《TensorFlow神經網路編程》是2018年機械工業出版社出版的圖書，作者是[印度] 曼普里特·辛格·古特（Manpreet Singh Ghotra）、拉蒂普·杜瓦（Rajdeep Dua）。
基本介紹
- 中文名：TensorFlow神經網路編程
- 作者：曼普里特·辛格·古特（Manpreet Singh Ghotra）、拉蒂普·杜瓦（Rajdeep Dua）
- 出版社：機械工業出版社
- 出版時間：2018年11月1日
- ISBN：9787111611783
內容簡介,作者簡介,目錄,
內容簡介
本書首先簡要介紹流行的TensorFlow庫，並講解如何用它訓練不同的神經網路。 你將深入了解神經網路的基礎知識和它背後的數學原理，以及為什麼我們會選擇TensorFlow訓練神經網路。然後，你將實現一個簡單的前饋神經網路。接下來，你將使用TensorFlow掌握神經網路的最佳化技術和算法，以及一些更複雜的神經網路的實現。*後，你將對如何利用TensorFlow的強大功能來訓練各種複雜的神經網路有一個正確的理解。
作者簡介
曼普里特·辛格·古特（Manpreet Singh Ghotra）在企業和大數據軟體方面擁有超過15年的軟體開發經驗。 目前，他正致力於開發一個機器學習平台/ API，該平台主要使用諸如TensorFlow、Keras、Apache Spark和PredictionIO等開源庫和框架進行開發。他在各種機器學習套用場景上有豐富的經驗，其中包括情感分析、垃圾郵件檢測、圖像調整和異常檢測。他是世界上*大線上零售商之一機器學習組的成員，主要工作是使用R和Apache Mahout做運輸時間最佳化。他擁有機器學習方面的研究生學位，為機器學習社區工作並貢獻卓越。
目錄
譯者序
作者簡介
審校者簡介
前言
第1 章 神經網路的數學原理 1
1.1 理解線性代數 1
1.1.1 環境設定 2
1.1.2 線性代數的數據結構 3
1.1.3 線性代數運算 4
1.1.4 求解線性方程 · 9
1.1.5 奇異值分解 11
1.1.6 特徵值分解 14
1.1.7 主成分分析 14
1.2 微積分 15
1.2.1 梯度 16
1.2.2 Hessian 矩陣 23
1.2.3 行列式 24
1.3 最最佳化 25
1.4 總結 28
第2 章 深度前饋神經網路 29
2.1 定義前饋神經網路 29
2.2 理解反向傳播 30
2.3 在TensorFlow 中實現前饋神經網路 · 31
2.4 分析Iris 數據集 · 34
2.5 使用前饋網路進行圖像分類 40
2.6 總結 54
第3 章 神經網路的最佳化 · 55
3.1 什麼是最佳化 55
3.2 最佳化器的類型 56
3.3 梯度下降 57
3.3.1 梯度下降的變體 58
3.3.2 最佳化梯度下降的算法 59
3.4 最佳化器的選擇 61
3.5 總結 64
第4 章 卷積神經網路 · 65
4.1 卷積神經網路概述和直觀理解 66
4.1.1 單個卷積層的計算 66
4.1.2 TensorFlow 中的CNN 70
4.2 卷積操作 · 72
4.2.1 對圖像進行卷積 73
4.2.2 步長 75
4.3 池化 · 76
4.3.1 最大池化 77
4.3.2 示例代碼 78
4.4 使用卷積網路進行圖像分類 80
4.5 總結 · 102
第5 章 遞歸神經網路 · 103
5.1 遞歸神經網路介紹 103
5.1.1 RNN 實現 105
5.1.2 TensorFlow RNN 實現 110
5.2 長短期記憶網路簡介 114
5.2.1 LSTM 的生命周期 115
5.2.2 LSTM 實現 117
5.3 情感分析 122
5.3.1 詞嵌入 122
5.3.2 使用RNN 進行情感分析 · 128
5.4 總結 134
第6 章 生成模型 135
6.1 生成模型簡介 135
6.1.1 判別模型對生成模型 136
6.1.2 生成模型的類型 137
6.2 GAN · 140
6.2.1 GAN 示例 141
6.2.2 GAN 的種類 150
6.3 總結 · 152
第7 章 深度信念網路 · 153
7.1 理解深度信念網路 154
7.2 訓練模型 161
7.3 標籤預測 162
7.4 探索模型的準確度 162
7.5 DBN 在MNIST 數據集上的套用 · 163
7.5.1 載入數據集 163
7.5.2 具有256 個神經元的RBM層的DBN 的輸入參數 · 163
7.5.3 具有256 個神經元的RBM層的DBN 的輸出 · 165
7.6 DBN 中RBM 層的神經元數量的影響 · 165
7.6.1 具有512 個神經元的RBM 層 · 165
7.6.2 具有128 個神經元的RBM 層 · 166
7.6.3 準確度指標對比 166
7.7 具有兩個RBM 層的DBN 167
7.8 用DBN 對NotMNIST 數據集進行分類 · 169
7.9 總結 172
第8 章 自編碼器 173
8.1 自編碼算法 174
8.2 欠完備自編碼器 175
8.3 數據集 · 175
8.4 基本自編碼器 177
8.4.1 自編碼器的初始化 177
8.4.2 AutoEncoder 類 178
8.4.3 套用於MNIST 數據集的基本自編碼器 180
8.4.4 基本自編碼器的完整代碼 · 184
8.4.5 基本自編碼器小結 186
8.5 加性高斯噪聲自編碼器 186
8.5.1 自編碼器類 187
8.5.2 套用於MNIST 數據集的加性高斯自編碼器 188
8.5.3 繪製重建的圖像 191
8.5.4 加性高斯自編碼器的完整代碼 · 192
8.5.5 比較基本自編碼器和加性高斯噪聲自編碼器 193
8.5.6 加性高斯噪聲自編碼器小結 · 194
8.6 稀疏自編碼器 194
8.6.1 KL 散度 194
8.6.2 稀疏自編碼器的完整代碼 · 196
8.6.3 套用於MNIST 數據集的稀疏自編碼器 198
8.6.4 比較稀疏自編碼器和加性高斯噪聲自編碼器 200
8.7 總結 200
第9 章 神經網路研究 · 201
9.1 神經網路中避免過擬合 201
9.1.1 過擬合問題闡述 201
9.1.2 過擬合解決方案 202
9.1.3 影響效果 203
9.2 使用神經網路進行大規模視頻處理 204
9.2.1 解析度改進方案 204
9.2.2 特徵直方圖基線 205
9.2.3 定量結果 205
9.3 使用雙分支互向神經網路進行命名實體識別 206
9.3.1 命名實體識別的例子 206
9.3.2 定義Twinet 207
9.3.3 結果 208
9.4 雙向遞歸神經網路 208
9.5 總結 209
第10 章 開始使用TensorFlow 211
10.1 環境搭建 211
10.2 比較TensorFlow 和Numpy 212
10.3 計算圖 213
10.3.1 圖 213
10.3.2 會話對象 214
10.3.3 變數 215
10.3.4 域 216
10.3.5 數據輸入 217
10.3.6 占位符和輸入字典 217
10.4 自動微分 218
10.5 TensorBoard · 219
......
