图书介绍

图解深度学习与神经网络 从张量到TensorFlow实现pdf电子书版本下载

图解深度学习与神经网络  从张量到TensorFlow实现
  • 张平编著 著
  • 出版社: 北京:电子工业出版社
  • ISBN:9787121347450
  • 出版时间:2018
  • 标注页数:326页
  • 文件大小:23MB
  • 文件页数:338页
  • 主题词:学习系统-研究;人工神经网络-研究;人工智能-算法-研究

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
下载压缩包 [复制下载地址] 温馨提示:(请使用BT下载软件FDM进行下载)软件下载地址页

下载说明

图解深度学习与神经网络 从张量到TensorFlow实现PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!

(文件页数 要大于 标注页数,上中下等多册电子书除外)

注意:本站所有压缩包均有解压码: 点击下载压缩包解压工具

图书目录

1 深度学习及TensorFlow简介 1

1.1 深度学习 1

1.2 TensorFlow简介及安装 2

2 基本的数据结构及运算 6

2.1 张量 6

2.1.1 张量的定义 6

2.1.2 Tensor与Numpy的ndarray转换 9

2.1.3 张量的尺寸 10

2.1.4 图像转换为张量 13

2.2 随机数 14

2.2.1 均匀(平均)分布随机数 14

2.2.2 正态(高斯)分布随机数 15

2.3 单个张量的运算 17

2.3.1 改变张量的数据类型 17

2.3.2 访问张量中某一个区域的值 19

2.3.3 转置 22

2.3.4 改变形状 26

2.3.5 归约运算:求和、平均值、最大(小)值 29

2.3.6 最大(小)值的位置索引 34

2.4 多个张量之间的运算 35

2.4.1 基本运算:加、减、乘、除 35

2.4.2 乘法 41

2.4.3 张量的连接 42

2.4.4 张量的堆叠 44

2.4.5 张量的对比 48

2.5 占位符 49

2.6 Variable对象 50

3 梯度及梯度下降法 52

3.1 梯度 52

3.2 导数计算的链式法则 53

3.2.1 多个函数和的导数 54

3.2.2 复合函数的导数 54

3.2.3 单变量函数的驻点、极值点、鞍点 55

3.2.4 多变量函数的驻点、极值点、鞍点 57

3.2.5 函数的泰勒级数展开 60

3.2.6 梯度下降法 63

3.3 梯度下降法 73

3.3.1 Adagrad法 73

3.3.2 Momentum法 75

3.3.3 NAG法 77

3.3.4 RMSprop法 78

3.3.5 具备动量的RMSprop法 80

3.3.6 Adadelta法 81

3.3.7 Adam法 82

3.3.8 Batch梯度下降 84

3.3.9 随机梯度下降 85

3.3.10 mini-Batch梯度下降 86

3.4 参考文献 86

4 回归分析 88

4.1 线性回归分析 88

4.1.1 一元线性回归 88

4.1.2 保存和加载回归模型 91

4.1.3 多元线性回归 95

4.2 非线性回归分析 99

5 全连接神经网络 102

5.1 基本概念 102

5.2 计算步骤 104

5.3 神经网络的矩阵表达 107

5.4 激活函数 112

5.4.1 sigmoid激活函数 112

5.4.2 tanh激活函数 113

5.4.3 ReLU激活函数 114

5.4.4 leaky relu激活函数 115

5.4.5 elu激活函数 118

5.4.6 crelu激活函数 119

5.4.7 selu激活函数 120

5.4.8 relu6 激活函数 121

5.4.9 softplus激活函数 121

5.4.10 softsign激活函数 122

5.5 参考文献 123

6 神经网络处理分类问题 125

6.1 TFRecord文件 125

6.1.1 将ndarray写入TFRecord文件 125

6.1.2 从TFRecord解析数据 128

6.2 建立分类问题的数学模型 134

6.2.1 数据类别(标签) 134

6.2.2 图像与TFRecrder 135

6.2.3 建立模型 140

6.3 损失函数与训练模型 143

6.3.1 sigmoid损失函数 143

6.3.2 softmax损失函数 144

6.3.3 训练和评估模型 148

6.4 全连接神经网络的梯度反向传播 151

6.4.1 数学原理及示例 151

6.4.2 梯度消失 166

7 一维离散卷积 168

7.1 一维离散卷积的计算原理 168

7.1.1 full卷积 169

7.1.2 valid卷积 170

7.1.3 same卷积 170

7.1.4 full、same、valid卷积的关系 171

7.2 一维卷积定理 174

7.2.1 一维离散傅里叶变换 174

7.2.2 卷积定理 177

7.3 具备深度的一维离散卷积 182

7.3.1 具备深度的张量与卷积核的卷积 182

7.3.2 具备深度的张量分别与多个卷积核的卷积 183

7.3.3 多个具备深度的张量分别与多个卷积核的卷积 185

8 二维离散卷积 187

8.1 二维离散卷积的计算原理 187

8.1.1 full卷积 187

8.1.2 same卷积 189

8.1.3 valid卷积 191

8.1.4 full、 same、 valid卷积的关系 192

8.1.5 卷积结果的输出尺寸 193

8.2 离散卷积的性质 194

8.2.1 可分离的卷积核 194

8.2.2 full和same卷积的性质 195

8.2.3 快速计算卷积 197

8.3 二维卷积定理 198

8.3.1 二维离散傅里叶变换 198

8.3.2 二维与一维傅里叶变换的关系 201

8.3.3 卷积定理 203

8.3.4 利用卷积定理快速计算卷积 203

8.4 多深度的离散卷积 205

8.4.1 基本的多深度卷积 205

8.4.2 1个张量与多个卷积核的卷积 207

8.4.3 多个张量分别与多个卷积核的卷积 208

8.4.4 在每一深度上分别卷积 211

8.4.5 单个张量与多个卷积核在深度上分别卷积 212

8.4.6 分离卷积 214

9 池化操作 218

9.1 same池化 218

9.1.1 same最大值池化 218

9.1.2 多深度张量的same池化 221

9.1.3 多个三维张量的same最大值池化 223

9.1.4 same平均值池化 224

9.2 valid池化 226

9.2.1 多深度张量的vaild池化 228

9.2.2 多个三维张量的valid池化 229

10 卷积神经网络 231

10.1 浅层卷积神经网络 231

10.2 LeNet 238

10.3 AlexNet 244

10.3.1 AlexNet网络结构详解 244

10.3.2 dropout及其梯度下降 247

10.4 VGGNet 256

10.5 GoogleNet 264

10.5.1 网中网结构 264

10.5.2 Batch Normalization 269

10.5.3 BN与卷积运算的关系 273

10.5.4 指数移动平均 275

10.5.5 带有BN操作的卷积神经网络 276

10.6 ResNet 281

10.7 参考文献 284

11 卷积的梯度反向传播 286

11.1 valid卷积的梯度 286

11.1.1 已知卷积核,对未知张量求导 286

11.1.2 已知输入张量,对未知卷积核求导 290

11.2 same卷积的梯度 294

11.2.1 已知卷积核,对输入张量求导 294

11.2.2 已知输入张量,对未知卷积核求导 298

12 池化操作的梯度 303

12.1 平均值池化的梯度 303

12.2 最大值池化的梯度 306

13 BN的梯度反向传播 311

13.1 BN操作与卷积的关系 311

13.2 示例详解 314

14 TensorFlow搭建神经网络的主要函数 324

精品推荐