新書推薦：
《
启蒙的辩证：哲学的片简（法兰克福学派哲学经典，批判理论重要文本）
》
售價：NT$
347.0
《
心跳重置
》
售價：NT$
269.0
《
云中记
》
售價：NT$
347.0
《
中国古代妇女生活（中国古代生活丛书）
》
售價：NT$
214.0
《
你的认知正在阻碍你
》
售價：NT$
296.0
《
我们身边的小鸟朋友：手绘观鸟笔记
》
售價：NT$
356.0
《
拯救免疫失衡
》
售價：NT$
254.0
《
收尸人
》
售價：NT$
332.0
|
| 編輯推薦： |
|
在人工智能时代，TensorFlow已经成为深度学习开发的主流程序库，其功能强大、运算效率高，支持多个平台，在业界和学术界得以广泛使用。然而，TensorFlow 1.x版的学习门槛高，对刚入门的初学者而言难以上手，针对这个问题，Google开发团队推出了TensorFlow 2.0版。TensorFlow 2.0引入了Eager Execution动态图模式、Keras高级API和tf.data三个功能，让学习门槛大幅降低。本书使用新的TensorFlow 2.0深度学习套件，通过12章内容让读者同时学习理论与实践应用。
|
| 內容簡介： |
|
本书从介绍深度学习和重要入门知识入手，通过范例讲解TensorFlow的应用开发。本书文字清晰、严谨，并辅以简洁明了的插图说明，同时提供步骤细致的范例程序教学，让读者可以轻松理解并掌握深度学习原理和TensorFlow开发方法。 本书分为12章，内容包括：环境安装、TensorFlow 2.0介绍、回归问题、二分类问题、多分类问题、神经网络训练技巧、TensorFlow 2.0高级技巧、TensorBoard高级技巧、卷积神经网络经典架构、迁移学习、变分自编码器和生成式对抗网络。 本书适合TensorFlow深度学习自学者、深度学习开发人员、人工智能行业咨询顾问等阅读，也适合作为高等院校和培训学校人工智能及其相关专业师生的教学参考书。
|
| 目錄：
|
第1章 环境安装 1
1.1 Python安装 1
1.1.1 Windows安装方法 1
1.1.2 Ubuntu安装方法 2
1.2 TensorFlow安装 2
1.2.1 Windows安装方法 2
1.2.2 Ubuntu安装方法 5
1.3 Python 扩充套件安装 8
1.4 Jupyter Notebook 9
1.4.1 Windows安装方法 9
1.4.2 Ubuntu安装方法 10
1.4.3 设置并建立项目 10
1.4.4 常用快捷键 11
1.4.5 Jupyter Notebook操作练习 11
1.5 本书的范例程序 13
1.5.1 在Windows中打开项目 14
1.5.2 在Ubuntu中打开项目 14
第2章 TensorFlow 2.0介绍 16
2.1 什么是深度学习 16
2.2 建立项目 17
2.3 TensorFlow介绍 18
2.4 TensorFlow 2.0的变化 20
2.5 Eager Execution 21
2.5.1 Eager Execution介绍 21
2.5.2 TensorFlow基本运算 22
2.6 Keras 24
2.6.1 Keras介绍 24
2.6.2 序贯模型 26
2.6.3 Functional API 28
2.7 tf.data 32
2.7.1 tf.data介绍 32
2.7.2 基本操作 34
第3章 回归问题 39
3.1 深度神经网络 39
3.1.1 神经网络简史 39
3.1.2 神经网络原理 40
3.1.3 全连接 41
3.1.4 损失函数MSE 和MAE 41
3.1.5 神经网络权重更新 43
3.1.6 神经网络训练步骤 44
3.2 Kaggle介绍 46
3.3 实验一：房价预测模型 47
3.3.1 数据集介绍 47
3.3.2 新建项目 48
3.3.3 程序代码 49
3.4 TensorBoard 介绍 56
3.5 实验二：过拟合问题 58
3.5.1 过拟合说明 58
3.5.2 程序代码 60
3.5.3 TensorBoard 数据分析 64
3.6 参考文献 65
第4章 二分类问题 67
4.1 机器学习的四大类别 67
4.2 二分类问题介绍 69
4.2.1 逻辑回归 69
4.2.2 Sigmoid 69
4.2.3 二分类交叉熵 69
4.2.4 独热编码 71
4.3 实验：精灵宝可梦对战预测 72
4.3.1 数据集介绍 72
4.3.2 新建项目 75
4.3.3 程序代码 76
4.4 参考文献 91
第5章 多分类问题 94
5.1 卷积神经网络 94
5.1.1 卷积神经网络简介 94
5.1.2 卷积神经网络架构 95
5.1.3 卷积神经网络的原理 102
5.2 多分类问题介绍 105
5.2.1 Softmax 105
5.2.2 多分类交叉熵 106
5.2.3 数据增强 107
5.3 实验：CIFAR-10图像识别 108
5.3.1 数据集介绍 108
5.3.2 TensorFlow Datasets 109
5.3.3 新建项目 110
5.3.4 程序代码 111
5.4 参考文献 127
第6章 神经网络训练技巧 129
6.1 反向传播 129
6.2 权重初始化 133
6.2.1 正态分布 133
6.2.2 XavierGlorot 初始化 135
6.2.3 He初始化 137
6.3 批量归一化 139
6.3.1 批量归一化介绍 139
6.3.2 批量归一化网络架构 140
6.4 实验一：使用CIFAR-10数据集实验 3种权重初始化方法 141
6.4.1 新建项目 141
6.4.2 建立图像增强函数 142
6.4.3 程序代码 144
6.4.4 TensorBoard可视化权重分布 148
6.5 实验二：使用CIFAR-10数据集实验 批量归一化方法 151
6.6 总结各种网络架构的性能比较 154
6.7 参考文献 155
第7章 TensorFlow 2.0高级技巧 157
7.1 TensorFlow高级技巧 157
7.1.1 自定义网络层 158
7.1.2 自定义损失函数 159
7.1.3 自定义评价指标函数 159
7.1.4 自定义回调函数 160
7.2 Keras高级API与自定义API比较 161
7.2.1 网络层 161
7.2.2 损失函数 162
7.2.3 评价指标函数 163
7.2.4 回调函数 165
7.3 实验：比较Keras 高级API和 自定义API两种网络训练的结果 166
7.3.1 新建项目 166
7.3.2 程序代码 167
第8章 TensorBoard高级技巧 176
8.1 TensorBoard的高级技巧 176
8.1.1 tf.summary 177
8.1.2 tf.summary.scalar 177
8.1.3 tf.summary.image 179
8.1.4 tf.summary.text 181
8.1.5 tf.summary.audio 182
8.1.6 tf.summary.histogram 183
8.2 实验一：使用tf.summary.image记录训练结果 186
8.2.1 新建项目 186
8.2.2 程序代码 187
8.3 实验二：使用TensorBoard超参数调校工具来 训练多个网络模型 195
8.3.1 启动TensorBoard（命令行） 196
8.3.2 程序代码 197
第9章 卷积神经网络经典架构 205
9.1 神经网络架构 205
9.1.1 LeNet 205
9.1.2 AlexNet 206
9.1.3 VGG 206
9.1.4 GoogLeNet 207
9.1.5 ResNet 210
9.1.6 总结各种网络架构的比较 211
9.2 实验：实现Inception V3网络架构 212
9.2.1 新建项目 213
9.2.2 Keras Applications 214
9.2.3 TensorFlow Hub 217
9.3 参考文献 222
第10章 迁移学习 224
10.1 认识迁移学习 224
10.1.1 迁移学习介绍 224
10.1.2 迁移学习训练技巧 225
10.2 实验：迁移学习范例 230
10.2.1 新建项目 230
10.2.2 数据集介绍 231
10.2.3 程序代码 231
10.3 参考文献 237
第11章 变分自编码器 239
11.1 自编码器介绍 239
11.2 变分自编码器介绍 241
11.3 变分自解码器的损失函数 243
11.4 实验：变分自编码器程序代码的实现 244
11.4.1 建立项目 245
11.4.2 数据集介绍 247
11.4.3 变分自编码器项目说明 248
11.4.4 变分自编码器训练和生成图像 254
11.5 参考文献 257
第12章 生成式对抗网络 258
12.1 认识生成式对抗网络 258
12.1.1 生成式对抗网络介绍 258
12.1.2 生成式对抗网络训练及损失函数 260
12.2 GAN、WGAN、WGAN-GP的演进 262
12.2.1 生成式对抗网络的问题 262
12.2.2 Wasserstein距离介绍 264
12.2.3 WGAN-GP 损失函数 266
12.3 实验：WGAN-GP程序代码的实现 268
12.3.1 建立项目 269
12.3.2 数据集介绍 271
12.3.3 WGAN-GP 项目说明 272
12.4 参考文献 281
|
| 內容試閱：
|
英国数学家人工智能之父Alan Turing 1950年在Oxford University Press的Mind期刊发表的 Computing Machinery and Intelligence论文中提出了机器思维的概念，从此人工智能就一直是计算机科学中非常重要的领域。发展至今有70年的历史了，其中历经了多次大起大落，尤其是其中的两次AI寒冬，让研究者与投资人对人工智能产生了很大的疑虑。由英国伦敦Google DeepMind开发的人工智能围棋软件AlphaGo在2016年打败了顶尖职业棋手李世石，在2017年打败了排名世界第一的柯洁，之后人工智能再度成为计算机科学的显学，也促成了第三波的AI崛起。
近几年，以深度学习为核心技术的人工智能在图像、声音、决策分析等领域已超越了人类的能力。随着深度学习人工智能技术的日益成熟，许多世界级科技公司投入了大量人力和资源在深度学习人工智能上，如Google、Facebook、Uber、Airbnb、Tesla、微软、腾讯、百度、华为、滴滴、通用等，许多中小企业也投入了相当的人力资源。根据研究机构Tractica预估，全球AI市场的规模将从2018年的81亿美元成长至2025年的1 058亿美元，并且能够应用到更多产业，例如汽车、零售、医疗、商业、电信、消费、广告、法律、保险等。
作者和所领导的多媒体系统实验室团队已经在人工智能领域研究了十多年，其中包含智能汽车系统、智能居家照护系统、智能视频监控系统、智能派遣撮合系统、人工智能小秘书系统、自动驾驶计算机视觉系统，也与大学和研究机构合作开发了自动辅助驾驶次系统，项目的名称为自动驾驶的深度学习智能感知与情境理解系统技术，将丰富的学界研发能量导入产业界，提升自动驾驶汽车产业的研发技术。作者在IEEE和ACM顶级国际期刊上发表了三十多篇计算机视觉人工智能相关的论文。例如，在2018年和美国华盛顿大学黄正能教授合作研发了全球第一个有效的除雪与能见度增强技术，DesnowNet深度学习网络架构，刊登在图像处理领域顶尖的期刊IEEE Transactions on Image Processing（Impact factor： 3.735，Rank： 14255=5.49%）上；在2019年指导越南博士生Trung-Hieu Le研发了应用在智能居家护理系统（Intelligent Homecare Systems）上的高精确度手部侦测识别技术，发表在传感器领域顶尖的期刊IEEE Sensors Journal（Impact factor： 2.617，Rank： 8116=6.8%）上。
作者深刻体会到目前人工智能领域的重要性与发展性，因此精心撰写了本书，期待可以启发更多学生、工程师与研究人员快速进入深度学习人工智能领域。本书使用目前热门的深度学习套件TensorFlow，带领读者深入理解深度学习的知识与技术，并且精心设计了实践的程序教学，通过每个步骤细致的项目教学让读者可以更容易理解与吸收所学的知识和技术。从新的TensorFlow 2.0入门开始，通过12章内容，理论学习和实践应用相结合。本书撰写时使用的是TensorFlow 2.0正式版。
本书范例程序源代码可通过扫描下面的二维码获得。
如果下载有问题，可通过电子邮件联系booksaga@126.com，邮件主题为轻松学会TensorFlow 2.0人工智能深度学习应用开发范例程序源代码。
每年有数以万篇的深度学习研究论文发表，从中可以了解人工智能领域的日新月异与广泛应用，作者以本书介绍深度学习较重要的入门内容，让读者有能力进一步钻研更高深的深度学习知识与技术。本书中的内容如有疏漏与错误，可发送邮件给予指正与鼓励。
黄士嘉
台北科技大学电子工程系 教授
加拿大安大略理工大学 国际客座教授
IEEE Sensors Journal 国际期刊编辑
IEEE BigData Congress 国际会议主席
IEEE CloudCom Conference 国际会议主席
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
