TensorFlow深度學(xué)習(xí)（原書第2版）

定　價(jià)：￥99.00

作　者：	[意] 吉安卡洛·扎克尼（Giancarlo Zaccone）著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥99.00)

ISBN：	9787111646617	出版時(shí)間：	2020-04-01	包裝：	平裝
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　《TensorFlow深度學(xué)習(xí)（原書第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。本書主要內(nèi)容包括深度學(xué)習(xí)入門，介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)知識； TensorFlow的主要特性，以及 TensorFlow的安裝與配置，通過示例進(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高級編程部分對TensorFlow基本庫進(jìn)行了概述。末尾，本書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)。

作者簡介

暫缺《TensorFlow深度學(xué)習(xí)（原書第2版）》作者簡介

圖書目錄

譯者序
原書前言
作者簡介
評閱人簡介
第 1章　深度學(xué)習(xí)入門 // 1
1.1　機(jī)器學(xué)習(xí)簡介 // 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簡介 // 24
2.2.3　動態(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