久久久久亚洲综合,特级丰满少妇一级AAAA爱毛片

本書(shū)主要介紹TensorFlow及其在各種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的應(yīng)用。全書(shū)共5章，首先介紹了TensorFlow的入門知識(shí)，包括其相關(guān)技術(shù)與模型以及安裝配置，然后分別介紹了TensorFlow在深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，并通過(guò)具體示例進(jìn)行了詳細(xì)分析與應(yīng)用。后，對(duì)上述TensorFlow模型進(jìn)行了總結(jié)分析，并核驗(yàn)了模型精度。

本書(shū)特色
本書(shū)是在作者Dan的TensorFlow暢銷視頻課程基礎(chǔ)上編著完成的。隨著深度學(xué)習(xí)逐步成為主流，使得利用深度神經(jīng)網(wǎng)絡(luò)來(lái)理解數(shù)據(jù)并得到準(zhǔn)確結(jié)果成為可能。Dan Van Boxel將引導(dǎo)讀者探索深度學(xué)習(xí)的可能，會(huì)讓讀者前所未有地了解數(shù)據(jù)。根據(jù)TensorFlow的高效性和簡(jiǎn)易性，讀者能夠處理數(shù)據(jù)并獲得改變對(duì)數(shù)據(jù)看法的新見(jiàn)解。
在作者的引導(dǎo)下，讀者將利用原始數(shù)據(jù)深入挖掘抽象的隱層。隨后作者介紹了各種復(fù)雜的深度學(xué)習(xí)算法以及各種深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用案例。另外，讀者還將學(xué)習(xí)到如何訓(xùn)練所建立的模型來(lái)生成新的特征，從而了解更深層次的數(shù)據(jù)意義。
在本書(shū)中，作者分享了其寶貴的經(jīng)驗(yàn)和知識(shí)，如邏輯回歸、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、深度網(wǎng)絡(luò)訓(xùn)練、高級(jí)接口等內(nèi)容。在一些全新的實(shí)踐示例幫助下，讀者將成為在先進(jìn)多層神經(jīng)網(wǎng)絡(luò)、圖像識(shí)別以及其他方面的高手。

關(guān)于本書(shū)
閱讀本書(shū)將會(huì)學(xué)到的內(nèi)容：
配置計(jì)算環(huán)境和安裝TensorFlow；
構(gòu)建日常計(jì)算的簡(jiǎn)單TensorFlow圖；
基于TensorFlow的邏輯回歸分類應(yīng)用；
利用TensorFlow設(shè)計(jì)和訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)；
直觀理解卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用；
神經(jīng)網(wǎng)絡(luò)從簡(jiǎn)單模型到更精準(zhǔn)模型的改進(jìn)；
TensorFlow在其他類型神經(jīng)網(wǎng)絡(luò)中的應(yīng)用；
基于一種TensorFlow高級(jí)接口SciKit Flow的神經(jīng)網(wǎng)絡(luò)編程。

TensorFlow是一種用于機(jī)器學(xué)習(xí)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)的開(kāi)源軟件庫(kù)。 TensorFlow最初是由 Google公司開(kāi)發(fā)，并于 2015年開(kāi)放源碼。
通過(guò)本書(shū)，您將學(xué)習(xí)到如何使用 TensorFlow解決新的研究問(wèn)題。同時(shí)，會(huì)利用其中一種基于 TensorFlow的最常用的機(jī)器學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)方法。本書(shū)的研究工作主要是致力于通過(guò)簡(jiǎn)單和深度神經(jīng)網(wǎng)絡(luò)來(lái)改進(jìn)模型。
在此，研究各種字體的字母和數(shù)字圖像，其目的是根據(jù)一個(gè)字母的特定圖像來(lái)識(shí)別字體。這是一個(gè)簡(jiǎn)單的分類問(wèn)題。
不僅單個(gè)像素或位置，而且像素間的局部結(jié)構(gòu)也是非常重要的，這對(duì)于基于 TensorFlow的深度學(xué)習(xí)是一個(gè)理想問(wèn)題。盡管是從簡(jiǎn)單模型開(kāi)始，但將逐步介紹更加細(xì)微的方法，并逐行解釋代碼。在本書(shū)的結(jié)尾處，將可構(gòu)建出自己的字體識(shí)別先進(jìn)模型。
所以請(qǐng)準(zhǔn)備好：利用 TensorFlow深入挖掘數(shù)據(jù)資源。
本書(shū)主要內(nèi)容
第 1章入門知識(shí)，介紹了使用 TensorFlow的技術(shù)和模型。在本章，將介紹在計(jì)算機(jī)上安裝 TensorFlow。經(jīng)過(guò)簡(jiǎn)單計(jì)算的一些步驟，將進(jìn)入機(jī)器學(xué)習(xí)問(wèn)題，并成功構(gòu)建包含邏輯回歸和幾行 TensorFlow代碼的適當(dāng)模型。
第 2章深度神經(jīng)網(wǎng)絡(luò)，介紹了 TensorFlow在深度神經(jīng)網(wǎng)絡(luò)中的主要原理。在此，將學(xué)習(xí)單隱層和多隱層模型。同時(shí)還將了解不同類型的神經(jīng)網(wǎng)絡(luò)，并利用 TensorFlow構(gòu)建和訓(xùn)練第一個(gè)神經(jīng)網(wǎng)絡(luò)。
第 3章卷積神經(jīng)網(wǎng)絡(luò)，闡述了深度學(xué)習(xí)方面最強(qiáng)大的發(fā)展?jié)摿�，并將卷積概念應(yīng)用于 TensorFlow的一個(gè)簡(jiǎn)單示例中。在此將著重處理卷積理解的實(shí)際問(wèn)題。另外，還通過(guò)一個(gè) TensorFlow示例解釋神經(jīng)網(wǎng)絡(luò)中的卷積層和池化層。
第 4章遞歸神經(jīng)網(wǎng)絡(luò)，介紹了遞歸神經(jīng)網(wǎng)絡(luò)（ RNN）模型的概念，及其在 TensorFlow中的實(shí)現(xiàn)。在此重點(diǎn)分析稱為 TensorFlow學(xué)習(xí)（ TensorFlow learn）的一個(gè) TensorFlow的簡(jiǎn)單界面。另外，還簡(jiǎn)單演示了密集連接神經(jīng)網(wǎng)絡(luò)（ DNN）以及卷積神經(jīng)網(wǎng)絡(luò)（ CNN），并詳細(xì)介紹了提取權(quán)重過(guò)程。
第 5章總結(jié)整理，完成所考慮的 TensorFlow。重新分析字體分類的 TensorFlow模型，并核驗(yàn)其模型精度。

學(xué)習(xí)本書(shū)所需的準(zhǔn)備工作
本書(shū)將介紹如何安裝 TensorFlow，因此需要準(zhǔn)備一些依賴軟件。至少需要一個(gè)最新版本的 Python2或 Python3以及 NumPy。為更好地學(xué)習(xí)本書(shū)，還應(yīng)具有 Matplotlib和 IPython。

本書(shū)讀者對(duì)象
隨著深度學(xué)習(xí)逐漸成為主流，利用深度學(xué)習(xí)網(wǎng)絡(luò)獲取數(shù)據(jù)并得到準(zhǔn)確結(jié)果變得可能。 Dan Van Boxel可指導(dǎo)讀者探索深度學(xué)習(xí)中的各種可能性。它將使讀者能夠從未像過(guò)去那樣理解數(shù)據(jù)。依據(jù) TensorFlow的效率和簡(jiǎn)單性，讀者可以有效處理數(shù)據(jù)，并獲得可改變看待數(shù)據(jù)的洞察力。

約定慣例
在本書(shū)中，讀者會(huì)發(fā)現(xiàn)許多可區(qū)分不同信息類型的文本風(fēng)格。下面給出上述風(fēng)格的一些示例，并解釋其相應(yīng)的含義。
在文本、數(shù)據(jù)表名稱、文件夾名稱、文件名、文件擴(kuò)展名、路徑名稱、虛擬 URL、用戶輸入和 Twitter句柄等中的代碼如下所示：首先需要做的第一件事是下載本書(shū)的源碼包，并打開(kāi) simple.py文件。
一段代碼設(shè)置如下：
import tensorflow as tf
# You can create constants in TF to hold specific values
a = tf.constant(1)
b = tf.constant(2)

若希望強(qiáng)調(diào)一段代碼中的特定部分，則設(shè)置相關(guān)的行或項(xiàng)為粗體：
import tensorflow as tf # You can create constants in TF to hold specific values
a = tf.constant(1)
b = tf.constant(2)
任何命令行的輸入或輸出都如下：
sudo pip3 install ./tensorflow-1.2.1-cp35-cp35m-linux_x86_64.
Whl
新項(xiàng)和關(guān)鍵詞用黑體顯示。讀者在屏幕上看到的單詞，如菜單或?qū)υ捒蛑�，�?huì)顯示為如下文本格式：?jiǎn)螕? New創(chuàng)建一個(gè)新文件。在此將創(chuàng)建一個(gè) Jupyter筆記本。

提示和技巧會(huì)這樣顯示

讀者反饋
歡迎讀者反饋意見(jiàn)。讓作者了解讀者對(duì)本書(shū)的看法，喜歡什么或不喜歡什么。讀者反饋對(duì)于作者開(kāi)發(fā)真正讓讀者受益的主題非常重要。
若要給作者反饋意見(jiàn)，只需發(fā)送郵件到 feedback@packtpub.com，并在郵件標(biāo)題中注明書(shū)名。
如果有讀者擅長(zhǎng)的主題或有興趣參與撰寫(xiě)或出版的書(shū)，請(qǐng)查看 www.packtpub.com/ authors上的作者指南。

用戶支持
既然讀者購(gòu)買了 Packt出版社出版的書(shū)，那么出版社將會(huì)幫助讀者獲得最大收益。

示例代碼下載
讀者可以在 http://www.packtpub.com上根據(jù)賬戶下載本書(shū)的示例代碼。如果想要購(gòu)買本書(shū)電子版，可以訪問(wèn) http://www.packtpub.com/support并注冊(cè)，將直接通過(guò)電子郵件發(fā)送給讀者。
下載代碼文件步驟如下：
1
）通過(guò)郵件地址和密碼在網(wǎng)站上登錄或注冊(cè)。

2）鼠標(biāo)指向頂部的
SUPPORT選項(xiàng)。

3）單擊
Code Downloads & Errata。

4）在 Search框中輸入書(shū)名。

5
）選擇想要下載代碼文件的書(shū)。

6
）在下拉菜單中選擇購(gòu)買本書(shū)的方式。

7）單擊
Code Download。讀者也可以通過(guò)單擊 Packt出版社網(wǎng)站上本書(shū)網(wǎng)頁(yè)的 Code Files按鈕來(lái)下載代碼文件。

通過(guò)在 Search框中輸入書(shū)名來(lái)訪問(wèn)該頁(yè)面。需要注意的是，應(yīng)首先通過(guò) Packt賬戶登錄。下載完成后，請(qǐng)用以下軟件最新版本來(lái)解壓文件夾：
. WinRAR / 7-Zip for Windows。

. Zipeg / iZip / UnRarX for Mac。

. 7-Zip / PeaZip for Linux。

本書(shū)的代碼包還托管在 GitHub上，https://github.com/PacktPublishing/Hands-On-Deep-Learning-with-TensorFlow。另外在 https://github.com/PacktPublishing/上的大量圖書(shū)和視頻目錄中還有其他代碼包。請(qǐng)查閱！

下載本書(shū)彩頁(yè)
本書(shū)還提供了書(shū)中截圖 /圖表的彩色 PDF文件，這些彩頁(yè)將有助于讀者更好地理解輸出變化，可從 https://www.packtpub.com/sites/default/.les/HandsOnDeepLearningwithTensorFl
ow.pdf下載該文件。

勘誤
盡管已盡力確保內(nèi)容準(zhǔn)確，但仍然難免會(huì)有錯(cuò)誤。如果讀者在書(shū)中發(fā)現(xiàn)了錯(cuò)誤、文本或代碼錯(cuò)誤，如果能及時(shí)告知，將不勝感激。這樣會(huì)幫助其他讀者，并有助于在本書(shū)的后續(xù)版本中進(jìn)行完善。如果讀者發(fā)現(xiàn)任何錯(cuò)誤，請(qǐng)?jiān)L問(wèn) http://www.packtpub.com/submit-errata告知。首先選擇書(shū)名，點(diǎn)擊勘誤提交表單鏈接，然后輸入詳細(xì)的勘誤內(nèi)容。一旦通過(guò)驗(yàn)證，將會(huì)接受讀者的提交并將勘誤表上傳網(wǎng)站，或在該標(biāo)題的勘誤部分下添加到現(xiàn)有的勘誤表中。
若要查看已提交的勘誤表，請(qǐng)?jiān)L問(wèn) https://www.packtpub.com/books/content/support，并在搜索欄中輸入書(shū)名。相關(guān)信息將會(huì)顯示在 Errata部分中。

版權(quán)保護(hù)
在互聯(lián)網(wǎng)上受版權(quán)保護(hù)的資料，涉及的盜版問(wèn)題是一個(gè)存在于所有媒體的嚴(yán)重問(wèn)題。 Packt出版社非常重視保護(hù)版權(quán)和許可。如果讀者在網(wǎng)上發(fā)現(xiàn)任何非法復(fù)制的作品，請(qǐng)立即提供地址和網(wǎng)址，以便追蹤索賠。請(qǐng)通過(guò) copyright@packtpub.com聯(lián)系我們，并提供疑似盜版材料的鏈接。非常感謝您在保護(hù)作者和為您提供寶貴內(nèi)容方面的幫助。

問(wèn)題
如果讀者對(duì)本書(shū)有任何問(wèn)題，請(qǐng)通過(guò) questions@packtpub.com聯(lián)系我們，我們將竭盡全力為讀者解決。

關(guān)于作者
Dan Van Boxel是一位擁有 10多年開(kāi)發(fā)經(jīng)驗(yàn)的數(shù)據(jù)分析師和機(jī)器學(xué)習(xí)工程師，其最具代表性的工作是 Dan Dose Data，這是一個(gè)在 YouTube上演示神經(jīng)網(wǎng)絡(luò)強(qiáng)大功能和缺陷的直播平臺(tái)。作者已開(kāi)發(fā)出多種有關(guān)機(jī)器學(xué)習(xí)的新統(tǒng)計(jì)模型，并應(yīng)用于高速運(yùn)輸貨車計(jì)費(fèi)、行程時(shí)間異常檢驗(yàn)等領(lǐng)域。另外，作者還在美國(guó)交通研究委員會(huì)和其他學(xué)術(shù)期刊上發(fā)表了學(xué)術(shù)論文并給出了研究結(jié)果。
www.PacktPub.com

電子書(shū)、折扣優(yōu)惠等
下載本書(shū)相關(guān)的文件資料，請(qǐng)?jiān)L問(wèn) www.PacktPub.com。
您是否知道 Packt出版社為每本出版發(fā)行的書(shū)都提供了電子書(shū)版本，其中包括 PDF和 ePub文件？您可以通過(guò) www.PacktPub.com升級(jí)電子書(shū)版本，作為紙質(zhì)版用戶，還可以享受電子書(shū)的折扣。有關(guān)更多詳細(xì)信息，請(qǐng)通過(guò) customercare@packtpub.com與我們聯(lián)系。
在 www.PacktPub.com，讀者還可以閱讀免費(fèi)技術(shù)文章，訂閱一系列免費(fèi)時(shí)事通信，并獲得 Packt出版社紙制書(shū)和電子書(shū)的獨(dú)家折扣和優(yōu)惠。
使用 Mapt可獲得最需要的軟件技能。 Mapt可讓讀者充分訪問(wèn)所有 Packt出版社的圖書(shū)和視頻課程，以及行業(yè)領(lǐng)先的工具，幫助讀者規(guī)劃個(gè)人發(fā)展并推動(dòng)讀者的事業(yè)發(fā)展。
為什么訂閱？
. 可以在 Packt出版社發(fā)行的每本書(shū)中全面搜索。

. 復(fù)制、粘貼、打印和標(biāo)注內(nèi)容。

. 可通過(guò) web瀏覽器訪問(wèn)。

譯者序
原書(shū)前言
第1 章　入門知識(shí) // 1
1.1　TensorFlow 安裝 // 1
1.1.1　TensorFlow- 主界面 // 1
1.1.2　TensorFlow- 安裝頁(yè)面 // 1
1.1.3　通過(guò)pip 安裝 // 1
1.1.4　通過(guò)CoCalc 安裝 // 4
1.2　簡(jiǎn)單計(jì)算 // 6
1.2.1　定義標(biāo)量和張量 // 6
1.2.2　張量計(jì)算 // 7
1.2.3　執(zhí)行計(jì)算 // 7
1.2.4　張量變量 // 8
1.2.5　查看和替換中間值 // 9
1.3　邏輯回歸模型建模 // 10
1.3.1　導(dǎo)入字體分類數(shù)據(jù)集 // 11
1.3.2　邏輯回歸分析 // 13
1.3.3　數(shù)據(jù)準(zhǔn)備 // 13
1.3.4　構(gòu)建TensorFlow 模型 // 14
1.4　邏輯回歸模型訓(xùn)練 // 15
1.4.1　編寫(xiě)損失函數(shù) // 15
1.4.2　訓(xùn)練模型 // 16
1.4.3　評(píng)估模型精度 // 17
1.5　小結(jié) // 19
第2 章　深度神經(jīng)網(wǎng)絡(luò) // 20
2.1　基本神經(jīng)網(wǎng)絡(luò) // 20
2.1.1　log 函數(shù) // 21
2.1.2　sigmoid 函數(shù) // 22
2.2　單隱層模型 // 23
2.2.1　單隱層模型探討 // 24
2.2.2　反向傳播算法 // 25
2.3　單隱層模型解釋 // 26
2.3.1　理解模型權(quán)重 // 28
2.4　多隱層模型 // 29
2.4.1　多隱層模型探討 // 30
2.5　多隱層模型結(jié)果 // 32
2.5.1　多隱層模型圖理解 // 33
2.6　小結(jié) // 36
第3 章　卷積神經(jīng)網(wǎng)絡(luò) // 37
3.1　卷積層激勵(lì) // 37
3.1.1　多特征提取 // 40
3.2　卷積層應(yīng)用 // 41
3.2.1　卷積層探討 // 41
3.3　池化層激勵(lì) // 46
3.3.1　最大池化層 // 46
3.4　池化層應(yīng)用 // 49
3.5　深度卷積神經(jīng)網(wǎng)絡(luò) // 51
3.5.1　添加卷積層和池化層組合 // 51
3.5.2　應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行字體分類 // 53
3.6　更深度卷積神經(jīng)網(wǎng)絡(luò) // 57
3.6.1　對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的一層添加另
一層 // 57
基于TensorFlow 的深度學(xué)習(xí)：
揭示數(shù)據(jù)隱含的奧秘
X
3.7　整理總結(jié)深度卷積神經(jīng)網(wǎng)絡(luò) // 60
3.8　小結(jié) // 64
第4 章　遞歸神經(jīng)網(wǎng)絡(luò) // 65
4.1　遞歸神經(jīng)網(wǎng)絡(luò)探討 // 65
4.1.1　權(quán)重建模 // 66
4.1.2　遞歸神經(jīng)網(wǎng)絡(luò)理解 // 67
4.2　TensorFlow Learn // 70
4.2.1　設(shè)置 // 71
4.2.2　邏輯回歸 // 72
4.3　深度神經(jīng)網(wǎng)絡(luò) // 73
4.3.1　卷積神經(jīng)網(wǎng)絡(luò)在Learn 中的
應(yīng)用 // 74
4.3.2　權(quán)重提取 // 77
4.4　小結(jié) // 78
第5 章　總結(jié)整理 // 79
5.1　研究評(píng)價(jià) // 79
5.2　所有模型的快速回顧 // 80
5.2.1　邏輯回歸模型 // 80
5.2.2　單隱層神經(jīng)網(wǎng)絡(luò)模型 // 81
5.2.3　深度神經(jīng)網(wǎng)絡(luò) // 83
5.2.4　卷積神經(jīng)網(wǎng)絡(luò) // 84
5.2.5　深度卷積神經(jīng)網(wǎng)絡(luò) // 85
5.3　TensorFlow 的展望 // 87
5.3.1　一些TensorFlow 工程項(xiàng)目 // 88
5.4　小結(jié) // 90

你還可能感興趣

我要評(píng)論