深度学习——基于Python语言和TensorFlow平台（视频讲解版），由人民邮电出版社在2018-07-01月出版发行，本书编译以及作者信息为： 谢琼 著，这是第1次发行， 国际标准书号为：9787115483621，品牌为人民邮电出版社, 这本书采用平装开本为16开，纸张采为胶版纸，全书共有未知页，字数万字，值得推荐。

此书内容摘要

人工智能极简历史、开发环境准备、初识TensorFlow、简化神经网络模型、用神经网络解决非线性问题、从文件中载入训练数据、多层全连接神经网络、保存和载入训练过程、查看图形化的模型、用训练好的模型进行预测、用高层工具简化建模和训练过程、在其它语言中调用TensorFlow模型、用卷积神经网络进行图像识别、循环神经网络初步、下一步学习方向指南

关于此书作者

谢琼 计算机软件、通信行业和外语在线教育领域专家，国家认证系统分析师。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。

编辑们的推荐

1. 只需具备少许编程基础，即可学习本书。
2. 帮助大家快速入门，几个实例讲解解决初学常见问题，避开大多数人会遇上的坎和坑，少走弯路，尽快具备自己动手和继续自学深造的能力。
3. 基于使用Python语言的TensorFlow深度学习框架进行讲解。
4. 配套500分钟视频讲解。

深度学习——基于Python语言和TensorFlow平台（视频讲解版）图书的目录

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Python20
2．1．1Windows操作系统下安装Python20
2．1．2Mac OS X操作系统下安装Python29
2．1．3Linux操作系统下安装Python30
2．2安装TensorFlow30
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
2．3．4Python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TensorFlow57
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sigmoid88
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tanh120
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
11．1Keras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
16．4GPU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

部分内容试读

暂无.

关于此书评价

暂无.

书摘内容

暂无.

深度学习——基于Python语言和TensorFlow平台（视频讲解版）最新最全的试读、书评、目录、简介信息由Python中文网整理提供。