神经网络与深度学习:基于TENSORFLOW框架和PYTHON技术实现

作者: 包子阳

出版社: 电子工业出版社

出版时间: 2019-04

版次: 1

ISBN: 9787121362019

定价: 49.80

装帧: 平装

开本: 其他

页数: 196页

分类: 计算机与互联网

18人买过

Python、TensorFlow、神经网络和深度学习因人工智能的流行而成为当下IT领域的热门关键词。本书首先介绍了Python及其常用库Numpy、Matplotlib和Scipy的基本使用方法；其次介绍了TensorFlow的基本知识及使用方法；然后介绍了神经网络的基础知识以及神经网络基本应用――感知机、线性回归与逻辑回归的理论与实现；很后介绍了两种热门的深度神经网络――卷积神经网络和循环神经网络的理论与实现。本书内容由浅入深，循序渐进，实践性强，包含丰富的仿真实例。包子阳：不错工程师，自2009年起工作于北京无线电测量研究所。2009年6月毕业于电子科技大学信号与信息处理专业，获硕士学位。从事雷达电气总体、智能算法和深度学习等研究工作。迄今出版专著3本；申请发明6项（已授权3项）；在靠前雷达会议、《系统工程与电子技术》、《现代雷达》、《电子技术与应用》、《雷达科学与技术》、《空间电子技术》、雷达年会、天线年会等发表学术论文十余篇。目    录



章  绪论 1

1.1  人工智能 2

1.2  机器学习 3

     1.2.1  监督学习 3

     1.2.2  非监督学习 3

     1.2.3  半监督学习 4

1.3  深度学习 4

     1.3.1  卷积神经网络 4

     1.3.2  循环神经网络 5

1.4  实现工具 6

     1.4.1  Python 6

     1.4.2  TensorFlow 6

第2章  Python基础 9

2.1  Python简介 10

     2.1.1  概述 10

     2.1.2  Python的特点 10

     2.1.3  Python的版本 11

2.2  Python的安装 11

     2.2.1  Python官网下载安装 11

     2.2.2  Anaconda的安装 14

2.3  Spyder编辑器 16

     2.3.1  Spyder界面 16

     2.3.2  Spyder快捷键 19

2.4  Python基础知识 19

     2.4.1  基本语法 20

     2.4.2  基本数据类型和运算 23

     2.4.3  列表、元组和字符串 25

     2.4.4  字典和集合 32

     2.4.5  分支和循环 35

     2.4.6  函数和类 37

     2.4.7  模块 40

第3章  Python基础库 43

3.1  Numpy库 44

     3.1.1  创建数组 44

     3.1.2  ndarray类 47

     3.1.3  数组操作 48

     3.1.4  形状操作 55

3.2  Matplotlib库 58

     3.2.1  快速绘图 58

     3.2.2  绘制多轴图 61

     3.2.3  绘制3D图 64

3.3  Scipy库 67

     3.3.1  scipy.io 67

     3.3.2  scipy.linalg 68

     3.3.3  scipy.fftpack 69

     3.3.4  scipy.optimize 70

     3.3.5  scipy.interpolate 71

     3.3.6  scipy.stats 72

第4章  TensorFlow基础 75

4.1  概述 76

4.2  TensorFlow的安装 77

4.3  TensorFlow基本概念 79

     4.3.1  Graph和Session 79

     4.3.2  placeholder 82

     4.3.3  tensor 82

     4.3.4  Variable 85

     4.3.5  fetch和feed 87

4.4  MNIST 89

     4.4.1  MNIST简介 89

     4.4.2  MNIST解析 90

第5章  神经网络基础 95

5.1  神经网络概述 96

     5.1.1  神经网络常用术语 97

     5.1.2  神经网络模型 99

     5.1.3  神经网络的运作 99

     5.1.4  神经网络算法的特点 100

5.2  神经元模型 101

5.3  激活函数 103

     5.4.1  sigmoid函数 104

     5.4.2  tanh函数 104

     5.4.3  ReLU函数 105

     5.4.4  softmax函数 106

5.4  损失函数 106

     5.4.1  均方差函数 106

     5.4.2  交叉熵函数 107

5.5  梯度下降算法 107

     5.5.1  梯度下降算法推导 108

     5.5.2  梯度下降算法种类 108

5.5  BP算法 109

     5.5.1  BP网络简介 109

     5.5.2  BP算法流程 110

5.6  仿真实例 112

第6章  神经网络基础应用 117

6.1  感知机 118

     6.1.1  感知机网络结构 119

     6.1.2  感知机学习规则 120

     6.1.3  感知机网络训练 120

     6.1.5  仿真实例 121

6.2  线性回归 123

     6.2.1  线性回归理论 123

     6.2.2  仿真实例 126

6.3  逻辑回归 129

     6.3.1  逻辑回归理论 129

     6.3.2  仿真实例 131

第7章  卷积神经网络 137

7.1  概述 138

7.2  卷积神经网络结构 139

     7.2.1  卷积层 141

     7.2.2  池化层 144

     7.2.3  全连接层 147

     7.2.4  Dropout 层 148

7.3  训练过程 148

7.4  卷积神经网络经典模型 149

     7.4.1  LeNet-5模型 149

     7.4.2  AlexNet模型 150

7.5  仿真实例 152

第8章  循环神经网络 159

8.1  循环神经网络概述 160

     8.1.1  循环神经网络结构 160

     8.1.2  循环神经网络前向传播 162

     8.1.3  循环神经网络训练算法 163

8.2  长短时记忆网络（LSTM） 163

     8.2.1  LSTM结构 164

     8.2.2  LSTM前向计算 165

     8.2.3  LSTM训练算法 169

     8.2.4  LSTM程序实现 169

8.3  循环神经网络的变种 170

     8.3.1  双向循环神经网络 170

     8.3.2  深层循环神经网络 171

8.4  仿真实例 172

附录A  Python主要函数 181

附录B  TensorFlow主要函数 189

参考文献 198
内容简介:
Python、TensorFlow、神经网络和深度学习因人工智能的流行而成为当下IT领域的热门关键词。本书首先介绍了Python及其常用库Numpy、Matplotlib和Scipy的基本使用方法；其次介绍了TensorFlow的基本知识及使用方法；然后介绍了神经网络的基础知识以及神经网络基本应用――感知机、线性回归与逻辑回归的理论与实现；很后介绍了两种热门的深度神经网络――卷积神经网络和循环神经网络的理论与实现。本书内容由浅入深，循序渐进，实践性强，包含丰富的仿真实例。
作者简介:
包子阳：不错工程师，自2009年起工作于北京无线电测量研究所。2009年6月毕业于电子科技大学信号与信息处理专业，获硕士学位。从事雷达电气总体、智能算法和深度学习等研究工作。迄今出版专著3本；申请发明6项（已授权3项）；在靠前雷达会议、《系统工程与电子技术》、《现代雷达》、《电子技术与应用》、《雷达科学与技术》、《空间电子技术》、雷达年会、天线年会等发表学术论文十余篇。
目录:
目    录



章  绪论 1

1.1  人工智能 2

1.2  机器学习 3

     1.2.1  监督学习 3

     1.2.2  非监督学习 3

     1.2.3  半监督学习 4

1.3  深度学习 4

     1.3.1  卷积神经网络 4

     1.3.2  循环神经网络 5

1.4  实现工具 6

     1.4.1  Python 6

     1.4.2  TensorFlow 6

第2章  Python基础 9

2.1  Python简介 10

     2.1.1  概述 10

     2.1.2  Python的特点 10

     2.1.3  Python的版本 11

2.2  Python的安装 11

     2.2.1  Python官网下载安装 11

     2.2.2  Anaconda的安装 14

2.3  Spyder编辑器 16

     2.3.1  Spyder界面 16

     2.3.2  Spyder快捷键 19

2.4  Python基础知识 19

     2.4.1  基本语法 20

     2.4.2  基本数据类型和运算 23

     2.4.3  列表、元组和字符串 25

     2.4.4  字典和集合 32

     2.4.5  分支和循环 35

     2.4.6  函数和类 37

     2.4.7  模块 40

第3章  Python基础库 43

3.1  Numpy库 44

     3.1.1  创建数组 44

     3.1.2  ndarray类 47

     3.1.3  数组操作 48

     3.1.4  形状操作 55

3.2  Matplotlib库 58

     3.2.1  快速绘图 58

     3.2.2  绘制多轴图 61

     3.2.3  绘制3D图 64

3.3  Scipy库 67

     3.3.1  scipy.io 67

     3.3.2  scipy.linalg 68

     3.3.3  scipy.fftpack 69

     3.3.4  scipy.optimize 70

     3.3.5  scipy.interpolate 71

     3.3.6  scipy.stats 72

第4章  TensorFlow基础 75

4.1  概述 76

4.2  TensorFlow的安装 77

4.3  TensorFlow基本概念 79

     4.3.1  Graph和Session 79

     4.3.2  placeholder 82

     4.3.3  tensor 82

     4.3.4  Variable 85

     4.3.5  fetch和feed 87

4.4  MNIST 89

     4.4.1  MNIST简介 89

     4.4.2  MNIST解析 90

第5章  神经网络基础 95

5.1  神经网络概述 96

     5.1.1  神经网络常用术语 97

     5.1.2  神经网络模型 99

     5.1.3  神经网络的运作 99

     5.1.4  神经网络算法的特点 100

5.2  神经元模型 101

5.3  激活函数 103

     5.4.1  sigmoid函数 104

     5.4.2  tanh函数 104

     5.4.3  ReLU函数 105

     5.4.4  softmax函数 106

5.4  损失函数 106

     5.4.1  均方差函数 106

     5.4.2  交叉熵函数 107

5.5  梯度下降算法 107

     5.5.1  梯度下降算法推导 108

     5.5.2  梯度下降算法种类 108

5.5  BP算法 109

     5.5.1  BP网络简介 109

     5.5.2  BP算法流程 110

5.6  仿真实例 112

第6章  神经网络基础应用 117

6.1  感知机 118

     6.1.1  感知机网络结构 119

     6.1.2  感知机学习规则 120

     6.1.3  感知机网络训练 120

     6.1.5  仿真实例 121

6.2  线性回归 123

     6.2.1  线性回归理论 123

     6.2.2  仿真实例 126

6.3  逻辑回归 129

     6.3.1  逻辑回归理论 129

     6.3.2  仿真实例 131

第7章  卷积神经网络 137

7.1  概述 138

7.2  卷积神经网络结构 139

     7.2.1  卷积层 141

     7.2.2  池化层 144

     7.2.3  全连接层 147

     7.2.4  Dropout 层 148

7.3  训练过程 148

7.4  卷积神经网络经典模型 149

     7.4.1  LeNet-5模型 149

     7.4.2  AlexNet模型 150

7.5  仿真实例 152

第8章  循环神经网络 159

8.1  循环神经网络概述 160

     8.1.1  循环神经网络结构 160

     8.1.2  循环神经网络前向传播 162

     8.1.3  循环神经网络训练算法 163

8.2  长短时记忆网络（LSTM） 163

     8.2.1  LSTM结构 164

     8.2.2  LSTM前向计算 165

     8.2.3  LSTM训练算法 169

     8.2.4  LSTM程序实现 169

8.3  循环神经网络的变种 170

     8.3.1  双向循环神经网络 170

     8.3.2  深层循环神经网络 171

8.4  仿真实例 172

附录A  Python主要函数 181

附录B  TensorFlow主要函数 189

参考文献 198