深度学习原理与TensorFlow实践 _生活百科

文章插图
深度学习原理与TensorFlow实践【深度学习原理与TensorFlow实践】《深度学习原理与TensorFlow实践》一书由喻俨、莫瑜主编，王琛、胡振邦、高杰着，电子工业出版社2017年6月出版
基本介绍书名：深度学习原理与TensorFlow实践
作者：喻俨莫瑜王琛胡振邦高杰
ISBN：978-7-121-31298-4
页数：304
定价：79.00
出版社：电子工业出版社
出版时间：2017年6月
开本：16
内容提要《深度学习原理与TensorFlow实践》主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一，《深度学习原理与TensorFlow实践》结合实例介绍了使用TensorFlow开发机器学习套用的详细方法和步骤。同时，《深度学习原理与TensorFlow实践》着重讲解了用于图像识别的卷积神经网路和用于自然语言处理的循环神经网路的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的套用範围与效果。《深度学习原理与TensorFlow实践》非常适合对机器学习、深度学习感兴趣的读者，或是对深度学习理论有所了解，希望尝试更多工程实践的读者，抑或是对工程产品有较多经验，希望学习深度学习理论的读者。目录1深度学习简介11.1深度学习介绍11.2深度学习的趋势71.3参考资料102TensorFlow系统介绍122.1TensorFlow诞生的动机122.2TensorFlow系统简介142.3TensorFlow基础概念162.3.1 计算图 162.3.2 Session会话 182.4系统架构192.5源码结构212.5.1后端执行引擎222.5.2前端语言接口242.6小结242.7参考资料253Hello TensorFlow 263.1 环境準备263.1.1Mac OS安装273.1.2Linux GPU伺服器安装283.1.3常用Python库323.2Titanic题目实战343.2.1Kaggle平台介绍343.2.2Titanic题目介绍353.2.3数据读入及预处理383.2.4构建计算图403.2.5构建训练叠代过程443.2.6执行训练463.2.7存储和载入模型参数473.2.8预测测试数据结果503.3数据挖掘的技巧513.3.1数据可视化523.3.2特徵工程543.3.3多种算法模型573.4TensorBoard可视化583.4.1记录事件数据583.4.2启动TensorBorad服务603.5数据读取623.5.1 数据档案格式633.5.2 TFRecord 633.6SkFlow、TFLearn与TF-Slim 673.7小结693.8参考资料694CNN“看懂”世界714.1图像识别的难题724.2CNNs的基本原理744.2.1卷积的数学意义754.2.2卷积滤波774.2.3CNNs中的卷积层814.2.4池化（Pooling）834.2.5ReLU 844.2.6多层卷积864.2.7Dropout 864.3经典CNN模型874.3.1AlexNet 884.3.2VGGNets 954.3.3GoogLeNet & Inception 984.3.4ResNets 1064.4图像风格转换1094.4.1量化的风格1094.4.2 风格的滤镜1164.5 小结1204.6参考资料1215RNN“能说会道”1235.1文本理解和文本生成问题1245.2标準RNN模型1285.2.1RNN模型介绍1285.2.2BPTT算法1305.2.3灵活的RNN结构1325.2.4TensorFlow实现正弦序列预测1355.3LSTM模型1385.3.1长期依赖的难题1385.3.2LSTM基本原理1395.3.3 TensorFlow构建LSTM模型1425.4更多RNN的变体1445.5语言模型1465.5.1NGram语言模型1465.5.2神经网路语言模型1485.5.3循环神经网路语言模型1505.5.4语言模型也能写代码1525.5.5改进方向1635.6对话机器人1645.6.1对话机器人的发展1655.6.2基于seq2seq的对话机器人1695.7小结1815.8参考资料1826CNN+LSTM看图说话1836.1CNN+LSTM网路模型与图像检测问题1846.1.1OverFeat和Faster R-CNN图像检测算法介绍1856.1.2遮挡目标图像检测方法1876.1.3ReInspect算法实现及模组说明1886.1.4 ReInspect算法的实验数据与结论2046.2 CNN+LSTM网路模型与图像摘要问题2076.2.1 图像摘要问题2086.2.2 NIC图像摘要生成算法2096.2.3 NIC图像摘要生成算法实现说明2146.2.4 NIC算法的实验数据与结论2436.3 小结2496.4 参考资料2507损失函式与最佳化算法2537.1目标函式最佳化策略2547.1.1梯度下降算法2547.1.2RMSProp最佳化算法2567.1.3Adam最佳化算法2577.1.4目标函式最佳化算法小结2587.2类别採样（CandidateSampling）损失函式2597.2.1softmax类别採样损失函式2617.2.2噪声对比估计类别採样损失函式281 7.2.3负样本估计类别採样损失函式2867.2.4类别採样logistic损失函式2867.3小结2877.4 参考资料288结语289