《圖解深度學習與神經網路：從張量到TensorFlow實現 》是2018年電子工業出版社出版的圖書、作者是張平。
基本介紹
- 中文名：圖解深度學習與神經網路：從張量到TensorFlow實現
- 作者：張平
- 出版社：電子工業出版社
- 出版時間：2018年9月
- 頁數：336 頁
- 定價：79 元
- 開本：16 開
- 裝幀：平裝-膠訂
- ISBN：9787121347450
內容簡介,圖書目錄,作者簡介,
內容簡介
本書是以TensorFlow 為工具介紹神經網路和深度學習的入門書，內容循序漸進，以簡單示例和圖例的形式，展示神經網路和深度學習背後的數學基礎原理，幫助讀者更好地理解複雜抽象的公式。同時，採用手動計算和程式代碼這兩種方式講解示例，可以更好地幫助讀者理解TensorFlow的常用函式接口，為讀者掌握利用TensorFlow搭建人工智慧項目打下良好的基礎。
本書適合神經網路、深度學習、TensorFlow的入門者閱讀。
圖書目錄
1 深度學習及TensorFlow 簡介 1
1．1 深度學習 1
1．2 TensorFlow 簡介及安裝 2
2 基本的數據結構及運算6
2．1 張量 6
2．1．1 張量的定義 6
2．1．2 Tensor 與Numpy 的ndarray 轉換 9
2．1．3 張量的尺寸 10
2．1．4 圖像轉換為張量 13
2．2 隨機數 14
2．2．1 均勻（平均）分布隨機數 14
2．2．2 正態（高斯）分布隨機數 15
2．3 單個張量的運算 17
2．3．1 改變張量的數據類型 17
2．3．2 訪問張量中某一個區域的值 19
2．3．3 轉置 22
2．3．4 改變形狀 26
2．3．5 歸約運算：求和、平均值、（小）值 29
2．3．6 （小）值的位置索引 34
2．4 多個張量之間的運算 35
2．4．1 基本運算：加、減、乘、除 35
2．4．2 乘法 41
2．4．3 張量的連線 42
2．4．4 張量的堆疊 44
2．4．5 張量的對比 48
2．5 占位符 49
2．6 Variable 對象 50
3 梯度及梯度下降法 52
3．1 梯度 52
3．2 導數計算的鏈式法則 53
3．2．1 多個函式和的導數 54
3．2．2 複合函式的導數 54
3．2．3 單變數函式的駐點、極值點、鞍點 55
3．2．4 多變數函式的駐點、極值點、鞍點 57
3．2．5 函式的泰勒級數展開 60
3．2．6 梯度下降法 63
3．3 梯度下降法 73
3．3．1 Adagrad 法 73
3．3．2 Momentum 法 75
3．3．3 NAG 法 77
3．3．4 RMSprop 法 78
3．3．5 具備動量的RMSprop 法 80
3．3．6 Adadelta 法 81
3．3．7 Adam 法 82
3．3．8 Batch 梯度下降 84
3．3．9 隨機梯度下降 85
3．3．10 mini-Batch 梯度下降 86
3．4 參考文獻 86
4 回歸分析 88
4．1 線性回歸分析 88
4．1．1 一元線性回歸 88
4．1．2 保存和載入回歸模型 91
4．1．3 多元線性回歸 95
4．2 非線性回歸分析 99
5 全連線神經網路 102
5．1 基本概念 102
5．2 計算步驟 104
5．3 神經網路的矩陣表達 107
5．4 激活函式 112
5．4．1 sigmoid 激活函式 112
5．4．2 tanh 激活函式 113
5．4．3 ReLU 激活函式 114
5．4．4 leaky relu 激活函式 115
5．4．5 elu 激活函式 118
5．4．6 crelu 激活函式 119
5．4．7 selu 激活函式 120
5．4．8 relu6 激活函式 121
5．4．9 softplus 激活函式 121
5．4．10 softsign 激活函式 122
5．5 參考文獻 123
6 神經網路處理分類問題 125
6．1 TFRecord 檔案 125
6．1．1 將ndarray 寫入TFRecord 檔案 125
6．1．2 從TFRecord 解析數據 128
6．2 建立分類問題的數學模型 134
6．2．1 數據類別（標籤） 134
6．2．2 圖像與TFRecrder 135
6．2．3 建立模型 140
6．3 損失函式與訓練模型 143
6．3．1 sigmoid 損失函式 143
6．3．2 softmax 損失函式 144
6．3．3 訓練和評估模型 148
6．4 全連線神經網路的梯度反向傳播 151
6．4．1 數學原理及示例 151
6．4．2 梯度消失 166
7 一維離散卷積 168
7．1 一維離散卷積的計算原理 168
7．1．1 full 卷積 169
7．1．2 valid 卷積 170
7．1．3 same 卷積 170
7．1．4 full、same、valid 卷積的關係 171
7．2 一維卷積定理 174
7．2．1 一維離散傅立葉變換 174
7．2．2 卷積定理 177
7．3 具備深度的一維離散卷積 182
7．3．1 具備深度的張量與卷積核的卷積 182
7．3．2 具備深度的張量分別與多個卷積核的卷積 183
7．3．3 多個具備深度的張量分別與多個卷積核的卷積 185
8 二維離散卷積 187
8．1 二維離散卷積的計算原理 187
8．1．1 full 卷積 187
8．1．2 same 卷積 189
8．1．3 valid 卷積 191
8．1．4 full、same、valid 卷積的關係 192
8．1．5 卷積結果的輸出尺寸 193
8．2 離散卷積的性質 194
8．2．1 可分離的卷積核 194
8．2．2 full 和same 卷積的性質 195
8．2．3 快速計算卷積 197
8．3 二維卷積定理 198
8．3．1 二維離散傅立葉變換 198
8．3．2 二維與一維傅立葉變換的關係 201
8．3．3 卷積定理 203
8．3．4 利用卷積定理快速計算卷積 203
8．4 多深度的離散卷積 205
8．4．1 基本的多深度卷積 205
8．4．2 一個張量與多個卷積核的卷積 207
8．4．3 多個張量分別與多個卷積核的卷積 208
8．4．4 在每一深度上分別卷積 211
8．4．5 單個張量與多個卷積核在深度上分別卷積 212
8．4．6 分離卷積 214
9 池化操作218
9．1 same 池化 218
9．1．1 same 值池化 218
9．1．2 多深度張量的same 池化 221
9．1．3 多個三維張量的same 值池化 223
9．1．4 same 平均值池化 224
9．2 valid 池化 226
9．2．1 多深度張量的vaild 池化 228
9．2．2 多個三維張量的valid 池化 229
10 卷積神經網路231
10．1 淺層卷積神經網路 231
10．2 LeNet 238
10．3 AlexNet 244
10．3．1 AlexNet 網路結構詳解 244
10．3．2 dropout 及其梯度下降 247
10．4 VGGNet 256
10．5 GoogleNet 264
10．5．1 網中網結構 264
10．5．2 Batch Normalization 269
10．5．3 BN 與卷積運算的關係 273
10．5．4 指數移動平均 275
10．5．5 帶有BN 操作的卷積神經網路 276
10．6 ResNet 281
10．7 參考文獻 284
11 卷積的梯度反向傳播 286
11．1 valid 卷積的梯度 286
11．1．1 已知卷積核，對未知張量求導 286
11．1．2 已知輸入張量，對未知卷積核求導 290
11．2 same 卷積的梯度 294
11．2．1 已知卷積核，對輸入張量求導 294
11．2．2 已知輸入張量，對未知卷積核求導 298
12 池化操作的梯度 303
12．1 平均值池化的梯度 303
12．2 值池化的梯度 306
13 BN 的梯度反向傳播311
13．1 BN 操作與卷積的關係 311
13．2 示例詳解 314
14 TensorFlow 搭建神經網路的主要函式 324
作者簡介
張平，數學與套用數學專業，數學功底深厚，算法工程師。主要從事圖像算法研究和產品的套用開發。此外，還從事有關深度學習、機器學習、數據挖掘算法的套用研發工作。著有《OpenCV算法精解：基於Python與C 》一書。
