深度學習(2019年機械工業出版社出版的圖書)

內容簡介

本書探討深度學習中的高級主題，例如最佳化算法、超參數調整、Dropout和誤差分析，並討論如何解決在訓練深度神經網路時遇到的典型問題。書中首先介紹單一神經元網路的激活函式（ReLu、sigmoid和Swish），然後介紹如何使用TensorFlow進行線性和邏輯回歸，以及如何選擇正確的代價函式，之後討論具有多個層和神經元的更複雜的神經網路結構，並探討權重的隨機初始化問題。本書用一整章對神經網路誤差分析進行全面概述，給出如何解決來自不同分布的方差、偏差、過擬合和數據集問題的例子。

本書還討論在不使用任何Python庫（NumPy除外）的情況下，如何從零開始完全實現邏輯回歸，以便用諸如TensorFlow這樣的庫進行快速和有效的實驗。本書包括每種方法的案例研究，以便將所有理論信息付諸實踐。你還將學到Python代碼的最佳化技巧（例如，使用NumPy對循環進行向量化）。

圖書目錄

譯者序

前言

審校者簡介

致謝

第1章　計算圖和TensorFlow1

1.1　如何構建Python環境1

1.1.1　創建環境3

1.1.2　安裝TensorFlow7

1.1.3　Jupyter記事本8

1.2　TensorFlow基本介紹10

1.2.1　計算圖10

1.2.2　張量12

1.2.3　創建和運行計算圖13

1.2.4　包含tf.constant的計算圖13

1.2.5　包含tf.Variable的計算圖14

1.2.6　包含tf. placeholder的計算圖15

1.2.7　運行和計算的區別18

1.2.8　節點之間的依賴關係18

1.2.9　創建和關閉會話的技巧19

第2章　單一神經元21

2.1　神經元結構21

2.1.1　矩陣表示法23

2.1.2　Python實現技巧：循環和NumPy24

2.1.3　激活函式25

2.1.4　代價函式和梯度下降：學習率的特點32

2.1.5　學習率的套用示例34

2.1.6　TensorFlow中的線性回歸示例38

2.2　邏輯回歸示例47

2.2.1　代價函式47

2.2.2　激活函式48

2.2.3　數據集48

2.2.4　TensorFlow實現51

2.3　參考文獻54

第3章　前饋神經網路56

3.1　網路架構57

3.1.1　神經元的輸出59

3.1.2　矩陣維度小結59

3.1.3　示例：三層網路的方程59

深度學習(2019年機械工業出版社出版的圖書)

基本介紹

內容簡介

圖書目錄

作者簡介

相關詞條

熱門詞條