神經網(wǎng)絡與深度學習：基于TensorFlow框架和Python技術實現(xiàn)

定　價：￥49.80

作　者：	包子陽
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121362019	出版時間：	2019-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	196	字數(shù)：

內容簡介

　　Python、TensorFlow、神經網(wǎng)絡和深度學習因人工智能的流行而成為當下IT領域的熱門關鍵詞。本書首先介紹了Python及其常用庫Numpy、Matplotlib和Scipy的基本使用方法；其次介紹了TensorFlow的基本知識及使用方法；然后介紹了神經網(wǎng)絡的基礎知識以及神經網(wǎng)絡基本應用――感知機、線性回歸與邏輯回歸的理論與實現(xiàn)；最后介紹了兩種熱門的深度神經網(wǎng)絡――卷積神經網(wǎng)絡和循環(huán)神經網(wǎng)絡的理論與實現(xiàn)。本書內容由淺入深，循序漸進，實踐性強，包含豐富的仿真實例。

作者簡介

　　包子陽：高級工程師，自2009年起工作于北京無線電測量研究所。2009年6月畢業(yè)于電子科技大學信號與信息處理專業(yè)，獲碩士學位。從事雷達電氣總體、智能算法和深度學習等研究工作。迄今出版專著3本；申請發(fā)明專利6項（已授權3項）；在國際雷達會議、《系統(tǒng)工程與電子技術》、《現(xiàn)代雷達》、《電子技術與應用》、《雷達科學與技術》、《空間電子技術》、雷達年會、天線年會等發(fā)表學術論文十余篇。

圖書目錄

目錄
第1章緒論 1
1．1 人工智能 2
1．2 機器學習 3
1．2．1 監(jiān)督學習 3
1．2．2 非監(jiān)督學習 3
1．2．3 半監(jiān)督學習 4
1．3 深度學習 4
1．3．1 卷積神經網(wǎng)絡 4
1．3．2 循環(huán)神經網(wǎng)絡 5
1．4 實現(xiàn)工具 6
1．4．1 Python 6
1．4．2 TensorFlow 6
第2章 Python基礎 9
2．1 Python簡介 10
2．1．1 概述 10
2．1．2 Python的特點 10
2．1．3 Python的版本 11
2．2 Python的安裝 11
2．2．1 Python官網(wǎng)下載安裝 11
2．2．2 Anaconda的安裝 14
2．3 Spyder編輯器 16
2．3．1 Spyder界面 16
2．3．2 Spyder快捷鍵 19
2．4 Python基礎知識 19
2．4．1 基本語法 20
2．4．2 基本數(shù)據(jù)類型和運算 23
2．4．3 列表、元組和字符串 25
2．4．4 字典和集合 32
2．4．5 分支和循環(huán) 35
2．4．6 函數(shù)和類 37
2．4．7 模塊 40
第3章 Python基礎庫 43
3．1 Numpy庫 44
3．1．1 創(chuàng)建數(shù)組 44
3．1．2 ndarray類 47
3．1．3 數(shù)組操作 48
3．1．4 形狀操作 55
3．2 Matplotlib庫 58
3．2．1 快速繪圖 58
3．2．2 繪制多軸圖 61
3．2．3 繪制3D圖 64
3．3 Scipy庫 67
3．3．1 scipy．io 67
3．3．2 scipy．linalg 68
3．3．3 scipy．fftpack 69
3．3．4 scipy．optimize 70
3．3．5 scipy．interpolate 71
3．3．6 scipy．stats 72
第4章 TensorFlow基礎 75
4．1 概述 76
4．2 TensorFlow的安裝 77
4．3 TensorFlow基本概念 79
4．3．1 Graph和Session 79
4．3．2 placeholder 82
4．3．3 tensor 82
4．3．4 Variable 85
4．3．5 fetch和feed 87
4．4 MNIST 89
4．4．1 MNIST簡介 89
4．4．2 MNIST解析 90
第5章神經網(wǎng)絡基礎 95
5．1 神經網(wǎng)絡概述 96
5．1．1 神經網(wǎng)絡常用術語 97
5．1．2 神經網(wǎng)絡模型 99
5．1．3 神經網(wǎng)絡的運作 99
5．1．4 神經網(wǎng)絡算法的特點 100
5．2 神經元模型 101
5．3 激活函數(shù) 103
5．4．1 sigmoid函數(shù) 104
5．4．2 tanh函數(shù) 104
5．4．3 ReLU函數(shù) 105
5．4．4 softmax函數(shù) 106
5．4 損失函數(shù) 106
5．4．1 均方差函數(shù) 106
5．4．2 交叉熵函數(shù) 107
5．5 梯度下降算法 107
5．5．1 梯度下降算法推導 108
5．5．2 梯度下降算法種類 108
5．5 BP算法 109
5．5．1 BP網(wǎng)絡簡介 109
5．5．2 BP算法流程 110
5．6 仿真實例 112
第6章神經網(wǎng)絡基礎應用 117
6．1 感知機 118
6．1．1 感知機網(wǎng)絡結構 119
6．1．2 感知機學習規(guī)則 120
6．1．3 感知機網(wǎng)絡訓練 120
6．1．5 仿真實例 121
6．2 線性回歸 123
6．2．1 線性回歸理論 123
6．2．2 仿真實例 126
6．3 邏輯回歸 129
6．3．1 邏輯回歸理論 129
6．3．2 仿真實例 131
第7章卷積神經網(wǎng)絡 137
7．1 概述 138
7．2 卷積神經網(wǎng)絡結構 139
7．2．1 卷積層 141
7．2．2 池化層 144
7．2．3 全連接層 147
7．2．4 Dropout 層 148
7．3 訓練過程 148
7．4 卷積神經網(wǎng)絡經典模型 149
7．4．1 LeNet-5模型 149
7．4．2 AlexNet模型 150
7．5 仿真實例 152
第8章循環(huán)神經網(wǎng)絡 159
8．1 循環(huán)神經網(wǎng)絡概述 160
8．1．1 循環(huán)神經網(wǎng)絡結構 160
8．1．2 循環(huán)神經網(wǎng)絡前向傳播 162
8．1．3 循環(huán)神經網(wǎng)絡訓練算法 163
8．2 長短時記憶網(wǎng)絡（LSTM） 163
8．2．1 LSTM結構 164
8．2．2 LSTM前向計算 165
8．2．3 LSTM訓練算法 169
8．2．4 LSTM程序實現(xiàn) 169
8．3 循環(huán)神經網(wǎng)絡的變種 170
8．3．1 雙向循環(huán)神經網(wǎng)絡 170
8．3．2 深層循環(huán)神經網(wǎng)絡 171
8．4 仿真實例 172
附錄A Python主要函數(shù) 181
附錄B TensorFlow主要函數(shù) 189
參考文獻 198