深度学习原理与TensorFlow实践pdf电子书版本下载

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

深度学习原理与TensorFlow实践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

1深度学习简介 1

1.1深度学习介绍 1

1.2深度学习的趋势 7

1.3参考资料 10

2TensorFlow系统介绍 12

2.1 TensorFlow诞生的动机 12

2.2 TensorFlow系统简介 14

2.3 TensorFlow基础概念 16

2.3.1计算图 16

2.3.2 Session会话 18

2.4系统架构 19

2.5源码结构 21

2.5.1后端执行引擎 22

2.5.2前端语言接口 24

2.6小结 24

2.7参考资料 25

3Hello TensorFlow 26

3.1环境准备 26

3.1.1 Mac OS安装 27

3.1.2 Linux GPU服务器安装 28

3.1.3常用Python库 32

3.2 Titanic题目实战 34

3.2.1 Kaggle平台介绍 34

3.2.2 Titanic题目介绍 35

3.2.3数据读入及预处理 38

3.2.4构建计算图 40

3.2.5构建训练迭代过程 44

3.2.6执行训练 46

3.2.7存储和加载模型参数 47

3.2.8预测测试数据结果 50

3.3数据挖掘的技巧 51

3.3.1数据可视化 52

3.3.2特征工程 54

3.3.3多种算法模型 57

3.4 TensorBoard可视化 58

3.4.1记录事件数据 58

3.4.2启动TensorBorad服务 60

3.5数据读取 62

3.5.1数据文件格式 63

3.5.2 TFRecord 63

3.6 SkFlow、TFLearn与TF-Slim 67

3.7小结 69

3.8参考资料 69

4CNN“看懂”世界 71

4.1图像识别的难题 72

4.2 CNNs的基本原理 74

4.2.1卷积的数学意义 75

4.2.2卷积滤波 77

4.2.3 CNNs中的卷积层 81

4.2.4池化（Pooling） 83

4.2.5 ReLU 84

4.2.6多层卷积 86

4.2.7 Dropout 86

4.3经典CNN模型 87

4.3.1 AlexNet 88

4.3.2 VGGNets 95

4.3.3 GoogLeNet＆Inception 98

4.3.4 ResNets 106

4.4图像风格转换 109

4.4.1量化的风格 109

4.4.2风格的滤镜 116

4.5小结 120

4.6参考资料 121

5 RNN“能说会道” 123

5.1文本理解和文本生成问题 124

5.2标准RNN模型 128

5.2.1 RNN模型介绍 128

5.2.2 BPTT算法 130

5.2.3灵活的RNN结构 132

5.2.4 TensorFlow实现正弦序列预测 135

5.3 LSTM模型 138

5.3.1长期依赖的难题 138

5.3.2 LSTM基本原理 139

5.3.3 TensorFlow构建LSTM模型 142

5.4更多RNN的变体 144

5.5语言模型 146

5.5.1 NGram语言模型 146

5.5.2神经网络语言模型 148

5.5.3循环神经网络语言模型 150

5.5.4语言模型也能写代码 152

5.5.5改进方向 163

5.6对话机器人 164

5.6.1对话机器人的发展 165

5.6.2基于seq2seq的对话机器人 169

5.7小结 181

5.8参考资料 182

6CNN＋LSTM看图说话 183

6.1 CNN＋LSTM网络模型与图像检测问题 184

6.1.1 OverFeat和Faster R-CNN图像检测算法介绍 185

6.1.2遮挡目标图像检测方法 187

6.1.3 ReInspect算法实现及模块说明 188

6.1.4 ReInspect算法的实验数据与结论 204

6.2 CNN＋LSTM网络模型与图像摘要问题 207

6.2.1图像摘要问题 208

6.2.2 NIC图像摘要生成算法 209

6.2.3 NIC图像摘要生成算法实现说明 214

6.2.4 NIC算法的实验数据与结论 243

6.3小结 249

6.4参考资料 250

7损失函数与优化算法 253

7.1目标函数优化策略 254

7.1.1梯度下降算法 254

7.1.2 RMSProp优化算法 256

7.1.3 Adam优化算法 257

7.1.4目标函数优化算法小结 258

7.2类别采样（Candidate Sampling）损失函数 259

7.2.1 softmax类别采样损失函数 261

7.2.2噪声对比估计类别采样损失函数 281

7.2.3负样本估计类别采样损失函数 286

7.2.4类别采样logistic损失函数 286

7.3小结 287

7.4参考资料 288

结语 289