白话深度学习与TensorFlow 高扬 阿里云 kindle chm umd 极速 pdf txt 下载

基础篇(1-3章)：介绍深度学习的基本概念和Tensorflow的基本介绍。原理与实践篇（4-8章）：大量的关于深度学习中BP、CNN以及RNN网络等概念的数学知识解析，加以更朴素的语言与类比，使得非数学专业的程序员还是能够比较容易看懂。扩展篇（9-13章）：介绍新增的深度学习网络变种与较新的深度学习特性，并给出有趣的深度学习应用。读完本书，基本具备了搭建全套Tensorflow应用环境的能力，掌握深度学习算法和思路，以及进行一般性的文章分类、音频分类或视频分类的能力。

目　　录?Contents

本书赞誉

序

前　言

基　础　篇

第1章　机器学习是什么 2

1.1　聚类 4

1.2　回归 5

1.3　分类 8

1.4　综合应用 10

1.5　小结 14

第2章　深度学习是什么 15

2.1　神经网络是什么 15

2.1.1　神经元 16

2.1.2　激励函数 19

2.1.3　神经网络 24

2.2　深度神经网络 25

2.3　深度学习为什么这么强 28

2.3.1　不用再提取特征 28

2.3.2　处理线性不可分 29

2.4　深度学习应用 30

2.4.1　围棋机器人——AlphaGo 30

2.4.2　被教坏的少女——Tai.ai 32

2.4.3　本田公司的大宝贝——

ASIMO 33

2.5　小结 37

第3章　TensorFlow框架特性与安装 38

3.1　简介 38

3.2　与其他框架的对比 39

3.3　其他特点 40

3.4　如何选择好的框架 44

3.5　安装TensorFlow 45

3.6　小结 46

原理与实践篇

第4章　前馈神经网络 50

4.1　网络结构 50

4.2　线性回归的训练 51

4.3　神经网络的训练 75

4.4　小结 79

第5章　手写板功能 81

5.1　MNIST介绍 81

5.2　使用TensorFlow完成实验 86

5.3　神经网络为什么那么强 92

5.3.1　处理线性不可分 93

5.3.2　挑战“与或非” 95

5.3.3　丰富的VC——强大的空间

划分能力 98

5.4　验证集、测试集与防止过拟合 99

5.5　小结 102

第6章　卷积神经网络 103

6.1　与全连接网络的对比 103

6.2　卷积是什么 104

6.3　卷积核 106

6.4　卷积层其他参数 108

6.5　池化层 109

6.6　典型CNN网络 110

6.7　图片识别 114

6.8　输出层激励函数——SOFTMAX 116

6.8.1　SOFTMAX 116

6.8.2　交叉熵 117

6.9　小试牛刀——卷积网络做图片分类 124

6.10　小结 138

第7章　综合问题 139

7.1　并行计算 139

7.2　随机梯度下降 142

7.3　梯度消失问题 144

7.4　归一化 147

7.5　参数初始化问题 149

7.6　正则化 151

7.7　其他超参数 155

7.8　不唯一的模型 156

7.9　DropOut 157

7.10　小结 158

第8章　循环神经网络 159

8.1　隐马尔可夫模型 159

8.2　RNN和BPTT算法 163

8.2.1　结构 163

8.2.2　训练过程 163

8.2.3　艰难的误差传递 165

8.3　LSTM算法 167

8.4　应用场景 171

8.5　实践案例——自动文本生成 174

8.5.1　RNN工程代码解读 174

8.5.2　利用RNN学习莎士比亚剧本 183

8.5.3　利用RNN学习维基百科 184

8.6　实践案例——聊天机器人 185

8.7　小结 196

扩　展　篇

第9章　深度残差网络 198

9.1　应用场景 198

9.2　结构解释与数学推导 200

9.3　拓扑解释 205

9.4　Github示例 207

9.5　小结 207

第10章　受限玻尔兹曼机 209

10.1　结构 209

10.2　逻辑回归 210

10.3　似然度 212

10.4　似然度示例 214

10.5　损失函数 215

10.6　应用场景 216

10.7　小结 216

第11章　强化学习 217

11.1　模型核心 218

11.2　马尔可夫决策过程 219

11.2.1　用游戏开刀 221

11.2.2　准备工作 223

11.2.3　训练过程 224

11.2.4　问题 226

11.2.5　Q-Learning算法 228

11.3　深度学习中的Q-Learning——DQN 231

11.3.1　OpenAI Gym 234

11.3.2　Atari游戏 237

11.4　小结 238

第12章　对抗学习 239

12.1　目的 239

12.2　训练模式 240

12.2.1　二元极小极大博弈 240

12.2.2　训练 242

12.3　CGAN 244

12.4　DCGAN 247

12.5　小结 252

第13章　有趣的深度学习应用 254

13.1　人脸识别 254

13.2　作诗姬 259

13.3　梵高附体 264

13.3.1　网络结构 265

13.3.2　内容损失 268

13.3.3　风格损失 270

13.3.4　系数比例 271

13.3.5　代码分析 272

13.4　小结 279

附录A　VMware Workstation的安装 280

附录B　Ubuntu虚拟机的安装 284

附录C　Python语言简介 290

附录D　安装Theano 296

附录E　安装Keras 297

附录F　安装CUDA 298

参考文献 303

西山居的大数据架构师与大数据专家，有多年编程经验（多年日本和澳洲工作经验）、多年大数据架构设计与数据分析、处理经验，目前负责西山居的市场战略与产品战略。专注于大数据系统架构以及变现研究。擅长数据挖掘、数据建模、关系型数据库应用（Hadoop、Spark、Cassandra、Prestodb应用）。负责西山居紫霞系统——大数据日志处理系统的系统架构与设计工作。同时，也是重庆工商大学管理科学与工程专业，硕士研究生事业导师。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：白话深度学习与TensorFlow 高扬在线阅读

在线听书地址：白话深度学习与TensorFlow 高扬在线收听

在线购买地址：白话深度学习与TensorFlow 高扬在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

暂时没有内容

书摘插图

暂时没有内容

书籍介绍

本书基本独立成册，适用于零基础的初学者。

基础篇（第1～3章），讲解了机器学习、深度学习与实践的上下文知识，如基本的机器学习与深度学习算法，TensorFlow框架的安全与配置，简单的深度学习实践。该篇是阅读和实践的基石。

原理与实践篇（第4～8章），介绍“老牌”的深度学习网络的数学原理和工程实现原理，尤其是第4章，如果能基本读懂，后面的网络实现层面的问题基本都可以迎刃而解。涵盖BP网络、CNN、RNN的结构、思路、训练与使用，以及一些常见的综合性问题。该篇是学习深度学习的重点和难点，作者通过大量示例、推理与实现，帮读者*大化降低学习曲线。

扩展篇（第9～13章），介绍一些网络的变种和一些较新的网络特性，涵盖深度残差网络、受限玻尔兹曼机、强化学习、对抗学习，这是读者进一步学习与实践思路的钥匙。最后给出了一些有趣的深度学习应用：人脸识别、作诗姬、大师风图像处理，有趣又有用。