【套装5本】Python深度学习实战 Python神经网络编程 TensorFlow深度学习框架
	定价	376.60
	出版社	人民邮电出版社
	版次
	出版时间
	开本
	作者	斋藤康毅
	装帧	平装
	页数
	字数
	ISBN编码	9787115485588

本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。

《Python编程从零基础到项目实战（微课视频版）》是一本介绍Python相关知识的Python基础教程，也是一本Python视频教程，内容涉及算法、Python数据 分析、图形处理、Web开发、科学计算、项目管理、人工智能、Python爬虫等。其中第Ⅰ部分为Python基础篇，首先从Python的安装开始，随后介绍了变量 和数据类型、条件分支与循环、列表与元组、字典、函数、类、标准库以及程序中的异常现象及处理方法；第Ⅱ部分为Python提高篇，介绍了文件处理、图形 用户界面、数据库操作、线程与进程、测试及打包等知识；第Ⅲ部分为拓展篇，介绍了Python在Web应用、商业级别的技术框架、大数据应用、AI应用等方 面的拓展知识。全书通过“三酷猫”将案例串联起来，由浅入深、生动有趣，在增加趣味性的同时，让读者对Python的具体使用有一个完整的认识。另外， 本书配备了77集微视频讲解、提供完整的源代码及PPT课件下载。具体下载方法见“前言”中的相关介绍。 《Python编程从零基础到项目实战（微课视频版）》适合Python编程零基础读者、Python编程从入门到精通读者、在校学生、对Python编程感兴趣的在职 IT人员、教师等使用。本书也可作为相关培训机构的培训教材使用。

TensorFlow是谷歌研发的人工智能学习*统，是一个用于数值计算的开源软件库。《TensorFlow深度学习算法原理与编程实战》以基础+实践相结合的形式，详细介绍了TensorFlow深度学习算法原理及编程技巧。通读全书，读者不仅可以系统了解深度学习的相关知识，还能对使用TensorFlow进行深度学习算法设计的过程有更深入的理解。

《TensorFlow深度学习算法原理与编程实战》共14章，主要内容有：人工智能、大数据、机器学习和深度学习概述；深度学习及TensorFlow框架的相关背景；TensorFlow的安装；TensorFlow编程策略；深度前馈神经网络；优化网络的方法；全连神经网络的经典实践；卷积神经网络的基础知识；经典卷积神经网络的TensorFlow实现；循环神经网络及其应用；深度强化学习概述；TensorFlow读取数据的API；TensorFlow持久化模型的API；可视化工具TensorBoard的使用；TensorFlow使用多GPU或并行的方式加速计算等。

《TensorFlow深度学习算法原理与编程实战》内容通俗易懂，案例丰富，实用性强，特别适合对人工智能、深度学习感兴趣的的相关从业人员阅读，也适合没有相关基础但是对该方面研究充满兴趣的爱好者阅读。

dy部分探索深度学习之方式的开始

dy 章开篇2

1.1人工智能的发展2

1.1.1萌芽2

1.1.2复苏4

1.1.3现代实践：大数据+深度神经网络模型6

1.2大数据7

1.3机器学习与深度学习8

1.3.1机器学习9

1.3.2深度学习13

1.3.3同人工智能的关系15

1.4人工神经网络与TensorFlow16

1.4.1人工神经网络16

1.4.2TensorFlow26

1.5其他主流深度学习框架介绍27

1.5.1Caffe28

1.5.2Torch30

1.5.3Theano31

1.5.4MXNet32

1.5.5Keras34

1.6机器学习的常见任务35

1.6.1分类35

1.6.2回归36

1.6.3去噪37

1.6.4转录37

1.6.5机器翻译37

1.6.6异常检测38

1.6.7结构化输出38

1.7深度学习的现代应用39

1.7.1计算机视觉39

1.7.2自然语言处理44

1.7.3语音识别45

第2章安装TensorFlow47

2.1安装前的须知47

2.1.1检查硬件是否达标47

2.1.2推荐选用GPU进行训练50

2.1.3为什么选择Linux系统57

2.1.4为什么选择Python语言58

2.2安装Anaconda59

2.3TensorFlow的两个主要依赖包61

2.3.1Protocol Buffer62

2.3.2Bazel64

2.4安装CUDA和cuDNN67

2.4.1CUDA68

2.4.2cuDNN71

2.5正式安装TensorFlow74

2.5.1使用pip安装74

2.5.2从源代码编译并安装77

2.6测试你的TensorFlow82

2.6.1运行向量相加的例子82

2.6.2加载过程存在的一些问题84

2.7推荐使用IDE84

第3章TensorFlow编程策略86

3.1初识计算图与张量86

3.2计算图——TensorFlow的计算模型87

3.3张量——TensorFlow的数据模型90

3.3.1概念91

3.3.2使用张量92

3.4会话——TensorFlow的运行模型93

3.4.1TensorFlow系统结构概述93

3.4.2简单使用会话95

3.4.3使用with/as环境上下文管理器96

3.4.4Session的参数配置99

3.4.5placeholder机制99

3.5TensorFlow变量102

3.5.1创建变量102

3.5.2变量与张量106

3.6管理变量的变量空间108

3.6.1get_variable()函数108

3.6.2variable_scope()与name_scope()109

第二部分TensorFlow实现深度网络

第4章深度前馈神经网络116

4.1网络的前馈方式116

4.2全连接118

4.2.1神经元与全连接结构118

4.2.2前向传播算法120

4.3线性模型的局限性124

4.4激活函数131

4.4.1常用激活函数131

4.4.2激活函数实现去线性化135

4.5多层网络解决异或运算137

4.6损失函数140

4.6.1经典损失函数140

4.6.2自定义损失函数154

第5章优化网络的方法157

5.1基于梯度的优化157

5.1.1梯度下降算法158

5.1.2随机梯度下降164

5.2反向传播165

5.2.1简要解释反向传播算法165

5.2.2自适应学习率算法168

5.2.3TensorFlow提供的优化器171

5.3学习率的独立设置176

5.3.1指数衰减的学习率177

5.3.2其他优化学习率的方法179

5.4拟合183

5.4.1过拟合和欠拟合183

5.4.2正则化的方法186

5.4.3Bagging方法192

5.4.4Dropout方法193

第6章全连神经网络的经典实践197

6.1MNIST数据集197

6.2网络的设计201

6.3超参数和验证集209

6.4与简单模型的对比210

第7章卷积神经网络213

7.1准备性的认识213

7.1.1图像识别与经典数据集214

7.1.2卷积网络的神经科学基础217

7.1.3卷积神经网络的历史220

7.2卷积222

7.2.1卷积运算222

7.2.2卷积运算的稀疏连接224

7.2.3卷积运算的参数共享226

7.2.4卷积运算的平移等变228

7.2.5多卷积核229

7.2.6卷积层的代码实现231

7.3池化236

7.3.1池化过程237

7.3.2常用池化函数238

7.3.3池化层的代码实现239

7.4实现卷积神经网络的简例240

7.4.1卷积神经网络的一般框架240

7.4.2用简单卷积神经网络实现Cifar-10数据集分类243

7.5图像数据处理258

7.5.1图像编解码处理259

7.5.2翻转图像261

7.5.3图像色彩调整262

7.5.4图像标准化处理266

7.5.5调整图像大小267

7.5.6图像的标注框273

第8章经典卷积神经网络277

8.1LeNet-5卷积网络模型277

8.1.1模型结构278

8.1.2TensorFlow实现280

8.2AlexNet卷积网络模型286

8.2.1模型结构287

8.2.2TensorFlow实现290

8.3VGGNet卷积网络模型301

8.3.1模型结构301

8.3.2TensorFlow实现306

8.4InceptionNet-V3卷积网络模型316

8.4.1模型结构322

8.4.2Inception V3 Module的实现325

8.4.3使用Inception V3完成模型迁移328

8.5ResNet卷积网络模型341

8.5.1模型结构342

8.5.2TensorFlow实现346

第9章循环神经网络356

9.1循环神经网络简介357

9.1.1循环神经网络的前向传播程序设计360

9.1.2计算循环神经网络的梯度364

9.1.3循环神经网络的不同设计模式366

9.2自然语言建模与词向量367

9.2.1统计学语言模型367

9.2.2Word2Vec371

9.2.3用TensorFlow实现Word2Vec376

9.3LSTM实现自然语言建模394

9.3.1长短时记忆网络（LSTM）395

9.3.2LSTM在自然语言建模中的应用399

9.3.3循环神经网络的Dropout414

9.4循环神经网络的变种416

9.4.1双向循环神经网络416

9.4.2深层循环神经网络418

dy 0章深度强化学习420

10.1理解基本概念420

10.2深度强化学习的思路421

10.3典型应用场景举例423

10.3.1场景1：机械臂自控423

10.3.2场景2：自动游戏系统424

10.3.3场景3：自动驾驶425

10.3.4场景4：智能围棋系统426

10.4Q学习与深度Q网络429

10.4.1Q学习与深度Q学习429

10.4.2深度Q网络431

第三部分TensorFlow的使用进阶

dy 1章数据读取436

11.1文件格式436

11.1.1TFRecord格式437

11.1.2CSV格式440

11.2队列443

11.2.1数据队列443

11.2.2文件队列445

11.3使用多线程处理输入的数据449

11.3.1使用Coordinator类管理线程449

11.3.2使用QueueRunner创建线程452

11.4组织数据batch454

dy 2章模型持久化462

12.1通过代码实现462

12.2模型持久化的原理469

12.2.1model.ckpt.mate文件470

12.2.2从.index与.data文件读取变量的值481

12.3持久化的MNIST手写字识别482

12.4PB文件489

dy 3章TensorBoard可视化493

13.1TensorBoard简要介绍493

13.2MNIST手写字识别的可视化498

13.2.1实现的过程498

13.2.2标量数据可视化结果505

13.2.3图像数据可视化结果512

13.2.4计算图可视化结果513

13.3其他监控指标可视化521

dy 4章加速计算526

14.1TensorFlow支持的设备526

14.2TensorFlow单机实现528

14.2.1查看执行运算的设备529

14.2.2device()函数的使用531

14.3并行训练的原理535

14.3.1数据并行536

14.3.2模型并行539

14.4单机多GPU加速TensorFlow程序540

14.4.1实现的过程540

14.4.2多GPU并行的可视化547

14.5分布式TensorFlow概述548

.......