1.TensorLayer是一个基于TensorFlow的深度学习发工具。其透明，灵活，高性能的特，使得它得到了大量初学者乃至资深发者的青睐。TensorLayer获得了ACM Multimedia颁发的2017年度*源软件奖。 2.本书是在帝国理工学院计算机系终身教授郭毅可的领导下，由TensorLayer创始人领衔，TensorLayer主要发团队倾力造而成，作者全部来自一线人工智能研究员和工程师，为读者提供了一次非常美妙的AI之旅。
售 价：¥
纸质售价：¥78.20购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容简介
前言
本书作者
致谢
如何阅读本书
1 深度学习简介
1.1 人工智能、机器学习和深度学习
1.1.1 引言
1.1.2 人工智能、机器学习和深度学习三者的关系
1.2 神经网络
1.2.1 感知器
1.2.2 激活函数
1.2.3 损失函数
1.2.4 梯度下降和随机梯度下降
1.2.5 反向传播算法简述
1.2.6 其他神经网络
1.3 学习方法建议
1.3.1 网络资源
1.3.2 TensorFlow官方深度学习教程
1.3.3 开源社区
1.4 TensorLayer
1.4.1 深度学习框架概况
1.4.2 TensorLayer概括
1.4.3 实验环境配置
2 多层感知器
2.1 McCulloch-Pitts神经元模型
2.1.1 人工神经网络到底能干什么？到底在干什么
2.1.2 什么是激活函数？什么是偏值
2.2 感知器
2.2.1 什么是线性分类器
2.2.2 线性分类器有什么优缺点
2.2.3 感知器实例和异或问题（XOR问题）
2.3 多层感知器
2.4 实现手写数字分类
2.5 过拟合
2.5.1 什么是过拟合
2.5.2 Dropout
2.5.3 批规范化
2.5.4 L1、L2和其他正则化方法
2.5.5 Lp正则化的图形化解释
2.6 再实现手写数字分类
2.6.1 数据迭代器
2.6.2 通过 all_drop启动与关闭Dropout
2.6.3 通过参数共享实现训练测试切换
3 自编码器
3.1 稀疏性
3.2 稀疏自编码器
3.3 实现手写数字特征提取
3.4 降噪自编码器
3.5 再实现手写数字特征提取
3.6 堆栈式自编码器及其实现
4 卷积神经网络
4.1 卷积原理
4.1.1 卷积操作
4.1.2 张量
4.1.3 卷积层
4.1.4 池化层
4.1.5 全连接层
4.2 经典任务
4.2.1 图像分类
4.2.2 目标检测
4.2.3 语义分割
4.2.4 实例分割
4.3 经典卷积网络
4.3.1 LeNet
4.3.2 AlexNet
4.3.3 VGGNet
4.3.4 GoogLeNet
4.3.5 ResNet
4.4 实现手写数字分类
4.5 数据增强与规范化
4.5.1 数据增强
4.5.2 批规范化
4.5.3 局部响应归一化
4.6 实现CIFAR10分类
4.6.1 方法1：tl.prepro做数据增强
4.6.2 方法2：TFRecord做数据增强
4.7 反卷积神经网络
5 词的向量表达
5.1 目的与原理
5.2 Word2Vec
5.2.1 简介
5.2.2 Continuous Bag-Of-Words（CBOW）模型
5.2.3 Skip Gram（SG）模型
5.2.4 Hierarchical Softmax
5.2.5 Negative Sampling
5.3 实现Word2Vec
5.3.1 简介
5.3.2 实现
5.4 重载预训练矩阵
6 递归神经网络
6.1 为什么需要它
6.2 不同的RNNs
6.2.1 简单递归网络
6.2.2 回音网络
6.3 长短期记忆
6.3.1 LSTM概括
6.3.2 LSTM详解
6.3.3 LSTM变种
6.4 实现生成句子
6.4.1 模型简介
6.4.2 数据迭代
6.4.3 损失函数和更新公式
6.4.4 生成句子及Top K采样
6.4.5 接下来还可以做什么
7 深度增强学习
7.1 增强学习
7.1.1 概述
7.1.2 基于价值的增强学习
7.1.3 基于策略的增强学习
7.1.4 基于模型的增强学习
7.2 深度增强学习
7.2.1 深度Q学习
7.2.2 深度策略网络
7.3 更多参考资料
7.3.1 书籍
7.3.2 在线课程
8 生成对抗网络
8.1 何为生成对抗网络
8.2 深度卷积对抗生成网络
8.3 实现人脸生成
8.4 还能做什么
9 高级实现技巧
9.1 与其他框架对接
9.1.1 无参数层
9.1.2 有参数层
9.2 自定义层
9.2.1 无参数层
9.2.2 有参数层
9.3 建立词汇表
9.4 补零与序列长度
9.5 动态递归神经网络
9.6 实用小技巧
9.6.1 屏蔽显示
9.6.2 参数名字前缀
9.6.3 获取特定参数
9.6.4 获取特定层输出
10 实例一：使用预训练卷积网络
10.1 高维特征表达
10.2 VGG网络
10.3 连接TF-Slim
11 实例二：图像语义分割及其医学图像应用
11.1 图像语义分割概述
11.1.1 传统图像分割算法简介
11.1.2 损失函数与评估指标
11.2 医学图像分割概述
11.3 全卷积神经网络和U-Net网络结构
11.4 医学图像应用：实现脑部肿瘤分割
11.4.1 数据与数据增强
11.4.2 U-Net网络
11.4.3 损失函数
11.4.4 开始训练
12 实例三：由文本生成图像
12.1 条件生成对抗网络之GAN-CLS
12.2 实现句子生成花朵图片
13 实例四：超高分辨率复原
13.1 什么是超高分辨率复原
13.2 网络结构
13.3 联合损失函数
13.4 训练网络
13.5 使用测试
14 实例五：文本反垃圾
14.1 任务场景
14.2 网络结构
14.3 词的向量表示
14.4 Dynamic RNN分类器
14.5 训练网络
14.5.1 训练词向量
14.5.2 文本的表示
14.5.3 训练分类器
14.5.4 模型导出
14.6 TensorFlow Serving部署
14.7 客户端调用
14.8 其他常用方法
中英对照表及其缩写
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
