Tensorflow深度学习基础与应用

Tensorflow深度学习基础与应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
2021-09
版次: 1
ISBN: 9787115556820
定价: 49.80
装帧: 平装
开本: 其他
纸张: 胶版纸
页数: 190页
字数: 298千字
5人买过
  • 本书基于谷歌的深度学习框架tensorflow,深入讲解其语法特点,以及使用方法,并在此基础上选取了图像领域的多个应用进行深入讲解,原理由浅入深,算法推导细致到位,结合大量的图片,以及运行中间结果,进行了细致的分析。
      本书基于谷歌的深度学习框架tensorflow,深入讲解其语法特点,以及使用方法,并在此基础上选取了图像领域的多个应用进行深入讲解,原理由浅入深,算法推导细致到位,结合大量的图片,以及运行中间结果,进行了细致的分析。 杨虹,重庆市半导体行业协会副理事长,重庆市电子学会常务理事,重庆市高校青年骨干教师。现任重庆邮电大学光电工程学院副院长。 

    谢显中,男,教授,工学博士,博士生导师。现为重庆邮电大学光电工程学院院长、重庆国际半导体学院执行院长,兼任计算机网络与通信技术信息产业部/重庆市重点实验室主任、重庆邮电大学个人通信研究所所长。 第1章  绪论  1

    1.1 机器学习简介 1

    1.2 机器学习流程 2

    1.3 深度学习简介 3

    第2章 TensorFlow简介与环境搭建 4

    2.1 TensorFlow简介 4

    2.2 TensorFlow 的语言支持 4

    2.3 TensorFlow的安装和环境配置 5

    2.3.1 Python安装 5

    2.3.2 CUDA与CUDNN安装 11

    2.4 TensorFlow安装 12

    2.4.1 pip安装 12

    2.4.2 Docker安装 13

    2.5 测试TensorFlow 13

    第3章 TensorFlow入门 14

    3.1 TensorFlow静态图模式 14

    3.1.1 TensorFlow中的张量类型 14

    3.1.2 TensorFlow的操作符简介 17

    3.1.3 TensorFlow的Graph和

    Session 23

    3.2 TensorFlow动态图模式 27

    3.3 TensorFlow 损失函数 28

    3.3.1 交叉熵 28

    3.3.2 均方误差 29

    3.3.3 KL散度 29

    3.4 TensorFlow优化器 30

    3.5 TensorFlow训练数据输入 33

    3.5.1 tf.data.Dataset 33

    3.5.2 tf.data.Iterator 35

    第4章 聚类算法 37

    4.1 聚类算法简介 37

    4.2 k均值聚类算法 38

    4.2.1 算法步骤 38

    4.2.2 准则函数 39

    4.2.3 算法改进 39

    4.3 k中心聚类算法 43

    4.3.1 准则函数 43

    4.3.2 算法步骤 43

    4.3.3 算法对比 43

    第5章 分类算法 45

    5.1 分类算法简介 45

    5.2 k近邻算法 45

    5.2.1 算法步骤 46

    5.2.2 投票算法改进 46

    5.2.3 k参数选取 46

    5.2.4 模型评价 47

    5.3 朴素贝叶斯 49

    5.3.1 算法步骤 50

    5.3.2 概率处理 50

    5.3.3 连续值概率计算 51

    5.4 决策树 53

    5.4.1 分裂函数 53

    5.4.2 特征为连续特征 54

    5.4.3 决策树终止条件 55

    5.5 支持向量机 55

    5.5.1 线性可分支持向量机 56

    5.5.2 近似线性可分支持向量机 59

    5.5.3 非线性支持向量机 60

    5.5.4 常用核函数 60

    5.5.5 多分类支持向量机 61

    5.6 人工神经网络 61

    5.6.1 激活函数 62

    5.6.2 逻辑门设计 64

    5.6.3 多层感知器 67

    5.6.4 前向传播算法 67

    5.6.5 反向传播算法 68

    第6章 回归算法 72

    6.1 线性回归 72

    6.1.1 小二乘法 72

    6.1.2 广义逆 74

    6.1.3 岭回归与Lasso回归 76

    6.1.4 梯度求解算法 78

    6.2 非线性回归 84

    6.2.1 指数变换 84

    6.2.2 对数变换 85

    6.2.3 幂等变换 85

    6.2.4 多项式变换 85

    6.3 逻辑回归 85

    6.3.1 二值逻辑回归 86

    6.3.2 多元逻辑回归 89

    6.4 决策树回归 91

    6.4.1 代价函数 92

    6.4.2 算法流程 92

    6.4.3 举例 93

    6.5 梯度算法 94

    6.5.1 随机梯度下降法 95

    6.5.2 牛顿法 96

    第7章 MNIST数据集 99

    7.1 MNIST数据集简介 99

    7.2 LeNet的实现与讲解 101

    7.2.1 网络参数设置和输入设置 101

    7.2.2 LeNet网络模型详解 102

    7.2.3 更简洁的实现 107

    7.2.4 softmax层和网络更新方式 108

    7.2.5 训练过程 108

    7.3 FashionMNIST数据集 109

    第8章 图像分类 110

    8.1 图像分类的概念 110

    8.2 图像分类的常用网络结构 111

    8.2.1 AlexNet网络结构 111

    8.2.2 VGGNet网络结构 113

    8.2.3 Network In Network网络

    结构 114

    8.2.4 GoogLeNet网络结构 117

    8.2.5 ResNet网络结构 119

    8.3 图像多标签分类实例 121

    8.3.1 使用TFRecord生成训练

    数据 121

    8.3.2 构建多标签分类网络 122

    8.3.3 多标签模型训练模型 125

    第9章 目标检测 127

    9.1 目标检测的概念 127

    9.1.1 Faster R-CNN 127

    9.1.2 YOLO 128

    9.1.3 SSD 130

    9.2 基于SSD的目标检测实例 131

    9.2.1 基于VGG的SSD网络 131

    9.2.2 坐标和类别预测 133

    9.2.3 多尺度的预测拼接 133

    9.2.4 损失函数与模型训练 133

    第10章 图像检索应用 135

    10.1 图像检索的基本概念 135

    10.2 图像检索特征提取的常用方法 137

    10.3 基于VGG的图像检索实例 140

    10.3.1 使用TFRecord生成训练

    数据 140

    10.3.2 模型训练函数 141

    10.3.3 检索系统构建 141

    第11章 光学字符识别应用 143

    11.1 光学字符识别的概念 143

    11.2 光学字符识别的常用算法与

    流程 144

    11.2.1 文本检测环节 144

    11.2.2 文本识别环节 145

    11.3 基于CNN-RNN-CTC的光学

    字符识别算法实例 146

    11.3.1 光学字符识别训练数据

    生成 146

    11.3.2 使用TFRecord生成训练

    数据 148

    11.3.3 构建基于CNN-RNN-CTC

    的光学字符识别网络 149

    第12章 中文分词 152

    12.1 自然语言处理 152

    12.2 中文分词简介 153

    12.2.1 BMES 153

    12.2.2 BM12ES 154

    12.3 文字单元嵌入表达 154

    12.3.1 文字单元的独热嵌入表达 154

    12.3.2 word2Vector 155

    12.3.3 word2Vector代码实现 161
  • 内容简介:
    本书基于谷歌的深度学习框架tensorflow,深入讲解其语法特点,以及使用方法,并在此基础上选取了图像领域的多个应用进行深入讲解,原理由浅入深,算法推导细致到位,结合大量的图片,以及运行中间结果,进行了细致的分析。
      本书基于谷歌的深度学习框架tensorflow,深入讲解其语法特点,以及使用方法,并在此基础上选取了图像领域的多个应用进行深入讲解,原理由浅入深,算法推导细致到位,结合大量的图片,以及运行中间结果,进行了细致的分析。
  • 作者简介:
    杨虹,重庆市半导体行业协会副理事长,重庆市电子学会常务理事,重庆市高校青年骨干教师。现任重庆邮电大学光电工程学院副院长。 

    谢显中,男,教授,工学博士,博士生导师。现为重庆邮电大学光电工程学院院长、重庆国际半导体学院执行院长,兼任计算机网络与通信技术信息产业部/重庆市重点实验室主任、重庆邮电大学个人通信研究所所长。
  • 目录:
    第1章  绪论  1

    1.1 机器学习简介 1

    1.2 机器学习流程 2

    1.3 深度学习简介 3

    第2章 TensorFlow简介与环境搭建 4

    2.1 TensorFlow简介 4

    2.2 TensorFlow 的语言支持 4

    2.3 TensorFlow的安装和环境配置 5

    2.3.1 Python安装 5

    2.3.2 CUDA与CUDNN安装 11

    2.4 TensorFlow安装 12

    2.4.1 pip安装 12

    2.4.2 Docker安装 13

    2.5 测试TensorFlow 13

    第3章 TensorFlow入门 14

    3.1 TensorFlow静态图模式 14

    3.1.1 TensorFlow中的张量类型 14

    3.1.2 TensorFlow的操作符简介 17

    3.1.3 TensorFlow的Graph和

    Session 23

    3.2 TensorFlow动态图模式 27

    3.3 TensorFlow 损失函数 28

    3.3.1 交叉熵 28

    3.3.2 均方误差 29

    3.3.3 KL散度 29

    3.4 TensorFlow优化器 30

    3.5 TensorFlow训练数据输入 33

    3.5.1 tf.data.Dataset 33

    3.5.2 tf.data.Iterator 35

    第4章 聚类算法 37

    4.1 聚类算法简介 37

    4.2 k均值聚类算法 38

    4.2.1 算法步骤 38

    4.2.2 准则函数 39

    4.2.3 算法改进 39

    4.3 k中心聚类算法 43

    4.3.1 准则函数 43

    4.3.2 算法步骤 43

    4.3.3 算法对比 43

    第5章 分类算法 45

    5.1 分类算法简介 45

    5.2 k近邻算法 45

    5.2.1 算法步骤 46

    5.2.2 投票算法改进 46

    5.2.3 k参数选取 46

    5.2.4 模型评价 47

    5.3 朴素贝叶斯 49

    5.3.1 算法步骤 50

    5.3.2 概率处理 50

    5.3.3 连续值概率计算 51

    5.4 决策树 53

    5.4.1 分裂函数 53

    5.4.2 特征为连续特征 54

    5.4.3 决策树终止条件 55

    5.5 支持向量机 55

    5.5.1 线性可分支持向量机 56

    5.5.2 近似线性可分支持向量机 59

    5.5.3 非线性支持向量机 60

    5.5.4 常用核函数 60

    5.5.5 多分类支持向量机 61

    5.6 人工神经网络 61

    5.6.1 激活函数 62

    5.6.2 逻辑门设计 64

    5.6.3 多层感知器 67

    5.6.4 前向传播算法 67

    5.6.5 反向传播算法 68

    第6章 回归算法 72

    6.1 线性回归 72

    6.1.1 小二乘法 72

    6.1.2 广义逆 74

    6.1.3 岭回归与Lasso回归 76

    6.1.4 梯度求解算法 78

    6.2 非线性回归 84

    6.2.1 指数变换 84

    6.2.2 对数变换 85

    6.2.3 幂等变换 85

    6.2.4 多项式变换 85

    6.3 逻辑回归 85

    6.3.1 二值逻辑回归 86

    6.3.2 多元逻辑回归 89

    6.4 决策树回归 91

    6.4.1 代价函数 92

    6.4.2 算法流程 92

    6.4.3 举例 93

    6.5 梯度算法 94

    6.5.1 随机梯度下降法 95

    6.5.2 牛顿法 96

    第7章 MNIST数据集 99

    7.1 MNIST数据集简介 99

    7.2 LeNet的实现与讲解 101

    7.2.1 网络参数设置和输入设置 101

    7.2.2 LeNet网络模型详解 102

    7.2.3 更简洁的实现 107

    7.2.4 softmax层和网络更新方式 108

    7.2.5 训练过程 108

    7.3 FashionMNIST数据集 109

    第8章 图像分类 110

    8.1 图像分类的概念 110

    8.2 图像分类的常用网络结构 111

    8.2.1 AlexNet网络结构 111

    8.2.2 VGGNet网络结构 113

    8.2.3 Network In Network网络

    结构 114

    8.2.4 GoogLeNet网络结构 117

    8.2.5 ResNet网络结构 119

    8.3 图像多标签分类实例 121

    8.3.1 使用TFRecord生成训练

    数据 121

    8.3.2 构建多标签分类网络 122

    8.3.3 多标签模型训练模型 125

    第9章 目标检测 127

    9.1 目标检测的概念 127

    9.1.1 Faster R-CNN 127

    9.1.2 YOLO 128

    9.1.3 SSD 130

    9.2 基于SSD的目标检测实例 131

    9.2.1 基于VGG的SSD网络 131

    9.2.2 坐标和类别预测 133

    9.2.3 多尺度的预测拼接 133

    9.2.4 损失函数与模型训练 133

    第10章 图像检索应用 135

    10.1 图像检索的基本概念 135

    10.2 图像检索特征提取的常用方法 137

    10.3 基于VGG的图像检索实例 140

    10.3.1 使用TFRecord生成训练

    数据 140

    10.3.2 模型训练函数 141

    10.3.3 检索系统构建 141

    第11章 光学字符识别应用 143

    11.1 光学字符识别的概念 143

    11.2 光学字符识别的常用算法与

    流程 144

    11.2.1 文本检测环节 144

    11.2.2 文本识别环节 145

    11.3 基于CNN-RNN-CTC的光学

    字符识别算法实例 146

    11.3.1 光学字符识别训练数据

    生成 146

    11.3.2 使用TFRecord生成训练

    数据 148

    11.3.3 构建基于CNN-RNN-CTC

    的光学字符识别网络 149

    第12章 中文分词 152

    12.1 自然语言处理 152

    12.2 中文分词简介 153

    12.2.1 BMES 153

    12.2.2 BM12ES 154

    12.3 文字单元嵌入表达 154

    12.3.1 文字单元的独热嵌入表达 154

    12.3.2 word2Vector 155

    12.3.3 word2Vector代码实现 161
查看详情
相关图书 / 更多
Tensorflow深度学习基础与应用
TensorFlow机器学习实用指南
Alexia;Audevart
Tensorflow深度学习基础与应用
TensorFlow 2.x高级计算机视觉
[美]克里斯南杜·卡尔 著;周玉兰 译
Tensorflow深度学习基础与应用
TensorFlow全栈开发工程实践——做一个全智全能算法工程师
王艳铭
Tensorflow深度学习基础与应用
TensorFlow+Android经典模型从理论到实战(微课视频版)
董相志;曲海平;董飞桐
Tensorflow深度学习基础与应用
TensorFlow 2机器学习实战:聚焦经济金融科研与产业的深度学习模型
[瑞典]以赛亚·赫尔(Isaiah Hull)著 朱文强 译
Tensorflow深度学习基础与应用
Technical and Vocational Education in China
Wu Xueping Ye Yiqun
Tensorflow深度学习基础与应用
TensorFlow工程化项目实战活页式教程
李占仓
Tensorflow深度学习基础与应用
TensorFlow.NET 实战
仇华
Tensorflow深度学习基础与应用
TensorFlow与神经网络——图解深度学习的框架搭建、算法机制和场景应用
李昂
Tensorflow深度学习基础与应用
Teichmüller 理论与 Grothendieck-Teichmüller 理论
Lizhen Ji;Athanase
Tensorflow深度学习基础与应用
TensorFlow AI移动项目开发实战
[美]杰夫·唐(Jeff Tang)
Tensorflow深度学习基础与应用
TensorFlow深度学习实例教程
平震宇 匡亮
您可能感兴趣 / 更多