TensorFlow深度学习：数学原理与Python实战进阶
| 作者 |
| 桑塔努·帕塔纳雅克（Santanu Pattanayak） |
| 丛书名 |
| 出版社 |
| 机械工业出版社* |
| ISBN |
| 9787111645849 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书重点在帮你掌握深度学习所要求的数学原理和编程实战经验，使你能快速使用TensorFlow轻松部署产品中的深度学习解决方案，并形成开发深度学习架构和解决方案时所需的数学理解和直觉。 本书提供了丰富的理论和实战动手经验，使你可以从零开始掌握深度学习，并能快速部署有价值的深度学习解决方案。本书重点讲解了与多个行业相关的深度学习实践方面的专业知识。通过这些实战经验，你将能够使用原型来构建新的深度学习应用程序。 本书适合谁 正在研究深度学习解决方案以解决复杂业务问题的数据科学家和机器学习专业人员。 通过TensorFlow开发深度学习解决方案的软件开发人员。 渴望不断学习的师生和人工智能爱好者。 |
| 目录 |
| 原书前言 第1章 数学基础1 1.1 线性代数2 1.1.1 向量2 1.1.2 标量2 1.1.3 矩阵3 1.1.4 张量3 1.1.5 矩阵的运算和操作4 1.1.6 向量的线性独立6 1.1.7 矩阵的秩8 1.1.8 单位矩阵或恒等运算符8 1.1.9 矩阵的行列式9 1.1.10 逆矩阵10 1.1.11 向量的范数（模）11 1.1.12 伪逆矩阵12 1.1.13 以特定向量为方向的单位向量12 1.1.14 一个向量在另一个向量方向上的投影（或射影）12 1.1.15 特征向量12 1.2 微积分17 1.2.1 微分17 1.2.2 函数的梯度17 1.2.3 连续偏导数18 1.2.4 海森矩阵18 1.2.5 函数的极大值和极小值18 1.2.6 局部极小值和全局最小值20 1.2.7 半正定以及正定矩阵21 1.2.8 凸集21 1.2.9 凸函数22 1.2.10 非凸函数22 1.2.11 多变量凸函数以及非凸函数范例23 1.2.12 泰勒级数24 1.3 概率24 1.3.1 并集、交集和条件概率25 1.3.2 事件交集概率的链式法则26 1.3.3 互斥事件26 1.3.4 事件独立性27 1.3.5 事件条件独立性27 1.3.6 贝叶斯定理（公式）27 1.3.7 概率质量函数28 1.3.8 概率密度函数28 1.3.9 随机变量的数学期望28 1.3.10 随机变量的方差28 1.3.11 偏度和峰度29 1.3.12 协方差30 1.3.13 相关性系数31 1.3.14 一些常见的概率分布31 1.3.15 似然函数34 1.3.16 最大似然估计35 1.3.17 假设检验和p值36 1.4 机器学习算法的制定与优化算法38 1.4.1 监督学习38 1.4.2 无监督学习45 1.4.3 机器学习的优化算法45 1.4.4 约束优化问题53 1.5 机器学习中的几个重要主题54 1.5.1 降维方法54 1.5.2 正则化5 1.5.3 约束优化问题中的正则化59 1.6 总结60 第2章 深度学习概念和TensorFlow介绍61 2.1 深度学习及其发展61 2.2 感知机和感知机学习算法63 2.2.1 感知机学习的几何解释65 2.2.2 感知机学习的局限性66 2.2.3 非线性需求68 2.2.4 隐藏层感知机的非线性激活函数69 2.2.5 神经元或感知机的不同激活函数70 2.2.6 多层感知机网络的学习规则74 2.2.7 梯度计算的反向传播75 2.2.8 反向传播方法推广到梯度计算76 2.3 TensorFlow 82 2.3.1 常见的深度学习包82 2.3.2 TensorFlow的安装83 2.3.3 TensorFlow的开发基础83 2.3.4 深度学习视角下的梯度下降优化方法86 2.3.5 随机梯度下降的小批量方法中的学习率90 2.3.6 TensorFlow中的优化器90 2.3.7 TensorFlow实现XOR96 2.3.8 TensorFlow中的线性回归100 2.3.9 使用全批量梯度下降的SoftMax函数多分类103 2.3.10 使用随机梯度下降的SoftMax函数多分类105 2.4 GPU 107 2.5 总结108 第3章 卷积神经网络109 3.1 卷积操作109 3.1.1 线性时不变和线性移不变系统109 3.1.2 一维信号的卷积111 3.2 模拟信号和数字信号112 3.2.1 二维和三维信号113 3.3 二维卷积114 3.3.1 二维单位阶跃函数114 3.3.2 LSI系统中单位阶跃响应信号的二维卷积115 3.3.3 不同的LSI系统中图像的二维卷积117 3.4 常见的图像处理滤波器120 3.4.1 均值滤波器120 3.4.2 中值滤波器122 3.4.3 高斯滤波器122 3.4.4 梯度滤波器123 3.4.5 Sobel边缘检测滤波器125 3.4.6 恒等变换127 3.5 卷积神经网络128 3.6 卷积神经网络的组成部分128 3.6.1 输入层129 3.6.2 卷积层129 3.6.3 池化层131 3.7 卷积层中的反向传播131 3.8 池化层中的反向传播134 3.9 卷积中的权值共享及其优点136 3.10 平移同变性136 3.11 池化的平移不变性137 3.12 舍弃层和正则化138 3.13 MNIST数据集上进行手写数字识别的卷积神经网络140 3.14 用来解决现实问题的卷积神经网络144 3.15 批规范化151 3.16 卷积神经网络中的几种不同的网络架构153 3.16.1 LeNet153 3.16.2 AlexNet154 3.16.3 VGG16155 3.16.4 ResNet156 3.17 迁移学习157 3.17.1 迁移学习的使用指导158 3.17.2 使用谷歌InceptionV3网络进行迁移学习159 3.17.3 使用预训练的VGG16网络迁移学习162 3.18 总结166 第4章 基于循环神经网络的自然语言处理167 4.1 向量空间模型167 4.2 单词的向量表示170 4.3 Word2Vec170 4.3.1 CBOW 171 4.3.2 CBOW 在TensorFl |
有问题微信扫码联系