Python深度学习：基于TensorFlow - (EPUB全文下载)

文件大小：0.67 mb。
文件格式：epub 格式。
书籍内容：

Python深度学习：基于TensorFlow
第1章 NumPy常用操作
1.1 生成ndarray的几种方式
1.2 存取元素
1.3 矩阵操作
1.4 数据合并与展平
1.5 通用函数
1.6 广播机制
1.7 小结
第2章 Theano基础
2.1 安装
2.2 符号变量
2.3 符号计算图模型
2.4 函数
2.5 条件与循环
2.6 共享变量
2.7 小结
第3章 线性代数
3.1 标量、向量、矩阵和张量
3.2 矩阵和向量运算
3.3 特殊矩阵与向量
3.4 线性相关性及向量空间
3.5 范数
3.6 特征值分解
3.7 奇异值分解
3.8 迹运算
3.9 实例：用Python实现主成分分析
3.10 小结
第4章 概率与信息论
4.1 为何要学概率、信息论
4.2 样本空间与随机变量
4.3 概率分布
4.3.1 离散型随机变量
4.3.2 连续型随机变量
4.4 边缘概率
4.5 条件概率
4.6 条件概率的链式法则
4.7 独立性及条件独立性
4.8 期望、方差及协方差
4.9 贝叶斯定理
4.10 信息论
4.11 小结
第5章 概率图模型
5.1 为何要引入概率图
5.2 使用图描述模型结构
5.3 贝叶斯网络
5.3.1 隐马尔可夫模型简介
5.3.2 隐马尔可夫模型三要素
5.3.3 隐马尔可夫模型三个基本问题
5.3.4 隐马尔可夫模型简单实例
5.4 马尔可夫网络
5.4.1 马尔可夫随机场
5.4.2 条件随机场
5.4.3 实例：用Tensorflow实现条件随机场
5.5 小结
第二部分 深度学习理论与应用
第6章 机器学习基础
6.1 监督学习
6.1.1 线性模型
6.1.2 SVM
6.1.3 贝叶斯分类器
6.1.4 集成学习
6.2 无监督学习
6.2.1 主成分分析
6.2.2 k-means聚类
6.3 梯度下降与优化
6.3.1 梯度下降简介
6.3.2 梯度下降与数据集大小
6.3.3 传统梯度优化的不足
6.3.4 动量算法
6.3.5 自适应算法
6.3.6 有约束最优化
6.4 前馈神经网络
6.4.1 神经元结构
6.4.2 感知机的局限
6.4.3 多层神经网络
6.4.4 实例：用TensorFlow实现XOR
6.4.5 反向传播算法
6.5 实例：用Keras构建深度学习架构
6.6 小结
第7章 深度学习挑战与策略
7.1 正则化
7.1.1 正则化参数
7.1.2 增加数据量
7.1.3 梯度裁剪
7.1.4 提前终止
7.1.5 共享参数
7.1.6 Dropout
7.2 预处理
7.2.1 初始化
7.2.2 归一化
7.3 批量化
7.3.1 随机梯度下降法
7.3.2 批标准化
7.4 并行化
7.4.1 TensorFlow利用GPU加速
7.4.2 深度学习并行模式
7.5 选择合适的激活函数
7.6 选择合适代价函数
7.7 选择合适的优化算法
7.8 小结
第8章 安装TensorFlow
8.1 TensorFlow CPU版的安装
8.2 TensorFlow GPU版的安装
8.3 配置Jupyter Notebook
8.4 实例：CPU与GPU性能比较
8.5 实例：单GPU与多GPU性能比较
8.6 小结
第9章 TensorFlow基础
9.1 TensorFlow系统架构
9.2 数据流图
9.3 TensorFlow基本概念
9.3.1 张量
9.3.2 算子
9.3.3 计算图
9.3.4 会话
9.3.5 常量
9.3.6 变量
9.3.7 占位符
9.3.8 实例：比较constant、variable和placeholder
9.4 TensorFlow实现数据流图
9.5 可视化数据流图
9.6 TensorFlow分布式
9.7 小结
第10章 TensorFlow图像处理
10.1 加载图像
10.2 图像格式
10.3 把图像转换为TFRecord文件
10.4 读取TFRecord文件
10.5 图像处理实例
10.6 全新的数据读取方式——Dataset API
10.6.1 Dataset API架构
10.6.2 构建Dataset
10.6.3 创建迭代器
10.6.4 从迭代器中获取数据
10.6.5 读入输入数据
10.6.6 预处理数据
10.6.7 批处理数据集元素
10.6.8 使用高级API
10.7 小结
第11章 TensorFlow神经元函数
11.1 激活函数
11.1.1 sigmoid函数
11.1.2 tanh函数
11.1.3 relu函数
11.1.4 softplus函数
11.1.5 dropout函数
11.2 代价函数
11.2.1 sigmoid_cross_entropy_with_logits函数
11.2.2 softmax_cross_entropy_with_logits函数
11.2.3 sparse_softmax_cross_entropy_with_logits函数
11.2.4 weighted_cross_entropy_with_logits函数
11.3 小结
第12章 TensorFlow自编码器
12.1 自编码简介
12.2 降噪自编码
12.3 实例：TensorFlow实现自编码
12.4 实例：用自编码预测信用卡欺诈
12.5 小结
第13章 TensorFlow实现Word2Vec
13.1 词向量及其表达
13.2 Word2Vec原理
13.2.1 CBOW模型
13.2.2 Skim-gram模型
13.3 实例：TensorFlow实现Word2Vec
13.4 小结
第14章 TensorFlow卷积神经网络
14.1 卷积神经网络简介
14.2 卷积层
14.2.1 卷积核
14.2.2 步幅
14.2.3 填充
14.2.4 多通道上的卷积
14.2.5 激活函数
14.2.6 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。