零起點(diǎn)TensorFlow快速入門(mén)

定　價(jià)：￥69.00

作　者：	何海群著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	>計(jì)算機(jī)/網(wǎng)絡(luò) >行業(yè)軟件及應(yīng)用

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121323331	出版時(shí)間：	2017-10-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	360	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　TensorFlow是近年來(lái)影響較大的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)平臺(tái)，《零起點(diǎn)TensorFlow快速入門(mén)》以生動(dòng)活潑的語(yǔ)言，從入門(mén)者的角度，對(duì)TensorFlow進(jìn)行介紹，書(shū)中包含大量簡(jiǎn)單風(fēng)趣的實(shí)際案例，如孤獨(dú)的神經(jīng)元、梵高畫(huà)風(fēng)等，讓廣大初學(xué)者快速掌握神經(jīng)網(wǎng)絡(luò)的基本編程，為進(jìn)一步學(xué)習(xí)人工智能奠定扎實(shí)的基礎(chǔ)。

作者簡(jiǎn)介

　　何海群，網(wǎng)名：字王，CHRD前海智庫(kù)CTO，《中華大字庫(kù)》發(fā)明人，出版書(shū)籍20余部，在人工智能、數(shù)據(jù)分析等方面具有20年一線專業(yè)經(jīng)驗(yàn)；zwPython開(kāi)發(fā)平臺(tái)、zwQuant量化軟件設(shè)計(jì)師，中國(guó)“Python創(chuàng)客”項(xiàng)目和“Python產(chǎn)業(yè)聯(lián)盟”發(fā)起人，國(guó)內(nèi)**Python量化課程：《Python量化實(shí)盤(pán)·魔鬼訓(xùn)練營(yíng)》創(chuàng)始人，極寬量化開(kāi)源團(tuán)隊(duì)的創(chuàng)始人。1990年，發(fā)明國(guó)內(nèi)**個(gè)VR數(shù)據(jù)手套并獲得專利授權(quán)，被業(yè)界稱為“中國(guó)VR之父”；1992年，論文《人工智能與中文字型設(shè)計(jì)》入選《廣東青年科學(xué)家文集》，現(xiàn)已成為中文字庫(kù)行業(yè)三大基礎(chǔ)建模理論之一；1997年，出版國(guó)內(nèi)首部網(wǎng)絡(luò)經(jīng)濟(jì)專著《網(wǎng)絡(luò)商戰(zhàn)》；2008年，在北京聯(lián)合創(chuàng)辦國(guó)內(nèi)**4A級(jí)網(wǎng)絡(luò)公關(guān)公司，服務(wù)過(guò)200余家國(guó)際五百?gòu)?qiáng)企業(yè)，被公關(guān)協(xié)會(huì)譽(yù)為：中國(guó)網(wǎng)絡(luò)公關(guān)事業(yè)的開(kāi)創(chuàng)者與啟蒙者；2012年，發(fā)布國(guó)內(nèi)**自主研發(fā)的智能中文字庫(kù)設(shè)計(jì)軟件《x2ttf涂鴉造字》，全功能全免費(fèi)公益軟件；2016年，推出國(guó)內(nèi)首套純python開(kāi)源量化軟件：zwQuant，以及國(guó)內(nèi)**Tick級(jí)別開(kāi)源金融大數(shù)據(jù)項(xiàng)目：zwDat金融數(shù)據(jù)包。研究成果有：“小數(shù)據(jù)”理論，快數(shù)據(jù)模型，黑天鵝算法，GPU超算工作站、MTRD多節(jié)點(diǎn)超算集群算法、“1+N”網(wǎng)絡(luò)傳播模型、人工智能“足彩圖靈法則”等。

圖書(shū)目錄

第1章不朽的梵高 1
1.1 星夜傳奇 1
1.2 TensorFlow簡(jiǎn)介 3
案例1-1：星夜傳奇實(shí)戰(zhàn)編程 5
案例1-2：星夜傳奇批量編程 11
1.3 十萬(wàn)次迭代 14
1.4 黑箱大法 16
1.5 超級(jí)KISS法則與大智若愚 17
第2章 TensorFlow安裝 22
2.1 目錄結(jié)構(gòu) 22
2.2 化繁為簡(jiǎn) 23
2.3 CPU版本安裝 25
2.4 GPU版本安裝 25
案例2-1：GPU開(kāi)發(fā)環(huán)境測(cè)試 28
第3章可視化AI圖表 33
3.1 TensorBoard可視化工具 33
案例3-1：hello，愛(ài)麗絲 34
3.1.1 TensorBoard主界面 36
3.1.2 快速啟動(dòng)腳本 38
3.2 加法器 41
案例3-2：加法器的算法結(jié)構(gòu)圖 41
案例3-3：加法器的變化版本 43
案例3-4：乘法器的算法結(jié)構(gòu)圖 44
第4章快速入門(mén) 47
4.1 你好，神經(jīng)網(wǎng)絡(luò) 47
案例4-1：字符串表達(dá)式 47
案例4-2：hello，TensorFlow 48
4.2 圖運(yùn)算與Session 49
案例4-3：缺省圖運(yùn)算 49
案例4-4：可視化Session 52
4.3 常量、變量與占位符 56
案例4-5：常量加法 57
案例4-6：加法與占位符 58
案例4-7：加法與變量 59
4.4 TensorFlow常用數(shù)值運(yùn)算 62
第5章 TensorFlow總覽 63
5.1 TensorFlow產(chǎn)業(yè)鏈關(guān)系圖 65
5.2 TensorFlow模塊列表 66
5.2.1 源碼目錄結(jié)構(gòu) 66
案例5-1：內(nèi)置模塊列表 68
5.2.2 模塊結(jié)構(gòu)圖 70
5.2.3 API抽象接口示意圖 71
5.2.4 神經(jīng)網(wǎng)絡(luò)三大模塊 71
5.3 數(shù)據(jù)類型 72
5.4 TensorFlow常用術(shù)語(yǔ) 73
5.5 TensorFlow簡(jiǎn)化接口 77
第6章基礎(chǔ)知識(shí) 79
6.1 數(shù)據(jù)流圖 79
6.2 設(shè)備切換Device 81
6.3 三大數(shù)據(jù)類型 82
案例6-1：變量操作 86
6.4 Feed數(shù)據(jù)提交 89
案例6-2：Feed提交數(shù)據(jù) 90
案例6-3：批量Feed提交數(shù)據(jù) 92
案例6-4：批量Feed提交多維數(shù)據(jù) 92
6.5 Fetch獲取數(shù)據(jù) 93
案例6-5：Fetch獲取數(shù)據(jù) 93
案例6-6：Fetch獲取多維數(shù)組 95
案例6-7：會(huì)話Session 97
6.6 批尺寸Batch_Size 99
第7章孤獨(dú)的神經(jīng)元 101
7.1 神經(jīng)元模型 101
案例7-1：?jiǎn)渭?xì)胞算法 102
7.2 可視化分析 107
案例7-2：?jiǎn)渭?xì)胞算法優(yōu)化版 108
第8章歸來(lái)吧，數(shù)據(jù) 112
8.1 分類——機(jī)器學(xué)習(xí)的核心 112
8.2 萬(wàn)物皆回歸 112
案例8-1：傳統(tǒng)機(jī)器學(xué)習(xí) 114
案例8-2：TensorFlow線性回歸模型 117
8.3 模型管理 124
案例8-3：TensorFlow模型保存 125
案例8-4：TensorFlow模型讀取 126
第9章 Pkmital入門(mén)案例套餐（上） 128
9.1 Halcon簡(jiǎn)介 128
9.2 帕拉格?庫(kù)馬爾案例合集簡(jiǎn)介 129
9.3 Pkmital案例集合詳解 131
9.4 TensorFlow基礎(chǔ) 132
案例9-1：TensorFlow基礎(chǔ)權(quán)重設(shè)置和圖形計(jì)算 132
案例9-2：圖像的卷積計(jì)算 140
9.5 回歸算法 145
案例9-3：線性回歸 145
案例9-4：線性回歸修正版 150
9.6 多項(xiàng)式回歸 151
案例9-5：多項(xiàng)式回歸 151
案例9-6：多項(xiàng)式回歸修正版 153
9.7 邏輯回歸模型 154
案例9-7：邏輯回歸模型 154
9.8 CNN卷積神經(jīng)網(wǎng)絡(luò)算法 159
案例9-8：CNN卷積神經(jīng)網(wǎng)絡(luò) 159
第10章 Pkmital入門(mén)案例套餐（下） 165
10.1 自編碼算法 165
案例10-1：自編碼算法 165
10.2 dAE降噪自編碼算法 170
案例10-2：dAE降噪自編碼算法 170
10.3 CAE卷積編碼算法 177
案例10-3：CAE卷積編碼算法 177
10.4 DRN深度殘差網(wǎng)絡(luò) 183
案例10-4：DRN深度殘差網(wǎng)絡(luò) 183
10.5 VAE變分自編碼算法 189
案例10-5：VAE變分自編碼算法 189
10.6 TDV聯(lián)合矩陣模型 199
第11章 TensorFlow內(nèi)置案例分析 201
11.1 預(yù)備知識(shí) 202
11.2 Mnist手寫(xiě)數(shù)字識(shí)別 211
案例11-1：Mnist初級(jí)案例 211
案例11-2：Mnist專業(yè)版本 215
11.3 FFNNs前饋神經(jīng)網(wǎng)絡(luò)模型 224
案例11-3：FFNNs前饋神經(jīng)網(wǎng)絡(luò)模型 224
第12章 TensorLayer案例分析 234
12.1 手寫(xiě)識(shí)別算法 234
案例12-1：Mnist手寫(xiě)識(shí)別 234
12.2 Mnist神經(jīng)網(wǎng)絡(luò)模型合集 242
案例12-2：Dropout網(wǎng)絡(luò)模型 243
案例12-3：DropConnect網(wǎng)絡(luò)模型 253
案例12-4：dAE降噪自編碼算法1 257
案例12-5：dAE降噪自編碼算法2 260
案例12-6：CNN卷積神經(jīng)網(wǎng)絡(luò)算法 263
第13章 TFLearn案例分析 267
13.1 生存游戲 268
13.1.1 泰坦尼克數(shù)據(jù)集 268
13.1.2 Kaggle機(jī)器學(xué)習(xí)公開(kāi)賽 269
案例13-1：泰坦尼克號(hào)生存與死亡 270
13.2 線性回歸 274
案例13-2：線性回歸模型 275
13.3 模型管理 278
案例13-3：保存讀取模型數(shù)據(jù) 278
13.4 超智能體 283
案例13-4：超智能體：NOT取反運(yùn)算 284
案例13-5：超智能體：OR或運(yùn)算 286
案例13-6：超智能體：AND（與）運(yùn)算 288
案例13-7：超智能體：XOR（異或）運(yùn)算 289
13.5 CNN卷積神經(jīng)網(wǎng)絡(luò)算法 292
案例13-8：CNN卷積神經(jīng)網(wǎng)絡(luò)算法 292
第14章 Keras案例分析 297
14.1 Keras模型 298
14.2 Keras使用流程 299
14.3 Keras常用模塊 300
14.4 Keras模型可視化 301
案例14-1：MLP多層神經(jīng)網(wǎng)絡(luò) 303
案例14-2：CNN卷積神經(jīng)網(wǎng)絡(luò) 309
案例14-3：IRNN修正循環(huán)神經(jīng)網(wǎng)絡(luò) 316
案例14-4：HRNN分層循環(huán)神經(jīng)網(wǎng)絡(luò) 322
第15章 TensorFlow常用運(yùn)行模式 327
15.1 深度學(xué)習(xí)三大要素 327
15.2 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu) 328
15.3 基本神經(jīng)元層 329
15.4 神經(jīng)網(wǎng)絡(luò)通用流程 335
15.5 Loss損失函數(shù) 338
15.6 TensorFlow常用優(yōu)化算法 340