiān)督學(xué)習(xí) 4
1．3 深度學(xué)習(xí) 4
1．3．1 卷積神經(jīng)網(wǎng)絡(luò) 4
1．3．2 循環(huán)神經(jīng)網(wǎng)絡(luò) 5
1．4 實(shí)現(xiàn)工具 6
1．4．1 Python 6
1．4．2 TensorFlow 6
第2章 Python基礎(chǔ) 9
2．1 Python簡(jiǎn)介 10
2．1．1 概述 10
2．1．2 Python的特點(diǎn) 10
2．1．3 Python的版本 11
2．2 Python的安裝 11
2．2．1 Python官網(wǎng)下載安裝 11
2．2．2 Anaconda的安裝 14
2．3 Spyder編輯器 16
2．3．1 Spyder界面 16
2．3．2 Spyder快捷鍵 19
2．4 Python基礎(chǔ)知識(shí) 19
2．4．1 基本語(yǔ)法 20
2．4．2 基本數(shù)據(jù)類型和運(yùn)算 23
2．4．3 列表、元組和字符串 25
2．4．4 字典和集合 32
2．4．5 分支和循環(huán) 35
2．4．6 函數(shù)和類 37
2．4．7 模塊 40
第3章 Python基礎(chǔ)庫(kù) 43
3．1 Numpy庫(kù) 44
3．1．1 創(chuàng)建數(shù)組 44
3．1．2 ndarray類 47
3．1．3 數(shù)組操作 48
3．1．4 形狀操作 55
3．2 Matplotlib庫(kù) 58
3．2．1 快速繪圖 58
3．2．2 繪制多軸圖 61
3．2．3 繪制3D圖 64
3．3 Scipy庫(kù) 67
3．3．1 scipy．io 67
3．3．2 scipy．linalg 68
3．3．3 scipy．fftpack 69
3．3．4 scipy．optimize 70
3．3．5 scipy．interpolate 71
3．3．6 scipy．stats 72
第4章 TensorFlow基礎(chǔ) 75
4．1 概述 76
4．2 TensorFlow的安裝 77
4．3 TensorFlow基本概念 79
4．3．1 Graph和Session 79
4．3．2 placeholder 82
4．3．3 tensor 82
4．3．4 Variable 85
4．3．5 fetch和feed 87
4．4 MNIST 89
4．4．1 MNIST簡(jiǎn)介 89
4．4．2 MNIST解析 90
第5章神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 95
5．1 神經(jīng)網(wǎng)絡(luò)概述 96
5．1．1 神經(jīng)網(wǎng)絡(luò)常用術(shù)語(yǔ) 97
5．1．2 神經(jīng)網(wǎng)絡(luò)模型 99
5．1．3 神經(jīng)網(wǎng)絡(luò)的運(yùn)作 99
5．1．4 神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn) 100
5．2 神經(jīng)元模型 101
5．3 激活函數(shù) 103
5．4．1 sigmoid函數(shù) 104
5．4．2 tanh函數(shù) 104
5．4．3 ReLU函數(shù) 105
5．4．4 softmax函數(shù) 106
5．4 損失函數(shù) 106
5．4．1 均方差函數(shù) 106
5．4．2 交叉熵函數(shù) 107
5．5 梯度下降算法 107
5．5．1 梯度下降算法推導(dǎo) 108
5．5．2 梯度下降算法種類 108
5．5 BP算法 109
5．5．1 BP網(wǎng)絡(luò)簡(jiǎn)介 109
5．5．2 BP算法流程 110
5．6 仿真實(shí)例 112
第6章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)應(yīng)用 117
6．1 感知機(jī) 118
6．1．1 感知機(jī)網(wǎng)絡(luò)結(jié)構(gòu) 119
6．1．2 感知機(jī)學(xué)習(xí)規(guī)則 120
6．1．3 感知機(jī)網(wǎng)絡(luò)訓(xùn)練 120
6．1．5 仿真實(shí)例 121
6．2 線性回歸 123
6．2．1 線性回歸理論 123
6．2．2 仿真實(shí)例 126
6．3 邏輯回歸 129
6．3．1 邏輯回歸理論 129
6．3．2 仿真實(shí)例 131
第7章卷積神經(jīng)網(wǎng)絡(luò) 137
7．1 概述 138
7．2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 139
7．2．1 卷積層 141
7．2．2 池化層 144
7．2．3 全連接層 147
7．2．4 Dropout 層 148
7．3 訓(xùn)練過(guò)程 148
7．4 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型 149
7．4．1 LeNet-5模型 149
7．4．2 AlexNet模型 150
7．5 仿真實(shí)例 152
第8章循環(huán)神經(jīng)網(wǎng)絡(luò) 159
8．1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 160
8．1．1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 160
8．1．2 循環(huán)神經(jīng)網(wǎng)絡(luò)前向傳播 162
8．1．3 循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 163
8．2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM） 163
8．2．1 LSTM結(jié)構(gòu) 164
8．2．2 LSTM前向計(jì)算 165
8．2．3 LSTM訓(xùn)練算法 169
8．2．4 LSTM程序?qū)崿F(xiàn) 169
8．3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種 170
8．3．1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 170
8．3．2 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 171
8．4 仿真實(shí)例 172
附錄A Python主要函數(shù) 181
附錄B TensorFlow主要函數(shù) 189
參考文獻(xiàn) 198