Глубокое обучение основано на языке Python и платформе Tensorflow Video Объяснение версии книги Framework Framework.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
|
C5
Название книги: Глубокое обучение на основе языка Python и платформы TensorFlow. Видеообъяснение.
Цена: 49,80 Юань
Название издательства: People's Post и Telecommunications Publishing House
Автор: Се Цюн
ISBN: 9787115483621
Глава 1 История искусственного интеллекта 1
1.1 Важный период закладки фундамента 2
1.1.1 Нейрон -исследование и модель искусственного нейрона 2 предложение 2
1.1.2 Появление компьютеров и программ 3
1.1.3 Предложение Turing Test 4
1.2 Рождение искусственного интеллекта 4
1.3 Период бурного развития 5
1.4 Холодная зима искусственного интеллекта 5
1.5 Silent Exploration и восстановление исследований искусственного интеллекта 6
1.6 Вторая зима искусственного интеллекта 9
1.7 Снова скидает 9
1.7.1 Значительное улучшение комплексных компьютерных вычислительных возможностей 9
1.7.2 Появление больших данных 11
1.7.3 Созревание исследований нейронной сети 11
1.8 Future Outlook 13
1.9 Резюме этой главы: История направляет будущее 18
Глава 2 Подготовка среды разработки 19
2.1 Установите Python 20
2.1.1 Установите Python 20 в операционную систему Windows
2.1.2 Установите Python 29 в операционную систему Mac OS X
2.1.3 Установите Python 30 в Opering System Linux
2.2 Установите TensorFlow 30
2.3 Создайте более удобную среду разработки 32
2.3.1 Измените некоторые настройки отображения Windows Explorer 32
2.3.2 Альтернативы командной строке CMD 34
2.3.3 Редактор текстовых файлов 36
2.3.4 Инструменты разработки для Python Language 40
2.4 Подготовка фона знаний 45
2.4.1 Как ввести программы Python 45
2.4.2 Как выполнить программу Python 4
2.4.3 Переменная 46
2.4.4 Функция (метод) 50
2.4.5 Объект 51
2.4.6 Условное суждение и филиал 53
2.4.7 Цикл 54
2.4.8 Комментарии 55
2.4.9 Что делать, если возникает ошибка, когда программа работает 55
2.4.10 Сводка этой главы: пример кода 56
Глава 3 Знакомство с TensorFlow 57
3.1 Введение в три класса хороших студентов 58
3.2 Создайте нейронную сеть, чтобы решить три хороших ученика 58 классов.
3.3 Обучение нейронной сети 62
3.4 Краткое содержание этой главы: проблема решена 68
3.5 Упражнение 68
Глава 4. Упрощение модели нейронной сети 69
4.1 Просмотреть значение переменных во время работы программы 70
4.2 Введение в концепцию тензора 70
4.3 Реорганизовать входные данные с векторами 72
4.4 Упрощенная модель нейронной сети 75
4.5 Концепция Дополнения——
4.5.1 Скаляр 76
4.5.2 Многомерный массив 76
4.5.3 Порядок и форма тензора 77
4.6 Просмотреть и установить форму тензора в Tensorflow 78
4.7 Используйте функцию SoftMax для стандартизации переменных параметров 81
4.8 Сводка этой главы: Линейные проблемы 83
4.9 Упражнение 84
Глава 5. Использование нейронных сетей для решения нелинейных задач 85
5.1 Введение в нелинейные проблемы 86
5.1.1 Три хорошие результаты выбора студентов Вопросы 86
5.1.2. Классификационный вопрос: это три-доброй студент?
5.1.3 Нелинейная задача 87
5.2 Разработка модели нейронной сети 88
5.2.1 Функция активации Sigmoid 88
5.2.2 Модель нейронной сети после использования Sigmoid Function 89
5.2.3 Код для реализации этой модели 89
5.3 Подготовка данных обучения 90
5.3.1 Случайное число 90
5.3.2 Сгенерировать данные о случайном обучении 90
5.4 Полный учебный код 92
5.4.1 Обучение со случайными данными 92
5.4.2 Добавление смещения B, чтобы ускорить тренировочный процесс 94
5.5 Advanced: генерация партии случайных обучающих данных 97
5.6 Сводка этой главы: нелинейные задачи 100
5.7 Упражнение 100
Глава 6. Загрузка обучающих данных из файла 101
6.1 Подготовка данных обучения с помощью простых текстовых файлов 102
6.1.1 Цифровизация данных 102
6.1.2 Формат учебных данных 102
6.1.3 Организация данных 103
6.1.4 Используйте файлы формата CSV, чтобы помочь в обработке данных 104
6.2 Загрузка учебных данных в файле 106
6.2.1 Функция загрузки 106
6.2.2 Отбрасывание нечисленных колонн 106
6.2.3 Преобразование между нечетными столбцами и цифровыми столбцами 107
6.2.4 Разделение данных строк и как“ эй” дать процесс обучения 108
6.3 Сводка этой главы: Общие способы чтения учебных данных* 110
6.4 Упражнение 110
Глава 7 Многослойная полносвязная нейронная сеть 111
7.1 Введение выпусков удостоверения личности 112
7.2 Анализ проблем 112
7.3 Модель однослойной сети 112
7.4 Многослойная полностью подключенная нейронная сеть 115
7.4.1 Умножение матрицы 115
7.4.2 Как использовать умножение матрицы для достижения полного уровня соединения 116
7.4.3 Использование средней квадратной ошибки в качестве метода для расчета ошибки 119
7.4.4 Функция активации TANH 120
7.4.5 Новая модель 121
7.5 Реализация кода новой модели идентификационной карты. Проблема 121
7.6 Дополнительная оптимизация моделей и кода 124
7.7 Сводка этой главы: многослойный, полностью подключенный, линейный и нелинейный 125
7.8 Упражнение 126
Глава 8. Сохранение и загрузка процесса обучения 127
8.1 Сохраните процесс обучения 128
8.2 Загрузите сохраненный тренировочный процесс и продолжите обучение 13
8.3 Управляйте, следует ли заставлять обучение перезагрузки через параметры командной строки 132
8.4 Вручную сэкономить во время обучения 135
8.5 Получите согласие перед сбережением процесса обучения 137
8.6 Резюме этой главы: хорошо использует процесс обучения по сохранению и загрузке 139
8.7 Упражнение 139
Глава 9. Просмотр графических моделей 140
9.1 Концепция графика потока данных 141
9.2 Просмотреть диаграмму потока данных с помощью Tensorboard 141
9.3 Управление именем объекта на диаграмме Tensorboard 143
9.4 Сводка этой главы: Графическая модель 145
9,5 Упражнение 145
Глава 10 Прогнозирование с использованием обученной модели 146
10.1 Прочтите данные, которые необходимо предсказать по параметрам командной строки 147
10.2 Читать данные из файлов для прогнозирования 149
10.3 Читать данные из любой строки для прогнозирования 152
10.4 Сводка этой главы: разница между прогнозом и обучением 154
10.5 Упражнение 154
Глава 11 Упростите процесс моделирования и обучения с помощью передовых инструментов 155
11.1 Keras Framework Введение 156
11.2 Реализация модели нейронной сети с помощью Keras 156
11.3 Прогноз с керас 158
11.4 Сохранить и загрузить керас модель 160
11.5 Сводка этой главы: выбор между удобством и гибкостью 161
11.6 Упражнение 16
Глава 12 Вызов моделей TensorFlow на других языках 162
12.1 Как сохранить модель 163
12.2 Загрузка модели TensorFlow на Java Language и выполнение прогнозирования и расчета 165
12.3 Загрузите модель TensorFlow в GO и выполните расчеты прогнозирования 167
12.4 Резюме этой главы: только предсказуемый 167
Глава 13 Распознавание изображений с помощью сверточных нейронных сетей 169
13.1 Кто решит неправильно?——
13.2 Введение в сверточные нейронные сети 170
13.2.1 Основные концепции сверточных нейронных сетей 170
13.2.2 Выражение цифровых изображений на компьютерах 170
13.2.3 Конкретный процесс расчета сверточного слоя 172
13.2.4 Принципы и преимущества сверточного слоя 174
13.2.5 Типичная структура сверточной нейронной сети 177
13.3 Использование сверточной сети для реализации распознавания изображений 177
13.3.1 Формат данных изображения для крючка и вилка задача 177
13.3.2 Подготовка данных обучения для проблем с крючком и вилкой 178
13.3.3 Разработка и реализация модели нейронной сети для крючковой и вилкой задачи 179
13.4 Резюме этой главы: направления для дальнейшей оптимизации 183
13.5 Упражнение 183
Глава 14 Предварительное исследование рекуррентных нейронных сетей 184
14.1 Введение в повторяющиеся нейронные сети 185
14.2 Роль LSTM в модели длинной и кратковременной памяти 186
14.3 Введение вопросов прогнозирования обменного курса 186
14.4 Модель нейронной сети LSTM для прогнозирования обменного курса 187
14.5 Код для реализации прогнозирования обменного курса LSTM Network 188
14.6 Использование повторяющихся нейронных сетей для выполнения обработки естественного языка 193
14.7 Резюме этой главы: вопросы, связанные с синхронизацией 195
14.8 Упражнение 195
Глава 15 Выбор и настройка оптимизатора 196
15.1 Роль оптимизатора 197
15.2 Алгоритм градиентного спуска 197 197
15.3 Влияние уровня обучения 198
15.4 Введение в основные методы оптимизации 199
15.5 Сравнение эффективности оптимизатора 200
15.6 Резюме этой главы: Плот, пересекающий реку 203
Глава 16 Руководство к следующему этапу обучения 204
16.1 Больше функций активации 205
16.2 больше скрытых типов слоя 205
16.3. Определение наиболее подходящего типа нейронной сети 206
16.4 Версия 206 ГПУ
16.5 Под наблюдением обучения и неконтролируемого обучения 207
16.6 Глубокое обучение продвинуто 207
16.7 Обновление до последней версии TensorFlow 207
16.8 Краткое содержание главы: окончательный пример 208
История искусственного интеллекта, подготовка среды разработки, первое знакомство с TensorFlow, упрощение моделей нейронных сетей, использование нейронных сетей для решения нелинейных задач, загрузка обучающих данных из файлов, многослойные полносвязные нейронные сети, сохранение и загрузка процесса обучения, просмотр графических моделей, составление прогнозов с помощью обученных моделей, использование инструментов высокого уровня для упрощения процесса моделирования и обучения, вызов моделей TensorFlow на других языках, использование сверточных нейронных сетей для распознавания изображений, предварительные рекуррентные нейронные сети, руководство к следующему этапу обучения