深度学习从0到1
出版时间:
2021-06
版次:
1
ISBN:
9787121411939
定价:
138.00
装帧:
其他
开本:
其他
纸张:
胶版纸
页数:
488页
-
本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM，以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。 机器学习、深度学习领域多年开发研究经验，一线实战专家。精通算法原理与编程实践。主要研究方向有计算机视觉，图像识别，语言识别等。熟练使用深度学习领域各种开源项目，如Tensorflow、Caffe等。 目 录
第1章 深度学习背景介绍 1
1.1 人工智能 1
1.2 机器学习 3
1.2.1 训练数据、验证数据和测试数据 4
1.2.2 学习方式 4
1.2.3 机器学习常用算法 5
1.3 人工智能、机器学习、神经网络及深度学习之间的关系 10
1.4 深度学习的应用 11
1.5 神经网络和深度学习的发展史 16
1.5.1 神经网络的诞生：20世纪40年代到20世纪60年代 16
1.5.2 神经网络的复兴：20世纪80年代到20世纪90年代 17
1.5.3 深度学习：2006年至今 17
1.6 深度学习领域中的重要人物 18
1.7 新一轮人工智能爆发的三要素 19
1.8 参考文献 19
第2章 搭建Python编程环境 21
2.1 Python介绍 21
2.2 Anaconda安装 21
2.3 Jupyter Notebook的简单使用 25
2.3.1 启动Jupyter Notebook 26
2.3.2 修改Jupyter Notebook默认启动路径 26
2.3.3 Jupyter Notebook浏览器无法打开 28
2.3.4 Jupyter Notebook基本操作 28
第3章 单层感知器与线性神经网络 31
3.1 生物神经网络 31
3.2 单层感知器 32
3.2.1 单层感知器介绍 32
3.2.2 单层感知器计算举例 32
3.2.3 单层感知器的另一种表达形式 33
3.3 单层感知器的学习规则 33
3.3.1 单层感知器的学习规则介绍 33
3.3.2 单层感知器的学习规则计算举例 34
3.4 学习率 37
3.5 模型的收敛条件 38
3.6 模型的超参数和参数的区别 38
3.7 单层感知器分类案例 39
3.8 线性神经网络 42
3.8.1 线性神经网络介绍 42
3.8.2 线性神经网络分类案例 42
3.9 线性神经网络处理异或问题 45
第4章 BP神经网络 50
4.1 BP神经网络介绍及发展背景 50
4.2 代价函数 51
4.3 梯度下降法 51
4.3.1 梯度下降法介绍 51
4.3.2 梯度下降法二维例子 53
4.3.3 梯度下降法三维例子 55
4.4 Delta学习规则 56
4.5 常用激活函数讲解 56
4.5.1 sigmoid函数 57
4.5.2 tanh函数 57
4.5.3 softsign函数 58
4.5.4 ReLU函数 59
4.6 BP神经网络模型和公式推导 61
4.6.1 BP网络模型 62
4.6.2 BP算法推导 63
4.6.3 BP算法推导的补充说明 65
4.7 BP算法推导结论总结 67
4.8 梯度消失与梯度爆炸 67
4.8.1 梯度消失 67
4.8.2 梯度爆炸 69
4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题 69
4.9 使用BP神经网络解决异或问题 70
4.10 分类模型评估方法 74
4.10.1 准确率/精确率/召回率/F1值 74
4.10.2 混淆矩阵 77
4.11 独热编码 77
4.12 BP神经网络完成手写数字识别 78
4.13 Sklearn手写数字识别 83
4.14 参考文献 84
第5章 深度学习框架Tensorflow基础使用 85
5.1 Tensorflow介绍 86
5.1.1 Tensorflow简介 86
5.1.2 静态图和动态图机制Eager Execution 86
5.1.3 tf.keras 87
5.2 Tensorflow-cpu安装 88
5.2.1 Tensorflow-cpu在线安装 88
5.2.2 安装过程中可能遇到的问题 89
5.2.3 Tensorflow-cpu卸载 91
5.2.4 Tensorflow-cpu更新 91
5.2.5 Tensorflow-cpu指定版本的安装 91
5.3 Tensorflow-gpu安装 91
5.3.1 Tensorflow-gpu了解最新版本情况 91
5.3.2 Tensorflow-gpu安装CUDA 92
5.3.3 Tensorflow-gpu安装cuDNN库 94
5.3.4 Tensorflow-gpu在线安装 95
5.3.5 Tensorflow-gpu卸载 95
5.3.6 Tensorflow-gpu更新 95
5.4 Tensorflow基本概念 95
5.5 Tensorflow基础使用 96
5.6 手写数字图片分类任务 100
5.6.1 MNIST数据集介绍 100
5.6.2 softmax函数介绍 101
5.6.3 简单MNIST数据集分类模型—没有高级封装 101
5.6.4 简单MNIST数据集分类模型—keras高级封装 104
第6章 网络优化方法 106
6.1 交叉熵代价函数 106
6.1.1 均方差代价函数的缺点 106
6.1.2 引入交叉熵代价函数 109
6.1.3 交叉熵代价函数推导过程 109
6.1.4 softmax与对数似然代价函数 110
6.1.5 交叉熵程序 112
6.2 过拟合 114
6.2.1 什么是过拟合 114
6.2.2 抵抗过拟合的方法 117
6.3 数据增强 117
6.4 提前停止训练 119
6.5 Dropout 121
6.5.1 Dropout介绍 121
6.5.2 Dropout程序 123
6.6 正则化 125
6.6.1 正则化介绍 125
6.6.2 正则化程序 126
6.7 标签平滑 129
6.7.1 标签平滑介绍 129
6.7.2 标签平滑程序 130
6.8 优化器 132
6.8.1 梯度下降法 132
6.8.2 Momentum 133
6.8.3 NAG 133
6.8.4 Adagrad 133
6.8.5 Adadelta 134
6.8.6 RMRprop 134
6.8.7 Adam 134
6.8.8 优化器程序 135
6.9 参考文献 137
第7章 Tensorflow模型的保存和载入 138
7.1 Keras模型保存和载入 138
7.1.1 Keras模型保存 138
7.1.2 Keras模型载入 139
7.2 SavedModel模型保存和载入 140
7.2.1 SavedModel模型保存 140
7.2.2 SavedModel模型载入 141
7.3 单独保存模型的结构 142
7.3.1 保存模型的结构 142
7.3.2 载入模型结构 143
7.4 单独保存模型参数 144
7.4.1 保存模型参数 144
7.4.2 载入模型参数 145
7.5 ModelCheckpoint自动保存模型 146
7.6 Checkpoint模型保存和载入 149
7.6.1 Checkpoint模型保存 149
7.6.2 Checkpoint模型载入 151
第8章 卷积神经网络（CNN） 154
8.1 计算机视觉介绍 154
8.1.1 计算机视觉应用介绍 154
8.1.2 计算机视觉技术介绍 155
8.2 卷积神经网简介 158
8.2.1 BP神经网络存在的问题 158
8.2.2 局部感受野和权值共享 158
8.3 卷积的具体计算 159
8.4 卷积的步长 161
8.5 不同的卷积核 162
8.6 池化 163
8.7 Padding 164
8.8 常见的卷积计算总结 166
8.8.1 对1张图像进行卷积生成1张特征图 166
8.8.2 对1张图像进行卷积生成多张特征图 166
8.8.3 对多张图像进行卷积生成1张特征图 167
8.8.4 对多张图像进行卷积生成多张特征图 168
8.9 经典的卷积神经网络 168
8.10 卷积神经网络应用于MNIST数据集分类 170
8.11 识别自己写的数字图片 172
8.12 CIFAR-10数据集分类 175
8.13 参考文献 177
第9章 序列模型 178
9.1 序列模型应用 178
9.2 循环神经网络（RNN） 179
9.2.1 RNN介绍 179
9.2.2 Elman network和Jordan network 180
9.3 RNN的不同架构 180
9.3.1 一对一架构 180
9.3.2 多对一架构 181
9.3.3 多对多架构 181
9.3.4 一对多架构 181
9.3.5 Seq2Seq架构 182
9.4 传统RNN的缺点 182
9.5 长短时记忆网络（LSTM） 183
9.6 Peephole LSTM和FC-LSTM 186
9.6.1 Peephole LSTM介绍 186
9.6.2 FC-LSTM介绍 187
9.7 其他RNN模型 188
9.7.1 门控循环单元（GRU） 188
9.7.2 双向RNN 189
9.7.3 堆叠的双向RNN 190
9.8 LSTM网络应用于MNIST数据集分类 190
9.9 参考文献 192
第10章 经典图像识别模型介绍（上） 193
10.1 图像数据集 193
10.1.1 图像数据集介绍 193
10.1.2 ImageNet的深远影响 194
10.1.3 ImageNet Challenge历年优秀作品 195
10.2 AlexNet 196
10.3 VGGNet 199
10.4 GoogleNet 201
10.4.1 1×1卷积介绍 202
10.4.2 Inception结构 203
10.4.3 GoogleNet网络结构 205
10.5 Batch Normalization 208
10.5.1 Batch Normalization提出背景 208
10.5.2 数据标准化（Normalization） 209
10.5.3 Batch Normalization模型训练阶段 209
10.5.4 Batch Normalization模型预测阶段 210
10.5.5 Batch Normalization作用分析 211
10.6 ResNet 212
10.6.1 ResNet背景介绍 212
10.6.2 残差块介绍 213
10.6.3 ResNet网络结构 214
10.6.4 ResNet-V2 219
10.7 参考文献 221
第11章 经典图像识别模型介绍（下） 222
11.1 Inception模型系列 222
11.1.1 Inception-v2/v3优化策略 222
11.1.2 Inception-v2/v3模型结构 224
11.1.3 Inception-v4和Inception-ResNet介绍 229
11.2 ResNeXt 233
11.2.1 分组卷积介绍 233
11.2.2 ResNeXt中的分组卷积 235
11.2.3 ResNeXt的网络结构 236
11.3 SENet 238
11.3.1 SENet介绍 239
11.3.2 SENet结果分析 242
11.4 参考文献 244
第12章 图像识别项目实战 245
12.1 图像数据准备 245
12.1.1 数据集介绍 245
12.1.2 数据集准备 246
12.1.3 切分数据集程序 247
12.2 AlexNet图像识别 249
12.3 VGGNet图像识别 253
12.4 函数式模型 255
12.4.1 函数式模型介绍 255
12.4.2 使用函数式模型进行MNIST图像识别 256
12.5 模型可视化 257
12.5.1 使用plot_model进行模型可视化 257
12.5.2 plot_model升级版 260
12.6 GoogleNet图像识别 261
12.7 Batch Normalization使用 263
12.8 ResNet图像识别 265
12.9 ResNeXt图像识别 267
12.10 SENet图像识别 270
12.11 使用预训练模型进行迁移学习 274
12.11.1 使用训练好的模型进行图像识别 274
12.11.2 使用训练好的模型进行迁移学习 276
12.11.3 载入训练好的模型进行预测 279
第13章 验证码识别项目实战 282
13.1 多任务学习介绍 282
13.2 验证码数据集生成 283
13.3 tf.data介绍 285
13.3.1
-
内容简介:
本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM，以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。
-
作者简介:
机器学习、深度学习领域多年开发研究经验，一线实战专家。精通算法原理与编程实践。主要研究方向有计算机视觉，图像识别，语言识别等。熟练使用深度学习领域各种开源项目，如Tensorflow、Caffe等。
-
目录:
目 录
第1章 深度学习背景介绍 1
1.1 人工智能 1
1.2 机器学习 3
1.2.1 训练数据、验证数据和测试数据 4
1.2.2 学习方式 4
1.2.3 机器学习常用算法 5
1.3 人工智能、机器学习、神经网络及深度学习之间的关系 10
1.4 深度学习的应用 11
1.5 神经网络和深度学习的发展史 16
1.5.1 神经网络的诞生：20世纪40年代到20世纪60年代 16
1.5.2 神经网络的复兴：20世纪80年代到20世纪90年代 17
1.5.3 深度学习：2006年至今 17
1.6 深度学习领域中的重要人物 18
1.7 新一轮人工智能爆发的三要素 19
1.8 参考文献 19
第2章 搭建Python编程环境 21
2.1 Python介绍 21
2.2 Anaconda安装 21
2.3 Jupyter Notebook的简单使用 25
2.3.1 启动Jupyter Notebook 26
2.3.2 修改Jupyter Notebook默认启动路径 26
2.3.3 Jupyter Notebook浏览器无法打开 28
2.3.4 Jupyter Notebook基本操作 28
第3章 单层感知器与线性神经网络 31
3.1 生物神经网络 31
3.2 单层感知器 32
3.2.1 单层感知器介绍 32
3.2.2 单层感知器计算举例 32
3.2.3 单层感知器的另一种表达形式 33
3.3 单层感知器的学习规则 33
3.3.1 单层感知器的学习规则介绍 33
3.3.2 单层感知器的学习规则计算举例 34
3.4 学习率 37
3.5 模型的收敛条件 38
3.6 模型的超参数和参数的区别 38
3.7 单层感知器分类案例 39
3.8 线性神经网络 42
3.8.1 线性神经网络介绍 42
3.8.2 线性神经网络分类案例 42
3.9 线性神经网络处理异或问题 45
第4章 BP神经网络 50
4.1 BP神经网络介绍及发展背景 50
4.2 代价函数 51
4.3 梯度下降法 51
4.3.1 梯度下降法介绍 51
4.3.2 梯度下降法二维例子 53
4.3.3 梯度下降法三维例子 55
4.4 Delta学习规则 56
4.5 常用激活函数讲解 56
4.5.1 sigmoid函数 57
4.5.2 tanh函数 57
4.5.3 softsign函数 58
4.5.4 ReLU函数 59
4.6 BP神经网络模型和公式推导 61
4.6.1 BP网络模型 62
4.6.2 BP算法推导 63
4.6.3 BP算法推导的补充说明 65
4.7 BP算法推导结论总结 67
4.8 梯度消失与梯度爆炸 67
4.8.1 梯度消失 67
4.8.2 梯度爆炸 69
4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题 69
4.9 使用BP神经网络解决异或问题 70
4.10 分类模型评估方法 74
4.10.1 准确率/精确率/召回率/F1值 74
4.10.2 混淆矩阵 77
4.11 独热编码 77
4.12 BP神经网络完成手写数字识别 78
4.13 Sklearn手写数字识别 83
4.14 参考文献 84
第5章 深度学习框架Tensorflow基础使用 85
5.1 Tensorflow介绍 86
5.1.1 Tensorflow简介 86
5.1.2 静态图和动态图机制Eager Execution 86
5.1.3 tf.keras 87
5.2 Tensorflow-cpu安装 88
5.2.1 Tensorflow-cpu在线安装 88
5.2.2 安装过程中可能遇到的问题 89
5.2.3 Tensorflow-cpu卸载 91
5.2.4 Tensorflow-cpu更新 91
5.2.5 Tensorflow-cpu指定版本的安装 91
5.3 Tensorflow-gpu安装 91
5.3.1 Tensorflow-gpu了解最新版本情况 91
5.3.2 Tensorflow-gpu安装CUDA 92
5.3.3 Tensorflow-gpu安装cuDNN库 94
5.3.4 Tensorflow-gpu在线安装 95
5.3.5 Tensorflow-gpu卸载 95
5.3.6 Tensorflow-gpu更新 95
5.4 Tensorflow基本概念 95
5.5 Tensorflow基础使用 96
5.6 手写数字图片分类任务 100
5.6.1 MNIST数据集介绍 100
5.6.2 softmax函数介绍 101
5.6.3 简单MNIST数据集分类模型—没有高级封装 101
5.6.4 简单MNIST数据集分类模型—keras高级封装 104
第6章 网络优化方法 106
6.1 交叉熵代价函数 106
6.1.1 均方差代价函数的缺点 106
6.1.2 引入交叉熵代价函数 109
6.1.3 交叉熵代价函数推导过程 109
6.1.4 softmax与对数似然代价函数 110
6.1.5 交叉熵程序 112
6.2 过拟合 114
6.2.1 什么是过拟合 114
6.2.2 抵抗过拟合的方法 117
6.3 数据增强 117
6.4 提前停止训练 119
6.5 Dropout 121
6.5.1 Dropout介绍 121
6.5.2 Dropout程序 123
6.6 正则化 125
6.6.1 正则化介绍 125
6.6.2 正则化程序 126
6.7 标签平滑 129
6.7.1 标签平滑介绍 129
6.7.2 标签平滑程序 130
6.8 优化器 132
6.8.1 梯度下降法 132
6.8.2 Momentum 133
6.8.3 NAG 133
6.8.4 Adagrad 133
6.8.5 Adadelta 134
6.8.6 RMRprop 134
6.8.7 Adam 134
6.8.8 优化器程序 135
6.9 参考文献 137
第7章 Tensorflow模型的保存和载入 138
7.1 Keras模型保存和载入 138
7.1.1 Keras模型保存 138
7.1.2 Keras模型载入 139
7.2 SavedModel模型保存和载入 140
7.2.1 SavedModel模型保存 140
7.2.2 SavedModel模型载入 141
7.3 单独保存模型的结构 142
7.3.1 保存模型的结构 142
7.3.2 载入模型结构 143
7.4 单独保存模型参数 144
7.4.1 保存模型参数 144
7.4.2 载入模型参数 145
7.5 ModelCheckpoint自动保存模型 146
7.6 Checkpoint模型保存和载入 149
7.6.1 Checkpoint模型保存 149
7.6.2 Checkpoint模型载入 151
第8章 卷积神经网络（CNN） 154
8.1 计算机视觉介绍 154
8.1.1 计算机视觉应用介绍 154
8.1.2 计算机视觉技术介绍 155
8.2 卷积神经网简介 158
8.2.1 BP神经网络存在的问题 158
8.2.2 局部感受野和权值共享 158
8.3 卷积的具体计算 159
8.4 卷积的步长 161
8.5 不同的卷积核 162
8.6 池化 163
8.7 Padding 164
8.8 常见的卷积计算总结 166
8.8.1 对1张图像进行卷积生成1张特征图 166
8.8.2 对1张图像进行卷积生成多张特征图 166
8.8.3 对多张图像进行卷积生成1张特征图 167
8.8.4 对多张图像进行卷积生成多张特征图 168
8.9 经典的卷积神经网络 168
8.10 卷积神经网络应用于MNIST数据集分类 170
8.11 识别自己写的数字图片 172
8.12 CIFAR-10数据集分类 175
8.13 参考文献 177
第9章 序列模型 178
9.1 序列模型应用 178
9.2 循环神经网络（RNN） 179
9.2.1 RNN介绍 179
9.2.2 Elman network和Jordan network 180
9.3 RNN的不同架构 180
9.3.1 一对一架构 180
9.3.2 多对一架构 181
9.3.3 多对多架构 181
9.3.4 一对多架构 181
9.3.5 Seq2Seq架构 182
9.4 传统RNN的缺点 182
9.5 长短时记忆网络（LSTM） 183
9.6 Peephole LSTM和FC-LSTM 186
9.6.1 Peephole LSTM介绍 186
9.6.2 FC-LSTM介绍 187
9.7 其他RNN模型 188
9.7.1 门控循环单元（GRU） 188
9.7.2 双向RNN 189
9.7.3 堆叠的双向RNN 190
9.8 LSTM网络应用于MNIST数据集分类 190
9.9 参考文献 192
第10章 经典图像识别模型介绍（上） 193
10.1 图像数据集 193
10.1.1 图像数据集介绍 193
10.1.2 ImageNet的深远影响 194
10.1.3 ImageNet Challenge历年优秀作品 195
10.2 AlexNet 196
10.3 VGGNet 199
10.4 GoogleNet 201
10.4.1 1×1卷积介绍 202
10.4.2 Inception结构 203
10.4.3 GoogleNet网络结构 205
10.5 Batch Normalization 208
10.5.1 Batch Normalization提出背景 208
10.5.2 数据标准化（Normalization） 209
10.5.3 Batch Normalization模型训练阶段 209
10.5.4 Batch Normalization模型预测阶段 210
10.5.5 Batch Normalization作用分析 211
10.6 ResNet 212
10.6.1 ResNet背景介绍 212
10.6.2 残差块介绍 213
10.6.3 ResNet网络结构 214
10.6.4 ResNet-V2 219
10.7 参考文献 221
第11章 经典图像识别模型介绍（下） 222
11.1 Inception模型系列 222
11.1.1 Inception-v2/v3优化策略 222
11.1.2 Inception-v2/v3模型结构 224
11.1.3 Inception-v4和Inception-ResNet介绍 229
11.2 ResNeXt 233
11.2.1 分组卷积介绍 233
11.2.2 ResNeXt中的分组卷积 235
11.2.3 ResNeXt的网络结构 236
11.3 SENet 238
11.3.1 SENet介绍 239
11.3.2 SENet结果分析 242
11.4 参考文献 244
第12章 图像识别项目实战 245
12.1 图像数据准备 245
12.1.1 数据集介绍 245
12.1.2 数据集准备 246
12.1.3 切分数据集程序 247
12.2 AlexNet图像识别 249
12.3 VGGNet图像识别 253
12.4 函数式模型 255
12.4.1 函数式模型介绍 255
12.4.2 使用函数式模型进行MNIST图像识别 256
12.5 模型可视化 257
12.5.1 使用plot_model进行模型可视化 257
12.5.2 plot_model升级版 260
12.6 GoogleNet图像识别 261
12.7 Batch Normalization使用 263
12.8 ResNet图像识别 265
12.9 ResNeXt图像识别 267
12.10 SENet图像识别 270
12.11 使用预训练模型进行迁移学习 274
12.11.1 使用训练好的模型进行图像识别 274
12.11.2 使用训练好的模型进行迁移学习 276
12.11.3 载入训练好的模型进行预测 279
第13章 验证码识别项目实战 282
13.1 多任务学习介绍 282
13.2 验证码数据集生成 283
13.3 tf.data介绍 285
13.3.1
查看详情
-
全新
河北省保定市
平均发货29小时
成功完成率85.5%
-
全新
河北省保定市
平均发货27小时
成功完成率88.53%
-
深度学习从0到1
全新正版书籍，假一罚十（图片为标准图，仅供参考。以标题为准，不了解的可以询问客服。）
全新
北京市朝阳区
平均发货17小时
成功完成率96.15%
-
全新
河北省保定市
平均发货26小时
成功完成率92.08%
-
全新
河北省保定市
平均发货28小时
成功完成率91.02%
-
全新
河北省保定市
平均发货26小时
成功完成率90.16%
-
全新
天津市东丽区
平均发货18小时
成功完成率90.06%
-
全新
山东省济宁市
平均发货68小时
成功完成率80.73%
-
九五品
河北省保定市
平均发货12小时
成功完成率80.4%
-
全新
河北省保定市
平均发货20小时
成功完成率86.89%
-
深度学习从0到1
全新正版书籍，假一罚十（图片为标准图，仅供参考。以标题为准，不了解的可以询问客服。）
全新
北京市朝阳区
平均发货18小时
成功完成率94.91%
-
全新
北京市通州区
平均发货11小时
成功完成率94.15%
-
【全新正版】深度学习从0到1
重要提醒：如果图片描述的书名与文字描述的书名不一致的，以文字描述的书名为准，库存数量与实际库存数不同步，正版库存图书，放心购买
全新
江苏省南京市
平均发货12小时
成功完成率89.94%
-
全新
湖北省武汉市
平均发货15小时
成功完成率94.93%
-
全新
江苏省宿迁市
平均发货25小时
成功完成率87.66%
-
全新
广东省广州市
平均发货20小时
成功完成率86.5%
-
全新
江苏省无锡市
平均发货23小时
成功完成率91.02%
-
深度学从0到1 人工智能 作者 新华正版
本书的脉络框架主要是根据深度学知识由浅入深的发展来编写的，对于tensorflow的使用基本上不会单独讲解，而是会结合深度学理论知识或实际应用案例来讲解。本书主要特为：（1）所有公式推导都有
全新
北京市丰台区
平均发货23小时
成功完成率88.44%
-
全新
江苏省南京市
平均发货16小时
成功完成率82.78%
-
全新
江苏省南京市
平均发货18小时
成功完成率67.66%
-
深度学从0到1 人工智能 新华正版
本书的脉络框架主要是根据深度学知识由浅入深的发展来编写的，对于tensorflow的使用基本上不会单独讲解，而是会结合深度学理论知识或实际应用案例来讲解。本书主要特为：（1）所有公式推导都有
全新
-
深度学从0到1 人工智能 新华正版
本书的脉络框架主要是根据深度学知识由浅入深的发展来编写的，对于tensorflow的使用基本上不会单独讲解，而是会结合深度学理论知识或实际应用案例来讲解。本书主要特为：（1）所有公式推导都有
全新
河北省保定市
平均发货15小时
成功完成率91.16%
-
全新
河北省保定市
平均发货25小时
成功完成率90.25%
-
全新
江苏省南京市
平均发货8小时
成功完成率96.57%
-
全新
江苏省南京市
平均发货16小时
成功完成率82.78%
-
全新
江苏省南京市
平均发货7小时
成功完成率97.87%
-
深度学习从0到1
人工智能 本书的脉络框架主要是根据深度学习知识由浅入深的发展来编写的，对于Tensorflow的使用技巧基本上不会单独讲解，而是会结合深度学习理论知识或实际应用案例来讲解。本书主要特色为：（1）所有公式推导都有详细步骤，并解释每个符号；（2）注释每一行代码；（3）程序皆为完整程序；（4）一图胜千言；（5）逻辑结构清晰，讲解细致。 新华书店全新正版书籍
全新
江苏省无锡市
平均发货8小时
成功完成率95.77%
-
正版现货 深度学习从0到1
人工智能 本书的脉络框架主要是根据深度学习知识由浅入深的发展来编写的，对于Tensorflow的使用技巧基本上不会单独讲解，而是会结合深度学习理论知识或实际应用案例来讲解。本书主要特色为：（1）所有公式推导都有详细步骤，并解释每个符号；（2）注释每一行代码；（3）程序皆为完整程序；（4）一图胜千言；（5）逻辑结构清晰，讲解细致。 新华书店全新正版书籍
全新
北京市东城区
平均发货29小时
成功完成率83.9%
-
全新
四川省成都市
平均发货15小时
成功完成率80.31%
-
全新
北京市房山区
平均发货31小时
成功完成率78.17%
-
全新
北京市海淀区
平均发货20小时
成功完成率86.08%
-
全新
河北省廊坊市
平均发货22小时
成功完成率86.32%
-
全新
河北省保定市
平均发货26小时
成功完成率89.68%
-
全新
山东省泰安市
平均发货23小时
成功完成率85.48%
-
全新
海南省海口市
平均发货14小时
成功完成率82.56%
-
全新
上海市黄浦区
平均发货11小时
成功完成率94.48%
-
深度学习从0到1
本店所售图书，保证正版新书，有个别图片和实书封面不一样，以实书封面为准，最快当天，一般隔天发货。支持7天无理由退换货.开票联系客服
全新
北京市西城区
平均发货28小时
成功完成率88.4%
-
全新
广东省广州市
平均发货8小时
成功完成率94.63%
-
全新
天津市津南区
平均发货13小时
成功完成率94.21%
-
全新
河北省保定市
平均发货37小时
成功完成率86.46%
-
全新
北京市丰台区
平均发货8小时
成功完成率90.4%
-
全新
山东省泰安市
平均发货8小时
成功完成率92.9%
-
全新
北京市通州区
平均发货9小时
成功完成率88.67%
-
全新
山东省泰安市
平均发货9小时
成功完成率87.97%
-
全新
北京市海淀区
平均发货11小时
成功完成率93.16%
-
2021-06 印刷
印次: 1
九品
北京市丰台区
平均发货16小时
成功完成率96.84%
-
九品
上海市普陀区
平均发货28小时
成功完成率92.57%
-
全新
北京市朝阳区
平均发货13小时
成功完成率94.17%
-
全新
广东省广州市
平均发货15小时
成功完成率88.89%
-
全新
四川省成都市
平均发货20小时
成功完成率73.79%
占位居中
