图解深度学习与神经网络：从张量到TensorFlow实现

作者: 张平著

出版社: 电子工业出版社

出版时间: 2018-09

版次: 1

ISBN: 9787121347450

定价: 79.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 336页

正文语种: 简体中文

分类: 计算机与互联网

6 张插图图片

67人买过

290张图+110个可执行的TensorFlow示例程序+算法示例易懂的神经网络深度学习人工智能参考书源代码文件供下载本书适合神经网络、深度学习、TensorFlow 的入门者阅读。张平，数学与应用数学专业，数学功底深厚，算法工程师。主要从事图像算法研究和产品的应用开发。此外，还从事有关深度学习、机器学习、数据挖掘算法的应用研发工作。 1 深度学习及TensorFlow 简介 1
1．1 深度学习 1
1．2 TensorFlow 简介及安装 2
2 基本的数据结构及运算6
2．1 张量  6
2．1．1 张量的定义 6
2．1．2 Tensor 与Numpy 的ndarray 转换 9
2．1．3 张量的尺寸 10
2．1．4 图像转换为张量 13
2．2 随机数 14
2．2．1 均匀（平均）分布随机数 14
2．2．2 正态（高斯）分布随机数 15
2．3 单个张量的运算  17
2．3．1 改变张量的数据类型  17
2．3．2 访问张量中某一个区域的值 19
2．3．3 转置  22
2．3．4 改变形状  26
2．3．5 归约运算：求和、平均值、最大（小）值  29
2．3．6 最大（小）值的位置索引 34
2．4 多个张量之间的运算  35
2．4．1 基本运算：加、减、乘、除 35
2．4．2 乘法  41
2．4．3 张量的连接  42
2．4．4 张量的堆叠  44
2．4．5 张量的对比  48
2．5 占位符  49
2．6 Variable 对象  50
3 梯度及梯度下降法 52
3．1 梯度  52
3．2 导数计算的链式法则  53
3．2．1 多个函数和的导数 54
3．2．2 复合函数的导数  54
3．2．3 单变量函数的驻点、极值点、鞍点  55
3．2．4 多变量函数的驻点、极值点、鞍点  57
3．2．5 函数的泰勒级数展开  60
3．2．6 梯度下降法  63
3．3 梯度下降法  73
3．3．1 Adagrad 法  73
3．3．2 Momentum 法  75
3．3．3 NAG 法  77
3．3．4 RMSprop 法  78
3．3．5 具备动量的RMSprop 法  80
3．3．6 Adadelta 法  81
3．3．7 Adam 法   82
3．3．8 Batch 梯度下降  84
3．3．9 随机梯度下降   85
3．3．10 mini-Batch 梯度下降 86
3．4 参考文献    86
4 回归分析 88
4．1 线性回归分析   88
4．1．1 一元线性回归   88
4．1．2 保存和加载回归模型   91
4．1．3 多元线性回归   95
4．2 非线性回归分析   99
5 全连接神经网络 102
5．1 基本概念    102
5．2 计算步骤    104
5．3 神经网络的矩阵表达   107
5．4 激活函数   112
5．4．1 sigmoid 激活函数   112
5．4．2 tanh 激活函数   113
5．4．3 ReLU 激活函数   114
5．4．4 leaky relu 激活函数    115
5．4．5 elu 激活函数   118
5．4．6 crelu 激活函数    119
5．4．7 selu 激活函数    120
5．4．8 relu6 激活函数   121
5．4．9 softplus 激活函数   121
5．4．10 softsign 激活函数   122
5．5 参考文献   123
6 神经网络处理分类问题 125
6．1 TFRecord 文件  125
6．1．1 将ndarray 写入TFRecord 文件   125
6．1．2 从TFRecord 解析数据   128
6．2 建立分类问题的数学模型   134
6．2．1 数据类别（标签）   134
6．2．2 图像与TFRecrder   135
6．2．3 建立模型   140
6．3 损失函数与训练模型  143
6．3．1 sigmoid 损失函数   143
6．3．2 softmax 损失函数  144
6．3．3 训练和评估模型  148
6．4 全连接神经网络的梯度反向传播   151
6．4．1 数学原理及示例  151
6．4．2 梯度消失   166
7 一维离散卷积 168
7．1 一维离散卷积的计算原理 168
7．1．1 full 卷积  169
7．1．2 valid 卷积  170
7．1．3 same 卷积  170
7．1．4 full、same、valid 卷积的关系  171
7．2 一维卷积定理  174
7．2．1 一维离散傅里叶变换    174
7．2．2 卷积定理   177
7．3 具备深度的一维离散卷积   182
7．3．1 具备深度的张量与卷积核的卷积   182
7．3．2 具备深度的张量分别与多个卷积核的卷积   183
7．3．3 多个具备深度的张量分别与多个卷积核的卷积  185
8 二维离散卷积  187
8．1 二维离散卷积的计算原理   187
8．1．1 full 卷积  187
8．1．2 same 卷积  189
8．1．3 valid 卷积  191
8．1．4 full、same、valid 卷积的关系   192
8．1．5 卷积结果的输出尺寸   193
8．2 离散卷积的性质  194
8．2．1 可分离的卷积核  194
8．2．2 full 和same 卷积的性质  195
8．2．3 快速计算卷积  197
8．3 二维卷积定理    198
8．3．1 二维离散傅里叶变换  198
8．3．2 二维与一维傅里叶变换的关系  201
8．3．3 卷积定理  203
8．3．4 利用卷积定理快速计算卷积  203
8．4 多深度的离散卷积  205
8．4．1 基本的多深度卷积  205
8．4．2 一个张量与多个卷积核的卷积  207
8．4．3 多个张量分别与多个卷积核的卷积  208
8．4．4 在每一深度上分别卷积  211
8．4．5 单个张量与多个卷积核在深度上分别卷积  212
8．4．6 分离卷积  214
9 池化操作218
9．1 same 池化   218
9．1．1 same 最大值池化   218
9．1．2 多深度张量的same 池化   221
9．1．3 多个三维张量的same 最大值池化  223
9．1．4 same 平均值池化   224
9．2 valid 池化   226
9．2．1 多深度张量的vaild 池化   228
9．2．2 多个三维张量的valid 池化   229
10 卷积神经网络231
10．1 浅层卷积神经网络   231
10．2 LeNet    238
10．3 AlexNet   244
10．3．1 AlexNet 网络结构详解   244
10．3．2 dropout 及其梯度下降   247
10．4 VGGNet   256
10．5 GoogleNet    264
10．5．1 网中网结构   264
10．5．2 Batch Normalization    269
10．5．3 BN 与卷积运算的关系   273
10．5．4 指数移动平均   275
10．5．5 带有BN 操作的卷积神经网络   276
10．6 ResNet    281
10．7 参考文献   284
11 卷积的梯度反向传播  286
11．1 valid 卷积的梯度   286
11．1．1 已知卷积核，对未知张量求导   286
11．1．2 已知输入张量，对未知卷积核求导   290
11．2 same 卷积的梯度   294
11．2．1 已知卷积核，对输入张量求导   294
11．2．2 已知输入张量，对未知卷积核求导   298
12 池化操作的梯度  303
12．1 平均值池化的梯度   303
12．2 最大值池化的梯度   306
13 BN 的梯度反向传播311
13．1 BN 操作与卷积的关系   311
13．2 示例详解  314
14 TensorFlow 搭建神经网络的主要函数  324
内容简介:
290张图+110个可执行的TensorFlow示例程序+算法示例易懂的神经网络深度学习人工智能参考书源代码文件供下载本书适合神经网络、深度学习、TensorFlow 的入门者阅读。
作者简介:
张平，数学与应用数学专业，数学功底深厚，算法工程师。主要从事图像算法研究和产品的应用开发。此外，还从事有关深度学习、机器学习、数据挖掘算法的应用研发工作。
目录:
1 深度学习及TensorFlow 简介 1
1．1 深度学习 1
1．2 TensorFlow 简介及安装 2
2 基本的数据结构及运算6
2．1 张量  6
2．1．1 张量的定义 6
2．1．2 Tensor 与Numpy 的ndarray 转换 9
2．1．3 张量的尺寸 10
2．1．4 图像转换为张量 13
2．2 随机数 14
2．2．1 均匀（平均）分布随机数 14
2．2．2 正态（高斯）分布随机数 15
2．3 单个张量的运算  17
2．3．1 改变张量的数据类型  17
2．3．2 访问张量中某一个区域的值 19
2．3．3 转置  22
2．3．4 改变形状  26
2．3．5 归约运算：求和、平均值、最大（小）值  29
2．3．6 最大（小）值的位置索引 34
2．4 多个张量之间的运算  35
2．4．1 基本运算：加、减、乘、除 35
2．4．2 乘法  41
2．4．3 张量的连接  42
2．4．4 张量的堆叠  44
2．4．5 张量的对比  48
2．5 占位符  49
2．6 Variable 对象  50
3 梯度及梯度下降法 52
3．1 梯度  52
3．2 导数计算的链式法则  53
3．2．1 多个函数和的导数 54
3．2．2 复合函数的导数  54
3．2．3 单变量函数的驻点、极值点、鞍点  55
3．2．4 多变量函数的驻点、极值点、鞍点  57
3．2．5 函数的泰勒级数展开  60
3．2．6 梯度下降法  63
3．3 梯度下降法  73
3．3．1 Adagrad 法  73
3．3．2 Momentum 法  75
3．3．3 NAG 法  77
3．3．4 RMSprop 法  78
3．3．5 具备动量的RMSprop 法  80
3．3．6 Adadelta 法  81
3．3．7 Adam 法   82
3．3．8 Batch 梯度下降  84
3．3．9 随机梯度下降   85
3．3．10 mini-Batch 梯度下降 86
3．4 参考文献    86
4 回归分析 88
4．1 线性回归分析   88
4．1．1 一元线性回归   88
4．1．2 保存和加载回归模型   91
4．1．3 多元线性回归   95
4．2 非线性回归分析   99
5 全连接神经网络 102
5．1 基本概念    102
5．2 计算步骤    104
5．3 神经网络的矩阵表达   107
5．4 激活函数   112
5．4．1 sigmoid 激活函数   112
5．4．2 tanh 激活函数   113
5．4．3 ReLU 激活函数   114
5．4．4 leaky relu 激活函数    115
5．4．5 elu 激活函数   118
5．4．6 crelu 激活函数    119
5．4．7 selu 激活函数    120
5．4．8 relu6 激活函数   121
5．4．9 softplus 激活函数   121
5．4．10 softsign 激活函数   122
5．5 参考文献   123
6 神经网络处理分类问题 125
6．1 TFRecord 文件  125
6．1．1 将ndarray 写入TFRecord 文件   125
6．1．2 从TFRecord 解析数据   128
6．2 建立分类问题的数学模型   134
6．2．1 数据类别（标签）   134
6．2．2 图像与TFRecrder   135
6．2．3 建立模型   140
6．3 损失函数与训练模型  143
6．3．1 sigmoid 损失函数   143
6．3．2 softmax 损失函数  144
6．3．3 训练和评估模型  148
6．4 全连接神经网络的梯度反向传播   151
6．4．1 数学原理及示例  151
6．4．2 梯度消失   166
7 一维离散卷积 168
7．1 一维离散卷积的计算原理 168
7．1．1 full 卷积  169
7．1．2 valid 卷积  170
7．1．3 same 卷积  170
7．1．4 full、same、valid 卷积的关系  171
7．2 一维卷积定理  174
7．2．1 一维离散傅里叶变换    174
7．2．2 卷积定理   177
7．3 具备深度的一维离散卷积   182
7．3．1 具备深度的张量与卷积核的卷积   182
7．3．2 具备深度的张量分别与多个卷积核的卷积   183
7．3．3 多个具备深度的张量分别与多个卷积核的卷积  185
8 二维离散卷积  187
8．1 二维离散卷积的计算原理   187
8．1．1 full 卷积  187
8．1．2 same 卷积  189
8．1．3 valid 卷积  191
8．1．4 full、same、valid 卷积的关系   192
8．1．5 卷积结果的输出尺寸   193
8．2 离散卷积的性质  194
8．2．1 可分离的卷积核  194
8．2．2 full 和same 卷积的性质  195
8．2．3 快速计算卷积  197
8．3 二维卷积定理    198
8．3．1 二维离散傅里叶变换  198
8．3．2 二维与一维傅里叶变换的关系  201
8．3．3 卷积定理  203
8．3．4 利用卷积定理快速计算卷积  203
8．4 多深度的离散卷积  205
8．4．1 基本的多深度卷积  205
8．4．2 一个张量与多个卷积核的卷积  207
8．4．3 多个张量分别与多个卷积核的卷积  208
8．4．4 在每一深度上分别卷积  211
8．4．5 单个张量与多个卷积核在深度上分别卷积  212
8．4．6 分离卷积  214
9 池化操作218
9．1 same 池化   218
9．1．1 same 最大值池化   218
9．1．2 多深度张量的same 池化   221
9．1．3 多个三维张量的same 最大值池化  223
9．1．4 same 平均值池化   224
9．2 valid 池化   226
9．2．1 多深度张量的vaild 池化   228
9．2．2 多个三维张量的valid 池化   229
10 卷积神经网络231
10．1 浅层卷积神经网络   231
10．2 LeNet    238
10．3 AlexNet   244
10．3．1 AlexNet 网络结构详解   244
10．3．2 dropout 及其梯度下降   247
10．4 VGGNet   256
10．5 GoogleNet    264
10．5．1 网中网结构   264
10．5．2 Batch Normalization    269
10．5．3 BN 与卷积运算的关系   273
10．5．4 指数移动平均   275
10．5．5 带有BN 操作的卷积神经网络   276
10．6 ResNet    281
10．7 参考文献   284
11 卷积的梯度反向传播  286
11．1 valid 卷积的梯度   286
11．1．1 已知卷积核，对未知张量求导   286
11．1．2 已知输入张量，对未知卷积核求导   290
11．2 same 卷积的梯度   294
11．2．1 已知卷积核，对输入张量求导   294
11．2．2 已知输入张量，对未知卷积核求导   298
12 池化操作的梯度  303
12．1 平均值池化的梯度   303
12．2 最大值池化的梯度   306
13 BN 的梯度反向传播311
13．1 BN 操作与卷积的关系   311
13．2 示例详解  314
14 TensorFlow 搭建神经网络的主要函数  324

查看详情

图解深度学习与神经网络：从张量到TensorFlow实现

内容简介:

作者简介:

目录: