Глубокое обучение технологии и практики нейронной сети Gao Jingpeng Machinery Club Далее углубляет теоретическую основу теоретической основы посредством подробного объяснения связанных процедур
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
E1
Номер ISBN: 9787111657378
Название: Глубокое обучение: технология и практика сверточной нейронной сети
Автор: Gao Jingpeng
Авторский регион: материковый Китай
Цена: 79,00 юань
Книга: 16
Это набор: нет
Нажжение на пресс: Machinery Industry Press
Время публикации: 2020-06
В этой книге существует 11 глав. С этой тенденцией, через конкретные случаи, объедините язык питона, мысли о глубоком обучении, укрепление учебных идей и практических проектов.Эта книга от мелкой до глубокой, от легкой до трудной, и каждая глава относительно независима и связана. .
Предисловие
Глава 1 Глубокое обучение Введение 1
1.1 машинное обучение и глубокое обучение 1
1.2 Обзор TensorFlow 2
1.3 Строительство среды 3
1.3.1 Установите Anaconda3 в системе Windows
1.3.2 Установите TensorFlow и Keras6 под Anaconda
1.3.3 Редактор Spyder 8
Глава 2 База Python 11
2.1 Тип данных 11
2.1.1 Числовой тип 11
2.1.2 строка тип 13
2.1.3 Boolean Type 13
2.2 переменные и постоянные 14
2.3 Оператор 14
2.3.1 Обзор оперативного символа 14
2.3.2 Вычисляющий приоритет символов 15
2.4 Выбор и цикл 15
2.4.1, если оператор 15
2.4.2, пока петля 18
2.4.3 для цикла 20
2.4.4 Перерыв и продолжайте 21
2.5 List и Yuan Group 23
2.5.1 Создать 23
2.5.2 Запрос 24
2.5.3 Модифицировать 24
2.5.4 Удалить 26
2.6 Словарь 26
2.6.1 Создание словаря 27
2.6.2 Заказчик словаря 27
2.6.3 Словарь Траверс 29
2.7 Функция 29
2.7.1 Определение и вызов функций 30
2.7.2 Передача параметров 31
2.8 Объект -ориентированное программирование 33
2.8.1 Категория и объект 33
2.8.2 Наследование и полиморфизм 34
2.9 Мышление и практика 37
Глава 3 Main Nurgea Basic 38
3.1 Единая нейронная сеть 38
3.2 Многослойная нейронная сеть 39
3.2.1 Скрытый этаж 39
3.2.2 Входной слой и выходной слой 41
3.3 Функция активации 42
3.3.1 Сигмоидальная функция 42
3.3.2 Функция TANH 43
3.3.3 Relu Function 44
3.3.4 Функция Softma 45
3.4 Рабочий процесс нейронной сети 45
3.5 Функция потери 47
3.5.1 Функция средней разницы в квадрате 47
3.5.2 Функция энтропии с половой актом 47
3.6 Алгоритм оптимизации 48
3.7 Обратная связь 49
3.8 Способность обобщения 52
3.9 Многоуровневое восприятие 53
3.10 MNIST DATASET 54
3.10.1 Скачать набор данных MNIST 54
3.10.2 Предварительная обработка данных 56
3.11 Керас рукописное распознавание тела 58
3.11.1 Одностороннее распознавание почерка 58
3.11.2 Multi -Layer PESCIVEIVERIRKINT IDEDICATION 61
3.12 Мышление и практика 67
ГЛАВА 4 СВОИЙ НЕРЕЛЬНАЯ СЕТИ 68
4.1 Структура свертки нейронной сети и принцип 68
4.1.1. Выступающие характеристики нейронной сети 69
4.1.2 Снутренний слой 70
4.1.3 Пендализационный слой 72
4.1.4 Полный уровень соединения 73
4.2 Процесс рабочей работы нейронной сети 74
4.3 Простая сверточная реализация нейронной сети MNIST Classification 76
4.3.1 Обработка набора данных MNIST 76
4.3.2 Простая сверточная нейронная сеть строительства 77
4.4 Набор данных CIFAR-10 84
4.4.1 Скачать набор данных CIFAR-10 85
4.4.2 CIFAR-10 Обработка набора данных 87
4.5 Простая сверточная реализация нейронной сети Cifar-10 Классификация 88
4.6 Мышление и практика 93
Глава 5 Классическая сверточная структура сети 94
5.1 Обзор Lenet 94
5.2 Реализация Lenet MNIST Классификация 95
5.2.1 MNIST DATA PRE -обработку 95
5.2.2. Создание структуры сети Lenet на основе Keras 95
5.2.3 Компиляция, обучение, оценка и прогнозирование сети Lenet Network 98
5.3 Обзор Alenet 101
5.4 Реализация Alenet MNIST Classification 103
5.4.1 Создание сетевой структуры Alenet на основе Keras 103
5.4.2 Компиляция, обучение, оценка и прогнозирование сети Alenet Network Model 107
5.5 VGG16 Обзор 110
5.6 VGG16 Реализация MNIST Classification 111
5.6.1 Создание сетевой структуры VGG16 на основе Keras 112
5.6.2 Оценка и прогнозирования сети VGG16 модели 115
5.7 Мышление и практика 117
ГЛАВА 6 Классическая структура сети «Сетчатая сеть» продвинулась 118
6.1 Обзор Googlenet 118
6.2 GOOGLENET реализует MNIST Classification 119
6.2.1 Создание структуры сети Googlenet на основе Keras 119
6.2.2 Обучение, оценка и прогнозирование Googlenet 125
6.3 Обзор Resnet 129
6.4 RESNET50 реализует MNIST Classification 131
6.4.1 Создание структуры сети Resnet50 на основе Keras 131
6.4.2 Обучение, оценка и прогнозирование сетевой модели Resnet50 138
6.5 Мышление и практика 142
ГЛАВА 7 Обучение миграции 143
7.1 Миграционное обучение на основе сверточных сетей 143
7.2 Начало Реализация миграционного обучения 144
7.3 xception реализуйте миграционное обучение 150
7.4 Mobilenet реализуйте миграционное обучение 155
7.5 Простая сверточная реализация сети обучение миграции 164
7.6 Мышление и практика 172
Глава 8 Круг нейронная сеть 173
8.1 Обзор нейронной сети Circle 173
8.2 Сеть длинной памяти 174
8.2.1 LSTM
8.2.2 LSTM обратная связь 176
8.3 Набор данных Reuters 176
8.3.1 Обзор набора данных Reuters 176
8.3.2 Информация о текстовой обработке предварительной обработки 177
8.4 Простая реализация RNN Классификация Reuters 180
8.5 Реализация LSTM Классификация Reuters 185
8.6 Мышление и практика 190
Глава 9 Улучшенное исследование 191
9.1 Исследование подкрепления 191
9.1.1 Что усиливает обучение 192
9.1.2 Какой тип проблем может укрепить обучение 193
9.1.3 Подкрепление Как решить проблему 194
9.2 Укрепление теоретического фонда обучения 194
9.2.1 Базовый элемент композиции 194
9.2.2 Базовая модель 196
9.2.3 Функция стоимости 198
9.3 Решить и укреплять обучение—
9.3.1 Динамическое планирование и уравнение Белмана 199
9.3.2 стратегия Итератив 200
9.3.3 Итерация значения 202
9.3.4 Модель достижений Algorithm Model World 202 202 202
9.4 Решить и укреплять обучение—
9.4.1 Алгоритм Монте -Карло 208
9.4.2 Закон о дифференциате времени 209
9.4.3 Алгоритм Q-обучения 210
9.4.4 Q-обучение реализации Grid World 211
9.5 Мышление и практика 213
Глава 10 Глубокое сильное исследование 214
10.1 Глубокая структура обучения 214
10.2 Tensorflow Programming 216
10.2.1 Модель расчета Tensorflow— расчет Рисунок 216
10.2.2 Модель данных TensorFlow— напряжение 219
10.2.3 Продолжающаяся модель TensorFlow— сессия 220
10.2.4 переменная TensorFlow 222
10.2.5 переменная совместного использования TensorFlow 225
10.3 Установка тренажерного зала и использовать 226
10.3.1 Установка спортзала 226
10.3.2 Использование в спортзале 227
10.4 Обновление алгоритма на основе значения 229
10.4.1 Реализация Q-обучения 229
10.4.2 Принцип алгоритма DQN 233
10.4.3 Реализация алгоритма DQN 236
10.4.4 Принцип алгоритма DDQN 241
10.4.5 Реализация алгоритма DDQN 243
10.5 Мышление и практика 248
Глава 11 Обновление алгоритма на основе стратегии и тенденция 250
11.1 Стратегический метод градиента 250
11.1.1 Стратегическая целевая функция 251
11.1.2 Стратегическая градиентная теорема 252
11.1.3 Реализация алгоритма стратегического градиента 254
11.2 Актер–
11.2.1 Актер–
11.2.2 Актер–
11.3 Актер супервизора–
11.3.1 Advantage Actors–
11.3.2 Advantage Actors–
11.4 Асинхронный актер–
11.4.1 Асинхронные актеры–
11.4.2 Асинхронные актеры–
11.5 В укреплении тенденции к развитию обучения 278
11.6 Мышление и практика 279