Подлинное пятно тензорфлоу принцип алгоритма глубокого обучения
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Основная информация
Название книги: Принципы алгоритма глубокого обучения Tensorflow
Цена: 99,8 юань
Автор: Цзян Цзыян
Пресса: издательство по охране воды и гидроэнергетике
Дата публикации: 2019-01-01
ISBN: 9787517068228
Слова:
номер страницы:
Версия:
Фрагментация: пластичный порядок PACDER
Открыто: 16
Товарный вес:
Краткое содержание
TensorFlow - это система обучения искусственным интеллекту, разработанная и разработана Google. Это библиотека программного обеспечения с открытым исходным кодом для численных вычислений.«Принципы алгоритма глубокого обучения TensorFlow и фактическое борьбу с программированием» в форме базовой практики введены в подробности принципы и методы программирования алгоритма глубокого обучения TensorFlow.Читая книгу, читатели могут не только систематически понимать соответствующие знания глубокого обучения, но и более глубоко понимать процесс использования TensorFlow для глубокого дизайна алгоритма обучения.
"TensorFlow Глубоко обучения ; до глубины по горло нейронной сети; оптимизировать метод сети; классическая практика нейронных сетей; базовые знания о сверточных нейронных сетях; внедрение Tensorflow классических сверточных нейронных сетей; циркулирующие нейронные сети и приложения; Считайте API данных; API модели стойкости TensorFlow; использование инструмента визуализации Tensorboard; TensorFlow использует несколько графических процессоров или параллельных методов для ускорения расчетов.
Содержание «Принципов алгоритма глубокого обучения TensorFlow и реального боя программирования» легко понять. Он богат случаями и сильной практичностью. Это особенно подходит для связанных практикующих врачей, которые заинтересованы в искусственном интеллекте и глубоком обучении. Заинтересованные влюбленные читают.
об авторе
Цзян Зиян имеет многолетний опыт профессионального программирования. Он участвовал в проектах, связанных с глубоким обучением, таким как цель, распознавание и позиционирование множественных робототехников, и хорошо работает в алгоритмах распознавания изображений и алгоритмах распознавания голоса.Он включает в себя отрасль, включая финансы, ценные бумаги, автомобили, общественную безопасность и другие области.В последние годы я провел в исследовании машинного обучения и глубокого обучения. С появлением TensorFlow я начал передавать свою энергию в изучение принципов алгоритма глубокого обучения TensorFlow Это. Это уникально для рамки. Знание и в -depth понимание.
Оглавление
Часть пути изучения пути глубокого обучения
открытие главы
1.1 Развитие искусственного интеллекта
1.1.1 Прорастание
1.1.2 Восстановление
1.1.3 Современная практика: модель глубокой нейронной сети больших данных
1.2 Большие данные
1.3 машинное обучение и глубокое обучение
1.3.1 Машинное обучение
1.3.2 в -depth Learning
1.3.3 Связь с искусственным интеллектом
1.4 Искусственная нейронная сеть и TensorFlow
1.4.1 Искусственная нейронная сеть
1.4.2TensorFlow
1.5 Введение в другие основные рамки глубокого обучения
1.5.1Caffe
1.5.2Torch
1.5.3Theano
1.5.4MXNet
1.5.5Keras
1.6 Общие задачи машинного обучения
1.6.1 Классификация
1.6.2 Регрессия
1.6.3 Шумоподавление
1.6.4 Транскрипция
1.6.5 Машинный перевод
1.6.6 Обнаружение аномалий
1.6.7 Структурированный вывод
1.7 Современное применение глубокого обучения
1.7.1 Компьютерное зрение
1.7.2 Обработка естественного языка
1.7.3 Распознавание речи
Глава 2 Установите TensorFlow
2.1 Уведомление перед установкой
2.1.1 Проверьте, соответствует ли аппаратное обеспечение стандартом
2.1.2 Рекомендуемый графический процессор для обучения
2.1.3 Почему выберите систему Linux
2.1.4 Почему стоит выбрать язык Python
2.2 Установите Anaconda
2.3 Две основные зависимости TensorFlow
2.3.1Protocol Buffer
2.3.2Bazel
2.4 Установите CUDA и CUDNN
2.4.1CUDA
2.4.2cuDNN
2.5 Формально установить TensorFlow
2.5.1 Используйте установку PIP
2.5.2. Компиляция и установка из исходного кода
2.6 Тестирование вашего TensorFlow
2.6.1 Пример сложения текущих векторов
2.6.2 Некоторые проблемы в процессе загрузки
2.7 рекомендуется IDE
Глава 3. Стратегии программирования TensorFlow
3.1 Введение в вычислительные графы и тензоры
3.2 График расчета——Вычислительная модель TensorFlow
3.3 Тензоры—— Модель данных TensorFlow
3.3.1 Концепция
3.3.2 Работа с тензорами
3.4 Сеанс——Работающая модель TensorFlow
3.4.1 Обзор системы
3.4.2 Простое использование сеансов
3.4.3 Использование с/AS Context Manager Envenuay Manager
3.4.4 Конфигурация параметров сеанса
3.4.5 механизм заполнителя.
3.5 Переменные TensorFlow
3.5.1 Создание переменных
3.5.2 Переменные и тензоры
3.6 Пространство переменных для управления переменными
3.6.1 Функция get_variable()
3.6.2 переменная_область() и имя_область()
Часть 2 TensorFlow для реализации Deep Network
Глава 4 Глубокая обратная связь нейронная сеть
4.1 Режим прямой связи сети
4.2 Полное соединение
4.2.1 Нейроны и полная структура соединения
4.2.2 Алгоритм прямого распространения
4.3 Ограничения линейных моделей
4.4 Функция активации
4.4.1 Общие функции активации
4.4.2 Функция активации делинеаризации
4.5 Многоуровневая сеть решает операцию XOR
4.6 Функция потерь
4.6.1 Классическая функция потери
4.6.2 Пользовательская функция потерь
Глава 5. Методы оптимизации сетей
5.1 Оптимизация на основе градиента
5.1.1 Алгоритм падения градиента
5.1.2 Уменьшение градиента
5.2 Обратное распространение ошибки
5.2.1 Краткое объяснение алгоритма обратного распространения ошибки
5.2.2 Алгоритм адаптивной скорости обучения
5.2.3 Оптимизатор, предоставляемый TensorFlow
5.3 Независимая настройка скорости обучения
5.3.1 Скорость обучения с экспоненциальным затуханием
5.3.2 Другие способы оптимизации скорости обучения
5.4 Установка
5.4.1 Переоснащение и недостаточное оснащение
5.4.2 Методы регуляризации
5.4.3Метод упаковки
5.4.4 Метод отсева
Глава 6 Классическая практика нейронных сетей
6.1 Набор данных MNIST
6.2 Проектирование сети
6.3 Гиперпараметры и наборы проверок
6.4 Сравнение с простыми моделями
Глава 7. Сверточные нейронные сети
7.1 Подготовительные знания
7.1.1 распознавание изображений и набор данных классического
7.1.2 Нейробиологические основы сверточных сетей
7.1.3 История сверточных нейронных сетей
7.2 Свертка
7.2.1 Операция свертки
7.2.2 Разреженные соединения для операций свертки
7.2.3 Совместное использование параметров операции свертки
7.2.4 Трансляционная эквивалентность операции свертки
7.2.5 Много -объемные ядра
7.2.6. Реализация кода сверточного уровня
7.3 Объединение в пул
7.3.1 Процесс объединения
7.3.2 Часто используемые функции объединения
7.3.3 Реализация кода бассейна.
7.4 Простой пример реализации сверточной нейронной сети
7.4.1 Общая структура сверточных нейронных сетей
7.4.2 Классификация настройки CIFAR-DATA с помощью простых сверточных нейронных сетей
7.5 Обработка данных изображения
7.5.1 Обработка кодеком изображения
7.5.2 Переворот изображений
7.5.3 Регулировка цвета изображения
7.5.4 Стандартизация изображения
7.5.5 Изменение размера изображений
7.5.6 Ящик для маркировки изображения
Глава 8 Классическая сверточная нейронная сеть
8.1 Модель сверточной сети LeNet-5
8.1.1 Структура модели
8.1.2 Реализация TensorFlow
8.2 Модель сверточной сети AlexNet
8.2.1 Структура модели
8.2.2 Реализация TensorFlow
8.3 Модель сверточной сети VGGNet
8.3.1 Структура модели
8.3.2 Реализация TensorFlow
8.4 Модель сверточной сети InceptionNet-V3
8.4.1 Структура модели
8.4.2 Реализация начального модуля V3
8.4.3 Полная миграция модели с помощью Inception V3
8.5 Модель сверточной сети ResNet
8.5.1 Структура модели
8.5.2 Реализация TensorFlow
Глава 9. Рекуррентные нейронные сети.
9.1 Введение в рекуррентные нейронные сети
9.1.1 Программирование прямого распространения рекуррентных нейронных сетей
9.1.2 Вычисление градиентов рекуррентных нейронных сетей
9.1.3 Различные шаблоны проектирования для рекуррентных нейронных сетей
9.2 Моделирование естественного языка и векторы слов
9.2.1 Статистические языковые модели
9.2.2Word2Vec
9.2.3 Реализация Word2Vec с помощью TensorFlow
9.3LSTM реализует моделирование естественного языка.
9.3.1 Длина сети памяти (LSTM) (LSTM)
9.3.2 Применение LSTM в моделировании естественного языка
9.3.3 Отказ рекуррентных нейронных сетей
9.4. Варианты рекуррентных нейронных сетей
9.4.1 Двунаправленные рекуррентные нейронные сети
9.4.2 Глубокая циркулирующая нейронная сеть
Глава Глава в обучении -depth усиление
.1 понимать основные понятия
.2
.3 Например, типичные сценарии применения
.3.1 Сценарий 1: Автоматическое управление роботизированной рукой
.3.2 Сцена 2: Автоматическая игровая система
.3.3 Сцена 3: Автономное вождение
.3.4 Сцена 4: Система Smart Go
.4q обучение и глубина Q сеть
.4.1q обучение и глубокое обучение
.4.2 Deep Q Network
Третья часть — расширенное использование TensorFlow.
Глава 1. Чтение данных
11.1 Формат файла
11.1.1 Формат TFRecord
11.1.2 Формат CSV
11.2 Очередь
11.2.1 Очередь данных
11.2.2 Очередь файлов
11.3 Использование многопоточности для обработки входных данных
11.3.1 Использование класса координатора для управления потоками
11.3.2 Создание потоков с помощью QueueRunner
11.4 Организация пакетов данных
Глава 2. Сохраняемость модели
12.1 Реализация через код
12.2 Принцип устойчивости модели
12.2.1 Файл model.ckpt.mate
12.2.2 Чтение значений переменных из файлов .index и .data
12.3 Специфическая идентификация почерка Mnist
Файлы размером 12,4 ПБ
Глава 3. Визуализация TensorBoard
13.1 Краткое введение в TensorBoard
13.2 MNIST Визуализация распознавания почерка
13.2.1 Процесс реализации
13.2.2 Результаты визуализации данных прокрутки
13.2.3 Результаты визуализации данных изображения
13.2.4 Результаты визуализации графика расчета
13.3 Другие индикаторы мониторинга визуализируют
Глава 4. Ускоренные вычисления
14.1 Устройства, поддерживаемые TensorFlow
14.2tensorflow ОДИН -МАЧИНА Реализация
14.2.1 Просмотр устройства, выполняющего операцию
14.2.2 Использование функции device()
14.3 Принципы параллельного обучения
14.3.1 Параллелизм данных
14.3.2 Модельный параллелизм
14.4 Программа Tensorflow Single -Machine Multi -GPU
14.4.1 Процесс реализации
14.4.2 Multi -GPU Параллельная визуализация
14.5 Обзор распределенного TensorFlow
Выбор редактора
Объясните подробно: соблюдайте требования&гравировать; алгоритмÈ реализация кода, подходит для всех видов читателей
Есть много картинок: более 200 картинок в книге, помогут вам понять ядро алгоритма
Все случаи: почти 80 случаев кода могут быть использованы для использования
Вовлечен в Гуанг: включая нейронные сети, глубокое укрепление обучения, визуализацию, расчет ускорения и т. Д.