深度學(xué)習(xí)原理與TensorFlow實踐

定　價：￥79.00

作　者：	王琛，胡振邦，高杰著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121312984	出版時間：	2017-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	356	字數(shù)：

內(nèi)容簡介

　　《深度學(xué)習(xí)原理與TensorFlow實踐》主要介紹了深度學(xué)習(xí)的基礎(chǔ)原理和TensorFlow系統(tǒng)基本使用方法。TensorFlow是目前機器學(xué)習(xí)、深度學(xué)習(xí)領(lǐng)域優(yōu)秀的計算系統(tǒng)之一，《深度學(xué)習(xí)原理與TensorFlow實踐》結(jié)合實例介紹了使用TensorFlow開發(fā)機器學(xué)習(xí)應(yīng)用的詳細方法和步驟。同時，《深度學(xué)習(xí)原理與TensorFlow實踐》著重講解了用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)和用于自然語言處理的循環(huán)神經(jīng)網(wǎng)絡(luò)的理論知識及其TensorFlow實現(xiàn)方法，并結(jié)合實際場景和例子描述了深度學(xué)習(xí)技術(shù)的應(yīng)用范圍與效果。《深度學(xué)習(xí)原理與TensorFlow實踐》非常適合對機器學(xué)習(xí)、深度學(xué)習(xí)感興趣的讀者，或是對深度學(xué)習(xí)理論有所了解，希望嘗試更多工程實踐的讀者，抑或是對工程產(chǎn)品有較多經(jīng)驗，希望學(xué)習(xí)深度學(xué)習(xí)理論的讀者。

作者簡介

　　喻儼，百納信息（海豚瀏覽器）研發(fā)副總裁。2007年加入微軟亞洲工程院，2011年加入百納信息負責海外業(yè)務(wù)線，從0到1做過多個項目，現(xiàn)致力于AI和大數(shù)據(jù)產(chǎn)品的研究與應(yīng)用。莫瑜，先后任職于微軟和海豚瀏覽器，從事搜索引擎、音樂檢索/哼唱搜索、內(nèi)容分發(fā)推薦算法和對話機器人技術(shù)研發(fā)。長期以來持續(xù)關(guān)注和實踐大規(guī)模數(shù)據(jù)算法性能優(yōu)化、搜索引擎、推薦系統(tǒng)和人工智能技術(shù)。王琛，英國愛丁堡大學(xué)人工智能專業(yè)碩士，現(xiàn)為百納信息技術(shù)有限公司人工智能方向負責人。早年參加過信息學(xué)奧林匹克競賽獲得河北省1名、全國三等獎，并保送進入中山大學(xué)。大學(xué)期間，在ACM競賽上也屢獲佳績。碩士畢業(yè)后就職于百度基礎(chǔ)架構(gòu)部，參與大數(shù)據(jù)平臺研發(fā)工作，對大數(shù)據(jù)分析處理、分布式系統(tǒng)架構(gòu)等方面都有比較深刻的理解。2014年加入百納，負責多個項目的研發(fā)，自2016年起負責人工智能方向的探索。胡振邦，擁有博士學(xué)位，百納信息技術(shù)有限公司高級算法研究員，畢業(yè)于中國地質(zhì)大學(xué)計算機學(xué)院地學(xué)信息工程專業(yè)。讀博期間，參與了關(guān)于遙感衛(wèi)星圖像識別分析的863項目，并且是主要的研發(fā)人員。畢業(yè)以來，一直從事圖像識別方面的算法研發(fā)工作，主要方向包括目標檢測、圖文檢索、圖像分類與驗證等，在圖像處理、計算機視覺等方面都有深厚的積累和經(jīng)驗。高杰，是一位1980年出生于蘇北的“愛學(xué)習(xí)、能折騰、有情懷”的大叔。畢業(yè)于揚州中學(xué)特招班，1998年入學(xué)華中科技大學(xué)機械系，兼修管理、會計，自學(xué)計算機，2003年考入南京大學(xué)軟件學(xué)院，曾任德國西門子內(nèi)部SAP咨詢師，還在中銀國際TMT投行、金山軟件集團投資部任過職，2015年與合伙人聯(lián)合創(chuàng)立了圖靈科技集團，與華爾街優(yōu)秀交易團隊一起致力于量化交易、算法模型和人工智能在金融領(lǐng)域的應(yīng)用，目前這家公司管理著超過20億元的資產(chǎn)，是細分市場的領(lǐng)先公司。

圖書目錄

1 深度學(xué)習(xí)簡介 1
1.1 深度學(xué)習(xí)介紹 1
1.2 深度學(xué)習(xí)的趨勢 7
1.3 參考資料 10
2 TensorFlow系統(tǒng)介紹 12
2.1 TensorFlow誕生的動機 12
2.2 TensorFlow系統(tǒng)簡介 14
2.3 TensorFlow基礎(chǔ)概念 16
2.3.1 計算圖 16
2.3.2 Session會話 18
2.4 系統(tǒng)架構(gòu) 19
2.5 源碼結(jié)構(gòu) 21
2.5.1 后端執(zhí)行引擎 22
2.5.2 前端語言接口 24
2.6 小結(jié) 24
2.7 參考資料 25
3 Hello TensorFlow 26
3.1 環(huán)境準備 26
3.1.1 Mac OS安裝 27
3.1.2 Linux GPU服務(wù)器安裝 28
3.1.3 常用Python庫 32
3.2 Titanic題目實戰(zhàn) 34
3.2.1 Kaggle平臺介紹 34
3.2.2 Titanic題目介紹 35
3.2.3 數(shù)據(jù)讀入及預(yù)處理 38
3.2.4 構(gòu)建計算圖 40
3.2.5 構(gòu)建訓(xùn)練迭代過程 44
3.2.6 執(zhí)行訓(xùn)練 46
3.2.7 存儲和加載模型參數(shù) 47
3.2.8 預(yù)測測試數(shù)據(jù)結(jié)果 50
3.3 數(shù)據(jù)挖掘的技巧 51
3.3.1 數(shù)據(jù)可視化 52
3.3.2 特征工程 54
3.3.3 多種算法模型 57
3.4 TensorBoard可視化 58
3.4.1 記錄事件數(shù)據(jù) 58
3.4.2 啟動TensorBorad服務(wù) 60
3.5 數(shù)據(jù)讀取 62
3.5.1 數(shù)據(jù)文件格式 63
3.5.2 TFRecord 63
3.6 SkFlow、TFLearn與TF-Slim 67
3.7 小結(jié) 69
3.8 參考資料 69
4 CNN“看懂”世界 71
4.1 圖像識別的難題 72
4.2 CNNs的基本原理 74
4.2.1 卷積的數(shù)學(xué)意義 75
4.2.2 卷積濾波 77
4.2.3 CNNs中的卷積層 81
4.2.4 池化（Pooling） 83
4.2.5 ReLU 84
4.2.6 多層卷積 86
4.2.7 Dropout 86
4.3 經(jīng)典CNN模型 87
4.3.1 AlexNet 88
4.3.2 VGGNets 95
4.3.3 GoogLeNet & Inception 98
4.3.4 ResNets 106
4.4 圖像風格轉(zhuǎn)換 109
4.4.1 量化的風格 109
4.4.2 風格的濾鏡 116
4.5 小結(jié) 120
4.6 參考資料 121
5 RNN“能說會道” 123
5.1 文本理解和文本生成問題 124
5.2 標準RNN模型 128
5.2.1 RNN模型介紹 128
5.2.2 BPTT算法 130
5.2.3 靈活的RNN結(jié)構(gòu) 132
5.2.4 TensorFlow實現(xiàn)正弦序列預(yù)測 135
5.3 LSTM模型 138
5.3.1 長期依賴的難題 138
5.3.2 LSTM基本原理 139
5.3.3 TensorFlow構(gòu)建LSTM模型 142
5.4 更多RNN的變體 144
5.5 語言模型 146
5.5.1 NGram語言模型 146
5.5.2 神經(jīng)網(wǎng)絡(luò)語言模型 148
5.5.3 循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型 150
5.5.4 語言模型也能寫代碼 152
5.5.5 改進方向 163
5.6 對話機器人 164
5.6.1 對話機器人的發(fā)展 165
5.6.2 基于seq2seq的對話機器人 169
5.7 小結(jié) 181
5.8 參考資料 182
6 CNN+LSTM看圖說話 183
6.1 CNN+LSTM網(wǎng)絡(luò)模型與圖像檢測問題 184
6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹 185
6.1.2 遮擋目標圖像檢測方法 187
6.1.3 ReInspect算法實現(xiàn)及模塊說明 188
6.1.4 ReInspect算法的實驗數(shù)據(jù)與結(jié)論 204
6.2 CNN+LSTM網(wǎng)絡(luò)模型與圖像摘要問題 207
6.2.1 圖像摘要問題 208
6.2.2 NIC圖像摘要生成算法 209
6.2.3 NIC圖像摘要生成算法實現(xiàn)說明 214
6.2.4 NIC算法的實驗數(shù)據(jù)與結(jié)論 243
6.3 小結(jié) 249
6.4 參考資料 250
7 損失函數(shù)與優(yōu)化算法 253
7.1 目標函數(shù)優(yōu)化策略 254
7.1.1 梯度下降算法 254
7.1.2 RMSProp優(yōu)化算法 256
7.1.3 Adam優(yōu)化算法 257
7.1.4 目標函數(shù)優(yōu)化算法小結(jié) 258
7.2 類別采樣（Candidate Sampling）損失函數(shù) 259
7.2.1 softmax類別采樣損失函數(shù) 261
7.2.2 噪聲對比估計類別采樣損失函數(shù) 281
7.2.3 負樣本估計類別采樣損失函數(shù) 286
7.2.4 類別采樣logistic損失函數(shù) 286
7.3 小結(jié) 287
7.4 參考資料 288
結(jié)語 289