深度學習：卷積神經網路技術與實踐

內容簡介

本書共11章，主要內容包括深度學習簡介、Python基礎、神經網路基礎、卷積神經網路、經典卷積網路結構、遷移學習、循環神經網路、強化學習、深度強化學習、基於策略的算法更新與趨勢等，通過具體案例，將Python語言、深度學習思想、強化學習思想和實際工程完美地結合起來。本書由淺入深，從易到難，各章節既相對獨立又前後關聯，其*大的特點就是打破了傳統書籍的講解方法，在介紹各部分理論基礎的同時，搭配具體實例，通過對相關程式的詳細講解進一步加深對理論基礎的理解。

圖書目錄

前言

第1章　深度學習簡介1

11　機器學習與深度學習1

12　TensorFlow概述2

13　環境搭建3

131　在Windows系統下安裝Anaconda3

132　在Anaconda下安裝TensorFlow與Keras6

133　Spyder編輯器8

第2章　Python基礎11

21　數據類型11

211　數值類型11

212　字元串類型13

213　布爾類型13

22　變數與常量14

23　運算符14

231　運算符概述14

232　運算符優先權15

24　選擇與循環15

241　if語句15

242　while循環18

243　for循環20

244　break和continue21

25　列表與元組23

251　創建23

252　查詢24

253　修改24

254　刪除26

26　字典26

261　字典的創建27

262　字典的常規操作27

263　字典的遍歷29

27　函式29

271　函式的定義與調用30

272　參數傳遞31

28　面向對象編程33

281　類與對象33

282　繼承與多態34

29　思考與練習37

第3章　神經網路基礎38

31　單層神經網路38

32　多層神經網路39

321　隱藏層39

322　輸入層與輸出層41

33　激活函式42

331　Sigmoid函式42

332　Tanh函式43

333　Relu函式44

334　Softmax函式45

34　神經網路工作過程45

35　損失函式47

351　均方差函式47

352　交叉熵函式47

36　最佳化算法48

37　反向傳播49

深度學習：卷積神經網路技術與實踐

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條