[套装书]TensorFlow自然语言处理+TensorFlow机器学习实战指南（原书第2版）（2册）

作者
[澳] 图珊·加内格达拉（Thushan Ganegedara）[美] 尼克·麦克卢尔（Nick McClure）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9787190731102
简要
简介
内容简介书籍计算机书籍 ---------------------------TensorFlow机器学习实战指南（原书第2版）--------------------------- 本书由资深数据科学家撰写，从实战角度系统讲解TensorFlow基本概念及各种应用实践。真实的应用场景和数据，丰富的代码实例，详尽的操作步骤，带领读者由浅入深系统掌握TensorFlow机器学习算法及其实现。 本书第1章和第2章介绍了关于TensorFlow使用的基础知识，后续章节则针对一些典型算法和典型应用场景进行了实现，并配有较详细的程序说明，可读性非常强。读者如果能对其中代码进行复现，则必定会对TensorFlow的使用了如指掌。 ---------------------------TensorFlow自然语言处理--------------------------- 本书首先介绍NLP和TensorFlow基础知识，然后介绍如何使用Word2vec(包括高级扩展)创建单词嵌入，将单词序列转换为可由深度学习算法访问的向量。关于经典深度学习算法的章节，如卷积神经网络(CNN)和递归神经网络(RNN)，展示了句子分类和语言生成等重要的NLP任务。此外还介绍如何将高性能的RNN模型，如长短期记忆(long short memory, LSTM)单元应用于NLP任务，你还将探索神经机器翻译并实现一个神经机器翻译器。
目录



---------------------------TensorFlow机器学习实战指南（原书第2版）---------------------------


译者序
审校者简介
前言
第1章　TensorFlow基础 1
1.1　简介 1
1.2　TensorFlow如何工作 1
1.2.1　开始 1
1.2.2　动手做 2
1.2.3　工作原理 3
1.2.4　参考 3
1.3　声明变量和张量 4
1.3.1　开始 4
1.3.2　动手做 4
1.3.3　工作原理 6
1.3.4　延伸学习 6
1.4　使用占位符和变量 6
1.4.1　开始 6
1.4.2　动手做 6
1.4.3　工作原理 7
1.4.4　延伸学习 7
1.5　操作（计算）矩阵 8
1.5.1　开始 8
1.5.2　动手做 8
1.5.3　工作原理 10
1.6　声明操作 10
1.6.1　开始 10
1.6.2　动手做 10
1.6.3　工作原理 12
1.6.4　延伸学习 12
1.7　实现激励函数 12
1.7.1　开始 12
1.7.2　动手做 12
1.7.3　工作原理 14
1.7.4　延伸学习 14
1.8　读取数据源 14
1.8.1　开始 15
1.8.2　动手做 15
1.8.3　工作原理 18
1.8.4　参考 18
1.9　其他资源 19
1.9.1　开始 19
1.9.2　动手做 19
第2章　TensorFlow进阶 20
2.1　简介 20
2.2　计算图中的操作 20
2.2.1　开始 20
2.2.2　动手做 21
2.2.3　工作原理 21
2.3　TensorFlow的嵌入Layer 21
2.3.1　开始 21
2.3.2　动手做 22
2.3.3　工作原理 22
2.3.4　延伸学习 22
2.4　TensorFlow的多层Layer 23
2.4.1　开始 23
2.4.2　动手做 23
2.4.3　工作原理 24
2.5　TensorFlow实现损失函数 24
2.5.1　开始 25
2.5.2　动手做 26
2.5.3　工作原理 28
2.5.4　延伸学习 28
2.6　TensorFlow实现反向传播 29
2.6.1　开始 29
2.6.2　动手做 30
2.6.3　工作原理 33
2.6.4　延伸学习 33
2.6.5　参考 33
2.7　TensorFlow实现批量训练和随机训练 34
2.7.1　开始 34
2.7.2　动手做 34
2.7.3　工作原理 35
2.7.4　延伸学习 36
2.8　TensorFlow实现创建分类器 36
2.8.1　开始 36
2.8.2　动手做 37
2.8.3　工作原理 38
2.8.4　延伸学习 39
2.8.5　参考 39
2.9　TensorFlow实现模型评估 39
2.9.1　开始 39
2.9.2　动手做 40
2.9.3　工作原理 43
第3章　基于TensorFlow的线性回归 44
3.1　简介 44
3.2　用TensorFlow求逆矩阵 44
3.2.1　开始 45
3.2.2　动手做 45
3.2.3　工作原理 46
3.3　用TensorFlow实现矩阵分解 46
3.3.1　开始 46
3.3.2　动手做 46
3.3.3　工作原理 47
3.4　用TensorFlow实现线性回归算法 47
3.4.1　开始 48
3.4.2　动手做 48
3.4.3　工作原理 50
3.5　理解线性回归中的损失函数 51
3.5.1　开始 51
3.5.2　动手做 51
3.5.3　工作原理 52
3.5.4　延伸学习 53
3.6　用TensorFlow实现戴明回归算法 53
3.6.1　开始 54
3.6.2　动手做 54
3.6.3　工作原理 55
3.7　用TensorFlow实现lasso回归和岭回归算法 56
3.7.1　开始 56
3.7.2　动手做 56
3.7.3　工作原理 58
3.7.4　延伸学习 58
3.8　用TensorFlow实现弹性网络回归算法 58
3.8.1　开始 58
3.8.2　动手做 58
3.8.3　工作原理 60
3.9　用TensorFlow实现逻辑回归算法 60
3.9.1　开始 60
3.9.2　动手做 61
3.9.3　工作原理 63
第4章　基于TensorFlow的支持向量机 65
4.1　简介 65
4.2　线性支持向量机的使用 67
4.2.1　开始 67
4.2.2　动手做 67
4.2.3　工作原理 70
4.3　弱化为线性回归 71
4.3.1　开始 71
4.3.2　动手做 72
4.3.3　工作原理 74
4.4　TensorFlow上核函数的使用 75
4.4.1　开始 75
4.4.2　动手做 76
4.4.3　工作原理 80
4.4.4　延伸学习 80
4.5　用TensorFlow实现非线性支持向量机 80
4.5.1　开始 80
4.5.2　动手做 80
4.5.3　工作原理 83
4.6　用TensorFlow实现多类支持向量机 83
4.6.1　开始 83
4.6.2　动手做 84
4.6.3　工作原理 87
第5章　最近邻域法 88
5.1　简介 88
5.2　最近邻域法的使用 89
5.2.1　开始 89
5.2.2　动手做 89
5.2.3　工作原理 92
5.2.4　延伸学习 92
5.3　如何度量文本距离 92
5.3.1　开始 93
5.3.2　动手做 93
5.3.3　工作原理 95
5.3.4　延伸学习 95
5.4　用TensorFlow实现混合距离计算 95
5.4.1　开始 96
5.4.2　动手做 96
5.4.3　工作原理 98
5.4.4　延伸学习 98
5.5　用TensorFlow实现地址匹配 99
5.5.1　开始 99
5.5.2　动手做 99
5.5.3　工作原理 101
5.6　用TensorFlow实现图像识别 102
5.6.1　开始 102
5.6.2　动手做 102
5.6.3　工作原理 104
5.6.4　延伸学习 105
第6章　神经网络算法 106
6.1　简介 106
6.2　用TensorFlow实现门函数 107
6.2.1　开始 107
6.2.2　动手做 108
6.2.3　工作原理 110
6.3　使用门函数和激励函数 110
6.3.1　开始 111
6.3.2　动手做 111
6.3.3　工作原理 113
6.3.4　延伸学习 113
6.4　用TensorFlow实现单层神经网络 114
6.4.1　开始 114
6.4.2　动手做 114
6.4.3　工作原理 116
6.4.4　延伸学习 117
6.5　用TensorFlow实现神经网络常见层 117
6.5.1　开始 117
6.5.2　动手做 117
6.5.3　工作原理 122
6.6　用TensorFlow实现多层神经网络 123
6.6.1　开始 123
6.6.2　动手做 123
6.6.3　工作原理 127
6.7　线性预测模型的优化 128
6.7.1　开始 128
6.7.2　动手做 128
6.7.3　工作原理 131
6.8　用TensorFlow基于神经网络实现井字棋 132
6.8.1　开始 133
6.8.2　动手做 134
6.8.3　工作原理 139
第7章　自然语言处理 140
7.1　简介 140
7.2　词袋的使用 141
7.2.1　开始 141
7.2.2　动手做 142
7.2.3　工作原理 146
7.2.4　延伸学习 146
7.3　用TensorFlow实现TF-IDF算法 146
7.3.1　开始 146
7.3.2　动手做 147
7.3.3　工作原理 150
7.3.4　延伸学习 151
7.4　用TensorFlow实现skip-gram模型 151
7.4.1　开始 151
7.4.2　动手做 152
7.4.3　工作原理 158
7.4.4　延伸学习 158
7.5　用TensorFlow实现CBOW词嵌入模型 158
7.5.1　开始 158
7.5.2　动手做 159
7.5.3　工作原理 163
7.5.4　延伸学习 163
7.6　使用TensorFlow的Word2Vec预测 163
7.6.1　开始 163
7.6.2　动手做 163
7.6.3　工作原理 168
7.6.4　延伸学习 168
7.7　用TensorFlow实现基于Doc2Vec的情感分析 168
7.7.1　开始 168
7.7.2　动手做 169
7.7.3　工作原理 175
第8章　卷积神经网络 176
8.1　简介 176
8.2　用TensorFlow实现简单的CNN 177
8.2.1　开始 177
8.2.2　动手做 177
8.2.3　工作原理 182
8.2.4　延伸学习 182
8.2.5　参考 183
8.3　用TensorFlow实现进阶的CNN 183
8.3.1　开始 183
8.3.2　动手做 183
8.3.3　工作原理 189
8.3.4　参考 190
8.4　再训练已有的CNN模型 190
8.4.1　开始 190
8.4.2　动手做 191
8.4.3　工作原理 193
8.4.4　参考 193
8.5　用TensorFlow实现图像风格迁移 193
8.5.1　开始 194
8.5.2　动手做 194
8.5.3　工作原理 199
8.5.4　参考 199
8.6　用TensorFlow实现DeepDream 199
8.6.1　开始 199
8.6.2　动手做 199
8.6.3　延伸学习 204
8.6.4　参考 204
第9章　循环神经网络 205
9.1　简介 205
9.2　用TensorFlow实现RNN模型进行垃圾邮件预测 206
9.2.1　开始 206
9.2.2　动手做 206
9.2.3　工作原理 211
9.2.4　延伸学习 211
9.3　用TensorFlow实现LSTM模型 211
9.3.1　开始 211
9.3.2　动手做 212
9.3.3　工作原理 218
9.3.4　延伸学习 218
9.4　TensorFlow堆叠多层LSTM 219
9.4.1　开始 219
9.4.2　动手做 219
9.4.3　工作原理 221
9.5　用TensorFlow实现Seq2Seq翻译模型 221
9.5.1　开始 221
9.5.2　动手做 222
9.5.3　工作原理 232
9.5.4　延伸学习 232
9.6　TensorFlow训练孪生RNN度量相似度 232
9.6.1　开始 232
9.6.2　动手做 233
9.6.3　延伸学习 238
第10章　TensorFlow产品化 239
10.1　简介 239
10.2　TensorFlow的单元测试 239
10.2.1　开始 239
10.2.2　工作原理 244
10.3　TensorFlow的多设备使用 244
10.3.1　开始 244
10.3.2　动手做 245
10.3.3　工作原理 246
10.3.4　延伸学习 246
10.4　分布式TensorFlow实践 246
10.4.1　开始 247
10.4.2　动手做 247
10.4.3　工作原理 248
10.5　TensorFlow产品化开发提示 248
10.5.1　开始 248
10.5.2　动手做 248
10.5.3　工作原理 250
10.6　TensorFlow产品化的实例 250
10.6.1　开始 250
10.6.2　动手做 250
10.6.3　工作原理 253
10.7　TensorFlow服务部署 253
10.7.1　开始 253
10.7.2　动手做 253
10.7.3　工作原理 256
10.7.4　延伸学习 257
第11章　TensorFlow的进阶应用 258
11.1　简介 258
11.2　TensorFlow可视化：Tensorboard 258
11.2.1　开始 258
11.2.2　动手做 259
11.2.3　延伸学习 261
11.3　用TensorFlow实现遗传算法 263
11.3.1　开始 263
11.3.2　动手做 264
11.3.3　工作原理 266
11.3.4　延伸学习 266
11.4　用TensorFlow实现k-means聚类算法 267
11.4.1　开始 267
11.4.2　动手做 267
11.4.3　延伸学习 270
11.5　用TensorFlow求解常微分方程组 270
11.5.1　开始 271
11.5.2　动手做 271
11.5.3　工作原理 272
11.5.4　参考 272
11.6　用TensorFlow实现随机森林算法 273
11.6.1　开始 273
11.6.2　动手做 273
11.6.3　工作原理 276
11.6.4　参考 276
11.7　将Keras作为TensorFlow API使用 277
11.7.1　开始 277
11.7.2　动手做 277
11.7.3　工作原理 280
11.7.4　参考 281



---------------------------TensorFlow自然语言处理---------------------------


译者序
前言
关于作者
关于审阅者
第1章　自然语言处理简介 1
1.1　什么是自然语言处理 1
1.2　自然语言处理的任务 2
1.3　传统的自然语言处理方法 3
1.3.1　理解传统方法 4
1.3.2　传统方法的缺点 7
1.4　自然语言处理的深度学习方法 8
1.4.1　深度学习的历史 8
1.4.2　深度学习和NLP的当前状况 9
1.4.3　理解一个简单的深层模型—全连接神经网络 10
1.5　本章之外的学习路线 12
1.6　技术工具简介 14
1.6.1　工具说明 15
1.6.2　安装Python和scikit-learn 15
1.6.3　安装Jupyter Notebook 15
1.6.4　安装TensorFlow 16
1.7　总结 17
第2章　理解TensorFlow 18
2.1　TensorFlow是什么 18
2.1.1　TensorFlow入门 19
2.1.2　TensorFlow客户端详细介绍 21
2.1.3　TensorFlow架构：当你执行客户端时发生了什么 21
2.1.4　Cafe Le TensorFlow：使用类比理解TensorFlow 23
2.2　输入、变量、输出和操作 24
2.2.1　在TensorFlow中定义输入 25
2.2.2　在TensorFlow中定义变量 30
2.2.3　定义TensorFlow输出 31
2.2.4　定义TensorFlow操作 31
2.3　使用作用域重用变量 40
2.4　实现我们的第一个神经网络 42
2.4.1　准备数据 43
2.4.2　定义TensorFLow图 43
2.4.3　运行神经网络 45
2.5　总结 46
第3章　Word2vec——学习词嵌入 48
3.1　单词的表示或含义是什么 49
3.2　学习单词表示的经典方法 49
3.2.1　WordNet—使用外部词汇知识库来学习单词表示 50
3.2.2　独热编码表示方式 53
3.2.3　TF-IDF方法 53
3.2.4　共现矩阵 54
3.3　Word2vec—基于神经网络学习单词表示 55
3.3.1　练习：queen = king – he + she吗 56
3.3.2　为学习词嵌入定义损失函数 58
3.4　skip-gram算法 59
3.4.1　从原始文本到结构化的数据 59
3.4.2　使用神经网络学习词嵌入 60
3.4.3　使用TensorFlow实现skip-gram 67
3.5　连续词袋算法 69
3.6　总结 71
第4章　高级Word2vec 72
4.1　原始skip-gram算法 72
4.1.1　实现原始skip-gram算法 73
4.1.2　比较原始skip-gram算法和改进的skip-gram算法 75
4.2　比较skip-gram算法和CBOW算法 75
4.2.1　性能比较 77
4.2.2　哪个更胜一筹：skip-gram还是CBOW 79
4.3　词嵌入算法的扩展 81
4.3.1　使用unigram分布进行负采样 81
4.3.2　实现基于unigram的负采样 81
4.3.3　降采样：从概率上忽视常用词 83
4.3.4　实现降采样 84
4.3.5　比较CBOW及其扩展算法 84
4.4　最近的skip-gram和CBOW的扩展算法 85
4.4.1　skip-gram算法的限制 85
4.4.2　结构化skip-gram算法 85
4.4.3　损失函数 86
4.4.4　连续窗口模型 87
4.5　GloVe：全局向量表示 88
4.5.1　理解GloVe 88
4.5.2　实现GloVe 89
4.6　使用Word2vec进行文档分类 90
4.6.1　数据集 91
4.6.2　用词向量进行文档分类 91
4.6.3　实现：学习词嵌入 92
4.6.4　实现：词嵌入到文档嵌入 92
4.6.5　文本聚类以及用t-SNE可视化文档嵌入 93
4.6.6　查看一些特异点 94
4.6.7　实现：用K-means对文档进行分类/聚类 95
4.7　总结 96
第5章　用卷积神经网络进行句子分类 97
5.1　介绍卷积神经网络 97
5.1.1　CNN基础 97
5.1.2　卷积神经网络的力量 100
5.2　理解卷积神经网络 100
5.2.1　卷积操作 100
5.2.2　池化操作 103
5.2.3　全连接层 104
5.2.4　组合成完整的CNN 105
5.3　练习：在MNIST数据集上用CNN进行图片分类 105
5.3.1　关于数据 106
5.3.2　实现CNN 106
5.3.3　分析CNN产生的预测结果 108
5.4　用CNN进行句子分类 109
5.4.1　CNN结构 110
5.4.2　随时间池化 112
5.4.3　实现：用CNN进行句子分类 112
5.5　总结 115
第6章　递归神经网络 116
6.1　理解递归神经网络 116
6.1.1　前馈神经网络的问题 117
6.1.2　用递归神经网络进行建模 118
6.1.3　递归神经网络的技术描述 119
6.2　基于时间的反向传播 119
6.2.1　反向传播的工作原理 120
6.2.2　为什么RNN不能直接使用反向传播 120
6.2.3　基于时间的反向传播：训练RNN 121
6.2.4　截断的BPTT：更有效地训练RNN 121
6.2.5　BPTT的限制：梯度消失和梯度爆炸 122
6.3　RNN的应用 123
6.3.1　一对一RNN 123
6.3.2　一对多RNN 123
6.3.3　多对一RNN 124
6.3.4　多对多RNN 124
6.4　用RNN产生文本 125
6.4.1　定义超参数 125
6.4.2　将输入随时间展开用于截断的BPTT 125
6.4.3　定义验证数据集 126
6.4.4　定义权重和偏置 126
6.4.5　定义状态持续变量 127
6.4.6　用展开的输入计算隐藏状态和输出 127
6.4.7　计算损失 128
6.4.8　在新文本片段的开头重置状态 128
6.4.9　计算验证输出 128
6.4.10　计算梯度和优化 129
6.4.11　输出新生成的文本块 129
6.5　评估RNN的文本结果输出 130
6.6　困惑度：衡量文本结果的质量 131
6.7　有上下文特征的递归神经网络：更长记忆的RNN 132
6.7.1　RNN-CF的技术描述 132
6.7.2　实现RNN-CF 133
6.7.3　RNN-CF产生的文本 138
6.8　总结 140
第7章　长短期记忆网络 142
7.1　理解长短期记忆网络 142
7.1.1　LSTM是什么 143
7.1.2　更详细的LSTM 144
7.1.3　LSTM与标准RNN的区别 149
7.2　LSTM如何解决梯度消失问题 150
7.2.1　改进LSTM 152
7.2.2　贪婪采样 153
7.2.3　集束搜索 153
7.2.4　使用词向量 154
7.2.5　双向LSTM（BiLSTM） 155
7.3　其他LSTM的变体 156
7.3.1　窥孔连接 156
7.3.2　门循环单元 157
7.4　总结 159
第8章　LSTM应用：文本生成 160
8.1　数据集 160
8.1.1　关于数据集 160
8.1.2　数据预处理 162
8.2　实现LSTM 162
8.2.1　定义超参数 163
8.2.2　定义参数 163
8.2.3　定义LSTM单元及操作 165
8.2.4　定义输入和标签 165
8.2.5　定义处理序列数据所需的序列计算 166
8.2.6　定义优化器 167
8.2.7　随时间衰减学习率 167
8.2.8　做预测 168
8.2.9　计算困惑度（损失） 168
8.2.10　重置状态 169
8.2.11　贪婪采样避免单峰 169
8.2.12　生成新文本 169
8.2.13　生成的文本样例 170
8.3　LSTM与窥孔LSTM和GRU对比 171
8.3.1　标准LSTM 171
8.3.2　门控循环单元（GRU） 172
8.3.3　窥孔LSTM 174
8.3.4　训练和验证随时间的困惑度 175
8.4　改进LSTM：集束搜索 176
8.4.1　实现集束搜索 177
8.4.2　集束搜索生成文本的示例 179
8.5　LSTM改进：用单词替代n-gram生成文本 179
8.5.1　维度灾难 179
8.5.2　Word2vec补救 180
8.5.3　使用Word2vec生成文本 180
8.5.4　使用LSTM-Word2vec和集束搜索生成的文本示例 181
8.5.5　随时间困惑度 182
8.6　使用TensorFlow RNN API 183
8.7　总结 186
第9章　LSTM应用：图像标题生成 188
9.1　了解数据 188
9.1.1　ILSVRC ImageNet数据集 189
9.1.2　MS-COCO数据集 189
9.2　图像标题生成实现路径 191
9.3　使用CNN提取图像特征 193
9.4　实现：使用VGG-16加载权重和推理 193
9.4.1　构建和更新变量 194
9.4.2　预处理输入 195
9.4.3　VGG-16推断 196
9.4.4　提取图像的向量化表达 197
9.4.5　使用VGG-16预测类别概率 197
9.5　学习词嵌入 198
9.6　准备输入LSTM的标题 198
9.7　生成LSTM的数据 199
9.8　定义LSTM 201
9.9　定量评估结果 203
9.9.1　BLEU 203
9.9.2　ROUGE 204
9.9.3　METEOR 204
9.9.4　CIDEr 206
9.9.5　模型随着时间变化的BLEU-4 206
9.10　为测试图像生成标题 207
9.11　使用TensorFlow RNN API和预训练的GloVe词向量 210
9.11.1　加载GloVe词向量 210
9.11.2　清洗数据 212
9.11.3　使用TensorFlow RNN API和预训练的词嵌入 213
9.12　总结 218
第10章　序列到序列学习：神经机器翻译 220
10.1　机器翻译 220
10.2　机器翻译简史 221
10.2.1　基于规则的翻译 221
10.2.2　统计机器翻译（SMT） 222
10.2.3　神经机器翻译（NMT） 223
10.3　理解神经机器翻译 225
10.3.1　NMT原理 225
10.3.2　NMT架构 226
10.4　为NMT系统准备数据 228
10.4.1　训练阶段 229
10.4.2　反转源句 229
10.4.3　测试阶段 230
10.5　训练NMT 230
10.6　NMT推理 231
10.7　BLEU评分：评估机器翻译系统 232
10.7.1　修正的精确度 232
10.7.2　简短惩罚项 233
10.7.3　最终BLEU得分 233
10.8　从头开始实现NMT：德语到英语的翻译 233
10.8.1　数据介绍 234
10.8.2　处理数据 234
10.8.3　学习词嵌入 235
10.8.4　定义编码器和解码器 236
10.8.5　定义端到端输出计算 238
10.8.6　翻译结果 239
10.9　结合词嵌入训练NMT 241
10.9.1　最大化数据集词汇表和预训练词嵌入之间的匹配 241
10.9.2　将嵌入层定义为TensorFlow变量 243
10.10　改进NMT 245
10.10.1　教师强迫 246
10.10.2　深度LSTM 247
10.11　注意力 247
10.11.1　突破上下文向量瓶颈 247
10.11.2　注意力机制细节 248
10.11.3　注意力NMT的翻译结果 253
10.11.4　源句子和目标句子注意力可视化 254
10.12　序列到序列模型的其他应用：聊天机器人 256
10.12.1　训练聊天机器人 256
10.12.2　评估聊天机器人：图灵测试 257
10.13　总结 258
第11章　自然语言处理的现状与未来 259
11.1　NLP现状 259
11.1.1　词嵌入 260
11.1.2　神经机器翻译 264
11.2　其他领域的渗透 266
11.2.1　NLP与计算机视觉结合 266
11.2.2　强化学习 268
11.2.3　NLP生成式对抗网络 269
11.3　走向通用人工智能 270
11.3.1　一个模型学习全部 271
11.3.2　联合多任务模型：为多个NLP任务生成神经网络 272
11.4　社交媒体NLP 273
11.4.1　社交媒体中的谣言检测 274
11.4.2　社交媒体中的情绪检测 274
11.4.3　分析推特中的政治框架 274
11.5　涌现的新任务 275
11.5.1　讽刺检测 275
11.5.2　语言基础 276
11.5.3　使用LSTM略读文本 276
11.6　新兴的机器学习模型 277
11.6.1　阶段LSTM 277
11.6.2　扩张RNN（DRNN） 278
11.7　总结 278
11.8　参考文献 279
附录　数学基础与高级TensorFlow 282




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4