深度學(xué)習(xí)技術(shù)應(yīng)用

定　價：￥68.00

作　者：	胡心雷等著
出版社：	電子工業(yè)出版社
叢編項：	英特爾FPGA中國創(chuàng)新中心系列叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121428517	出版時間：	2022-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	192	字數(shù)：

內(nèi)容簡介

　　本書結(jié)合了**的深度學(xué)習(xí)技術(shù)應(yīng)用成果，充分考慮了大學(xué)生的知識結(jié)構(gòu)和學(xué)習(xí)特點，結(jié)合各個專業(yè)特點介紹了深度學(xué)習(xí)的基本概念及TensorFlow框架，以及深度學(xué)習(xí)在各個領(lǐng)域的具體應(yīng)用。本書為高職高專院校深度學(xué)習(xí)基礎(chǔ)課程教材重點介紹了神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、TensorFlow環(huán)境使用、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)等內(nèi)容。各個章節(jié)知識淺顯易懂，每個章節(jié)后都有實際應(yīng)用，以強化學(xué)生實踐能力。本書可作為高職院校深度學(xué)習(xí)基礎(chǔ)通識教材。

作者簡介

　　胡心雷（1983.12―）工學(xué)博士，畢業(yè)于四川大學(xué)計算機科學(xué)與技術(shù)專業(yè)。主要研究方向包括人工免疫、機器學(xué)習(xí)、信息安全和云計算技術(shù)等。有豐富的從事人工免疫在網(wǎng)絡(luò)安全應(yīng)用的研究經(jīng)驗和信息安全技術(shù)、人工智能方面的教學(xué)經(jīng)驗。發(fā)表學(xué)術(shù)論文10余篇，其中EI及SCI論文6篇，主持及主研省部級項目3項，已獲得國家授權(quán)實用新型專利1項。

圖書目錄

第1章深度學(xué)習(xí)簡介\t001
1．1 深度學(xué)習(xí)的起源與發(fā)展\t001
1．2 深度學(xué)習(xí)的定義\t004
1．3 深度學(xué)習(xí)的優(yōu)勢\t005
1．4 深度學(xué)習(xí)的應(yīng)用\t006
1．5 深度學(xué)習(xí)的主流框架\t007
1．5．1 TensorFlow\t007
1．5．2 Pytorch\t008
1．5．3 Deeplearning4j(DL4J)\t008
第2章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)\t010
2．1 人腦神經(jīng)網(wǎng)絡(luò)\t013
2．2 人工神經(jīng)網(wǎng)絡(luò)\t015
2．2．1 感知器\t017
2．2．2 單層神經(jīng)網(wǎng)絡(luò)\t019
2．2．3 多層神經(jīng)網(wǎng)絡(luò)\t027
2．2．4 激活函數(shù)\t037
2．3 走向深度學(xué)習(xí)\t039
第3章 TensorFlow環(huán)境使用\t043
3．1 TensorFlow 簡介\t044
3．1．1 TensorFlow與Keras的關(guān)系\t045
3．1．2 TensorFlow 1．x與2．x的區(qū)別\t046
3．2 TensorFlow基礎(chǔ)\t049
3．2．1 張量\t050
3．2．2 變量\t064
3．2．3 計算圖\t066
3．3 基于TensorFlow的深度學(xué)習(xí)建模構(gòu)建\t070
3．3．1 建模目的\t070
3．3．2 數(shù)據(jù)處理\t071
3．3．3 模型搭建\t080
3．3．4 模型編譯\t085
3．3．5 模型訓(xùn)練\t091
3．3．6 模型驗證\t093
3．3．7 模型保存\t096
3．3．8 小結(jié)\t096
3．4 基于TensorFlow的手寫數(shù)字識別\t099
3．4．1 數(shù)據(jù)簡介\t099
3．4．2 數(shù)據(jù)處理\t103
3．4．3 模型搭建\t106
3．4．4 模型調(diào)優(yōu)\t108
3．4．5 總結(jié)\t114
第4章卷積神經(jīng)網(wǎng)絡(luò)\t115
4．1 什么是卷積神經(jīng)網(wǎng)絡(luò)\t115
4．2 輸入層\t116
4．3 卷積層\t117
4．3．1 填充\t118
4．3．2 步幅\t125
4．4 池化層\t126
4．5 全連接層\t127
4．6 Dropout\t128
4．7 數(shù)據(jù)增強\t129
4．8 典型卷積神經(jīng)網(wǎng)絡(luò)算法\t132
4．8．1 LeNet-5網(wǎng)絡(luò)\t132
4．8．2 AlexNet\t133
4．8．3 VGG16\t134
4．9 卷積神經(jīng)網(wǎng)絡(luò)案例\t136
4．9．1 數(shù)據(jù)簡介\t136
4．9．2 數(shù)據(jù)處理\t136
4．9．3 模型搭建\t138
4．9．4 總結(jié)\t140
第5章循環(huán)神經(jīng)網(wǎng)絡(luò)\t143
5．1 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)\t143
5．2 長短期記憶和門控循環(huán)單元\t145
5．2．1 長短期記憶（LSTM）\t145
5．2．2 門控循環(huán)單元（GRU）\t149
5．3 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)\t153
5．4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)案例\t154
5．4．1 準備操作\t154
5．4．2 數(shù)據(jù)簡介\t154
5．4．3 數(shù)據(jù)處理\t155
5．4．4 網(wǎng)絡(luò)模型搭建\t157
5．4．5 模型訓(xùn)練\t159
5．4．6 小結(jié)\t161
第6章遷移學(xué)習(xí)\t167
6．1 什么是遷移學(xué)習(xí)\t167
6．2 遷移學(xué)習(xí)的工作原理\t168
6．3 遷移學(xué)習(xí)的優(yōu)勢\t169
6．4 遷移學(xué)習(xí)的方法\t170
6．5 微調(diào)\t171
6．6 利用遷移學(xué)習(xí)對花進行分類\t171
6．6．1 準備操作\t172
6．6．2 數(shù)據(jù)處理\t173
6．6．3 網(wǎng)絡(luò)模型搭建\t173
6．6．4 模型訓(xùn)練\t175
6．6．5 微調(diào)\t175
6．6．6 小結(jié)\t176