Tensorflow учится с нуля
Цена: 793руб. (¥44.08)
Артикул: 613435632551
Цена указана со скидкой: 50%
Старая цена: 1601р.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:盛世宏烨图书专营店
Адрес:Пекин
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥1462 626руб.
¥58.81 058руб.
¥ 59 42.29761руб.
¥ 28 20.8374руб.
Введение
Эта книга представляет собой входную книгу TensorFlow с очень спокойным чтением и обучением.Эта книга основана на версии Tensorflow 2.0. Начиная с основы машинного обучения и Tensorflow, для начинающих только необходимые*незначительные знания в реальных приложениях будут использоваться для выполнения нейронных сетей обратной связи, сверточных нейронных сетей, циркулирующих нейронных сетей, и глубокое обучение улучшению для обучения. Это легко понять и быстро и эффективно объяснить, включая многие конкретные примеры тензора.*Фактическая борьба второй главы может научить новичков использовать глубокое обучение для решения практических проблем, чтобы войти в популярность поле искусственного интеллекта.Эта книга подходит для групп читателей со слабой теоретической и практической основой глубокого обучения, а также теоретической и практической основой глубокого обучения. Ожидание чтения, она особенно подходит для справочных учебников для компьютеров или специальностей искусственного интеллекта в колледжах и университетах.
Оглавление
Глава 1. Основы машинного обучения / 1
1.1 Искусственный интеллект: и возможность, и вызов / 2
1.2 Машинное обучение / 2
1.2.1 Что такое машинное обучение / 2
1.2.2 Общий процесс решения задач с помощью машинного обучения / 4
1.2.3 Предварительная обработка данных / 6
1.2.4 Разработка функций / 7
1.2.5 Оценка и выбор моделей / 10
1.3 Разработка и применение глубокого обучения / 16
1.3.1 Разработка глубокого обучения / 16
1.3.2 Применение глубокого обучения / 18
1.4 Упражнения к этой главе / 20
Глава 2 Основы TensorFlow / 21
2.1 Tensorflow 2.0 ВВЕДЕНИЕ / 22
2.1.1 Основные понятия TensorFlow / 22
2.1.2 Изменения с 1.х на 2.0/25
2.1.3 Tensorflow 2.0 Архитектура / 26
2.2 Установка TensorFlow 2.0 / 27
2.3 Использование TensorFlow 2.0/33
2.3.1 "tf.data" API / 33
2.3.2 "tf.keras" API / 40
2.4 Используйте ускорение графического процессора / 47
2.4.1 Установка и конфигурация среда GPU / 47
2.4.2 Используйте TensorFlow-GPU / 53
2.5 Сводка этой главы / 55
Глава 3. Нейронные сети прямого распространения 56
3.1 Нейронные сети / 57
3.1.1 Модель персептрона / 57
3.1.2 Многослойные нейронные сети / 58
3.2 Функция активации / 61
3.2.1 Логистическая функция / 61
3.2.2 Функция TANH / 61
3.2.3 RELU FUNCTION / 62
3.3 Функция потерь и выходной единицы / 63
3.3.1 Выбор функции потерь / 63
3.3.2 Выбор выходного блока / 64
3.4 Небольшой тестовый нож для крупного рогатого скота: почерк MNIST Digital Discover / 65
3.4.1 Набор данных MNIST / 66
3.4.2 Обработка данных / 67
3.4.3 Простая внедрение женской лесной нейронной сети / 70
3.5 Сводка этой главы / 72
3.6 Упражнения к этой главе / 72
Глава 4. Сверточные нейронные сети 73
4.1 Основные характеристики и характеристики сверточной нейронной сети
Базовая структура / 74
4.2 Слоловый слой / 76
4.2.1 Что такое свертка / 76
4.2.2 Скользящие шаги и заполнение нулями 79
4.2.3 Базовая структура сверточного слоя / 81
4.3 Слой пленки / 83
4.4 Небольшой тест: классификация изображений с помощью CNN / 84
4.5 Сводка этой главы / 92
4.6 Упражнения к этой главе / 92
Глава 5 Рекуррентные нейронные сети 93
5.1 Простая нейронная сеть Circulation / 94
5.1.1 Основы рекуррентных нейронных сетей
структура / 95
5.1.2 Процесс работы рекуррентной нейронной сети и
Обновление параметра / 96
5.2 Часто используемые рекуррентные нейронные сети / 100
5.2.1 Многослойные рекуррентные нейронные сети / 101
5.2.2 Двунаправленные рекуррентные нейронные сети / 101
5.2.3 TensorFlow реализует рекуррентные нейронные сети
сеть / 102
5.3 Проблема долговременной зависимости и ее оптимизация / 107
5.4 Дверной -Контролирующий Круг Круг Нейронная сеть / 110
5.4.1 Сети долговременной краткосрочной памяти / 110
5.4.2 Во время блока циркуляции дверей / 114
5.4.3 TensorFlow для реализации LSTM и
GRU / 115
5.5. Применение рекуррентных нейронных сетей 116
5.5.1 Классификация текста / 116
5.5.2 Маркировка последовательности / 117
5.5.3 Машинный перевод / 118
5.6 Модель внимания / 119
5.7 Сводка этой главы / 121
5.8 Упражнения к этой главе / 121
Глава 6 в учебном обучении -Depth Areftion / 122
6.1 Глубокое обучение в Альфаго / 123
6.2 Основы обучения с подкреплением 126
6.2.1. Проблема обучения с подкреплением 126
6.2.2 Марковские процессы принятия решений / 128
6.2.3 * Функция оптимального значения и Беллмана
Формула / 130
6.3 Модель улучшенного метода обучения / 131
6.3.1 Итерация / 132
6.3.2 стратегия итерация / 132
6.4 Метод обучения подкрепления без моделей / 133
6.4.1 Методы Монте-Карло / 133
6.4.2 Обучение временной разнице / 136
6.4.3 Функция значения аналогична / 139
6.4.4 Поиск стратегии / 139
6.5 Алгоритмы обучения с подкреплением 141
6.5.1 Алгоритм Q-обучения / 141
6.5.2 Monte Carlo Policy Gradient
Алгоритм / 146
6.5.3 Актер-критический алгоритм / 150
6.6 В алгоритме укрепления обучения / 154
6.6.1 Глубокий Q-NetWorks (DQN) / 154
6.6.2 Deep Deterministic Policy
Градиент (DDPG) / 156
6.7 Резюме этой главы / 157
6.8 Упражнения к этой главе / 157
Глава 7 Project Real Combat / 158
7.1 CNN Фактический боевой проект 1: chars74k / 158
7.2 CNN Фактический боевой проект 2: CIFAR-10 /166
7.3 RNN Фактический боевой проект 1: Новости текстовой категории / 174
7.4 Практический проект RNN II: Чат-бот / 180
7.5 DRL Фактический боевой проект: DQN / 189
об авторе
Hou Lunqing, степень магистра в области разработки программного обеспечения, в настоящее время занимается работой, связанной с диалогом человека.Увлечен обработкой естественного языка, машинном обучении и глубоком улучшении исследований, связанных с обучением.Ван Фэй, степень магистра в Университете Шэньчжэнь, основатели Tensorflownews и Pytorchchina Community.В настоящее время основным исследованием алгоритма, связанным с обработкой естественного языка, являются в основном сегментация китайской, классификацию текста и интеллектуальный анализ данных.Дэн Синь, степень магистра в области компьютера в Университете Шэньчжэнь, основатель «Panchuang Technology», в основном напал на направление глубокого обучения и обработки естественного языка.Ши Чжоуан, степень магистра в области разработки программного обеспечения, энтузиастов технологий искусственного интеллекта, практикующих и исследователей.В настоящее время занимается слабым обучением надзора, миграционному обучению и медицинским изображениям, связанным с медицинскими изображениями.
Рекомендуемая рекомендация
Эта книга подходит для групп читателей со слабыми теоретическими и практическими основаниями глубокого обучения, а также теоретической и практической основы глубокого обучения. Ожидание чтения, она особенно подходит для справочных учебников для компьютеров или специальностей искусственного интеллекта в колледжах и университетах.
