《深度學習入門與實戰基於TensorFlow》是2019年人民郵電出版社出版的圖書，作者是[日] 中井，悅司。
基本介紹
- 中文名：深度學習入門與實戰基於TensorFlow
- 作者：[日] 中井，悅司
- 出版社：人民郵電出版社
- 出版時間：2019年4月1日
- ISBN：9787115504821
編輯推薦,內容簡介,作者簡介,目錄,
編輯推薦
當我們開始學習程式語言的時候，通常**個程式就是列印“Hello World!”。在深度學習中，MNIST數據集就相當於Hello World。
本書以運用卷積神經網路識別手寫數字為例，逐層剖析機器學習結構，將理論分析與代碼實踐相結合併一一對應，講解細緻，循序漸進，非常適合深度學習的初學者。
本書中使用的代碼在GitHub上都有公開，可供讀者下載。
內容簡介
TensorFlow由美國谷歌公司開發和維護，被廣泛套用於各類機器學習算法的編程實現。
本書緊密圍繞代表性的深度學習套用——手寫數字識別，逐層介紹構成神經網路的各個節點的功能，並用TensorFlow編寫示例代碼對各部分的工作原理加以驗證，從根本上理解深度學習。
本書非常適合深度學習的初學者，而非專門從事機器學習和數據分析的專家。
作者簡介
中井悅司：1971年4月生於日本大阪市。現任某大型搜尋系統公司的雲解決方案架構師，致力於傳播機器學習等知識，並積極地將自己的經驗傳授給年輕的程式設計師們。著作有《Linux系統網路管理技術》《Linux系統架構和套用技巧》《機器學習入門之道》等。
目錄
第 1章 深度學習與TensorFlow
1．1 深度學習概覽
1．1．1 機器學習的基本模型
1．1．2 神經網路的必要性
1．1．3 深度學習的特點
1．1．4 參數最佳化
1．2 環境準備
1．2．1 基於CentOS 7環境的安裝步驟
1．2．2 Jupyter的使用方法
1．3 TensorFlow概覽
1．3．1 用多維數組表示模型
1．3．2 TensorFlow 代碼實現
1．3．3 通過Session執行訓練
第 2章 分類算法基礎
2．1 邏輯回歸之二元分類器
2．1．1 利用機率進行誤差評價
2．1．2 通過TensorFlow執行最大似然估計
2．1．3 通過測試集驗證
2．2 Softmax函式與多元分類器
2．2．1 線性多元分類器的結構
2．2．2 通過Softmax 函式進行機率轉換
2．3 套用多元分類器進行手寫數字識別
2．3．1 MNIST數據集的使用方法
2．3．2 圖片數據的分類算法
2．3．3 TensorFlow執行訓練
2．3．4 小批量梯度下降法和隨機梯度下降法
第3章 套用神經網路進行分類
3．1 單層神經網路的構成
3．1．1 使用單層神經網路的二元分類器
3．1．2 隱藏層的作用
3．1．3 改變節點數和激活函式後的效果
3．2 套用單層神經網路進行手寫數字分類
3．2．1 套用單層神經網路的多元分類器
3．2．2 通過TensorBoard確認網路圖
3．3 擴展為多層神經網路
3．3．1 多層神經網路的效果
3．3．2 基於特徵變數的分類邏輯
3．3．3 補充：參數向極小值收斂的例子
第4章 卷積核提取圖片特徵
4．1 卷積核的功能
4．1．1 卷積核示例
4．1．2 在TensorFlow中運用卷積核
4．1．3 通過池化層縮小圖片
4．2 套用卷積核進行圖片分類
4．2．1 套用特徵變數進行圖片分類
4．2．2 卷積核的動態學習
4．3 套用卷積核進行手寫數字識別分類
4．3．1 保存Session信息的功能
4．3．2 通過單層CNN對手寫數字進行識別分類
4．3．3 確認動態學習的卷積核
第5章 套用卷積核多層化實現性能提升
5．1 完成卷積神經網路
5．1．1 通過多層卷積核抽取特徵
5．1．2 用TensorFlow實現多層CNN
5．1．3 自動識別手寫數字套用
5．2 延伸閱讀
5．2．1 CIFAR-10（彩色圖片數據集）的分類延伸
5．2．2 通過“A Neural Network Playground”進行直觀理解
5．2．3 補充：反向傳播算法中的梯度計算
附錄A Mac OS X和Windows環境的安裝方法
A．1 Mac OS X環境的準備步驟
A．2 Windows 10環境的準備步驟
附錄B Python 2的基本語法
B．1 Hello， World!
B．2 字元串
B．3 列表與詞典
B．4 控制語句
B．5 函式與模組
附錄C 數學公式
