《神經網路與深度學習——基於TensorFlow框架和Python技術實現》是2019年電子工業出版社出版的圖書，譯者是包子陽。
基本介紹
- 書名：神經網路與深度學習——基於TensorFlow框架和Python技術實現
- 作者：包子陽
- 譯者：包子陽
- 出版社：電子工業出版社
- 出版時間：2019年4月
- 頁數：196 頁
- 定價：49.8
- 開本：16 開
- 裝幀：平裝
- ISBN：9787121362019
- 千字數：280
- 版次：01-01
內容簡介,目錄,
內容簡介
本書首先介紹了Python及其常用庫Numpy、Matplotlib和Scipy的基本使用方法；其次介紹了TensorFlow的基本知識及使用方法；然後介紹了神經網路的基礎知識以及神經網路基本套用——感知機、線性回歸與邏輯回歸的理論與實現；最後介紹了兩種熱門的深度神經網路——卷積神經網路和循環神經網路的理論與實現。本書內容由淺入深，循序漸進，實踐性強，包含豐富的仿真實例。
目錄
第1章 緒論 1
1.1 人工智慧 2
1.2 機器學習 3
1.2.1 監督學習 3
1.2.2 非監督學習 3
1.2.3 半監督學習 4
1.3 深度學習 4
1.3.1 卷積神經網路 4
1.3.2 循環神經網路 5
1.4 實現工具 6
1.4.1 Python 6
1.4.2 TensorFlow 6
第2章 Python基礎 9
2.1 Python簡介 10
2.1.1 概述 10
2.1.2 Python的特點 10
2.1.3 Python的版本 11
2.2 Python的安裝 11
2.2.1 Python官網下載安裝 11
2.2.2 Anaconda的安裝 14
2.3 Spyder編輯器 16
2.3.1 Spyder界面 16
2.3.2 Spyder快捷鍵 19
2.4 Python基礎知識 19
2.4.1 基本語法 20
2.4.2 基本數據類型和運算 23
2.4.3 列表、元組和字元串 25
2.4.4 字典和集合 32
2.4.5 分支和循環 35
2.4.6 函式和類 37
2.4.7 模組 40
第3章 Python基礎庫 43
3.1 Numpy庫 44
3.1.1 創建數組 44
3.1.2 ndarray類 47
3.1.3 數組操作 48
3.1.4 形狀操作 55
3.2 Matplotlib庫 58
3.2.1 快速繪圖 58
3.2.2 繪製多軸圖 61
3.2.3 繪製3D圖 64
3.3 Scipy庫 67
3.3.1 scipy.io 67
3.3.2 scipy.linalg 68
3.3.3 scipy.fftpack 69
3.3.4 scipy.optimize 70
3.3.5 scipy.interpolate 71
3.3.6 scipy.stats 72
第4章 TensorFlow基礎 75
4.1 概述 76
4.2 TensorFlow的安裝 77
4.3 TensorFlow基本概念 79
4.3.1 Graph和Session 79
4.3.2 placeholder 82
4.3.3 tensor 82
4.3.4 Variable 85
4.3.5 fetch和feed 87
4.4 MNIST 89
4.4.1 MNIST簡介 89
4.4.2 MNIST解析 90
第5章 神經網路基礎 95
5.1 神經網路概述 96
5.1.1 神經網路常用術語 97
5.1.2 神經網路模型 99
5.1.3 神經網路的運作 99
5.1.4 神經網路算法的特點 100
5.2 神經元模型 101
5.3 激活函式 103
5.4.1 sigmoid函式 104
5.4.2 tanh函式 104
5.4.3 ReLU函式 105
5.4.4 softmax函式 106
5.4 損失函式 106
5.4.1 均方差函式 106
5.4.2 交叉熵函式 107
5.5 梯度下降算法 107
5.5.1 梯度下降算法推導 108
5.5.2 梯度下降算法種類 108
5.5 BP算法 109
5.5.1 BP網路簡介 109
5.5.2 BP算法流程 110
5.6 仿真實例 112
第6章 神經網路基礎套用 117
6.1 感知機 118
6.1.1 感知機網路結構 119
6.1.2 感知機學習規則 120
6.1.3 感知機網路訓練 120
6.1.5 仿真實例 121
6.2 線性回歸 123
6.2.1 線性回歸理論 123
6.2.2 仿真實例 126
6.3 邏輯回歸 129
6.3.1 邏輯回歸理論 129
6.3.2 仿真實例 131
第7章 卷積神經網路 137
7.1 概述 138
7.2 卷積神經網路結構 139
7.2.1 卷積層 141
7.2.2 池化層 144
7.2.3 全連線層 147
7.2.4 Dropout 層 148
7.3 訓練過程 148
7.4 卷積神經網路經典模型 149
7.4.1 LeNet-5模型 149
7.4.2 AlexNet模型 150
7.5 仿真實例 152
第8章 循環神經網路 159
8.1 循環神經網路概述 160
8.1.1 循環神經網路結構 160
8.1.2 循環神經網路前向傳播 162
8.1.3 循環神經網路訓練算法 163
8.2 長短時記憶網路（LSTM） 163
8.2.1 LSTM結構 164
8.2.2 LSTM前向計算 165
8.2.3 LSTM訓練算法 169
8.2.4 LSTM程式實現 169
8.3 循環神經網路的變種 170
8.3.1 雙向循環神經網路 170
8.3.2 深層循環神經網路 171
8.4 仿真實例 172
附錄A Python主要函式 181
附錄B TensorFlow主要函式 189
參考文獻 198
