博客來
卷積神經網路是現代神經網路的核心內容，TensorFlow又是現在最為流行的深度學習框架。
本書使用TensorFlow 2.0作為卷積神經網路實現的基本工具，引導深度學習初學者，從搭建環境開始，逐步深入到理論、代碼和應用實踐中去。
本書分為8章，第1章從搭建環境開始，包含Anaconda、Python、PyCharm、TensorFlow CPU 版本和GPU版本的安裝；第2章是Keras TensorFlow 2.0的使用基礎；第3章是TensorFlow 2.0語法；第4章是MNIST實戰；第5章是Dataset API；第6章是ResNet理論和實踐；第7章是注意力模型；第8章是通過卷積實現的一個專案案例：識文斷字。
本書內容詳盡、示例豐富，是機器學習和深度學習初學者必備的參考書，同時非常適合高等院校人工智慧相關專業的師生閱讀，也可作為培訓學校相關專業的教材使用。
| FindBook |
有 1 項符合
TensorFlow 2.0卷積神經網路實戰的圖書 |
 |
TensorFlow 2.0卷積神經網路實戰 作者：王曉華 出版社：清華大學出版社 出版日期：2020-01-01 語言：簡體中文 規格：平裝 / 211頁 / 16k/ 19 x 26 x 1.05 cm / 普通級/ 單色印刷 / 初版 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：TensorFlow 2.0卷積神經網路實戰
內容簡介
作者介紹
王曉華，電腦專業講師，長期講授物件導向程式設計、資料結構、Hadoop程式設計等研究生和本科生相關課程；主要研究方向為雲計算、資料採擷。曾主持和參與多項國家和省級科研課題，獨立科研專案獲省級成果認定，發表過多篇論文，擁有一項專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與電腦視覺實戰》等圖書。
目錄
第1章Python和TensorFlow2.0的安裝1
1.1Python基本安裝和用法1
1.1.1Anaconda的下載與安裝2
1.1.2Python編譯器PyCharm的安裝5
1.1.3使用Python計算softmax函數8
1.2TensorFlow2.0GPU版本的安裝9
1.2.1檢測Anaconda中的TensorFlow版本9
1.2.2TensorFlow2.0GPU版本基礎顯卡推薦和前置軟體安裝10
1.3HelloTensorFlow13
1.4本章小結14
第2章簡化代碼的複雜性：TensorFlow2.0基礎與進階15
2.1配角轉成主角——從TensorFlowEagerExecution轉正談起16
2.1.1Eager簡介與調用16
2.1.2讀取數據18
2.1.3使用TensorFlow2.0模式進行線性回歸的一個簡單的例子20
2.2HelloTensorFlow&Keras22
2.2.1MODEL！MODEL！MODEL！還是MODEL23
2.2.2使用KerasAPI實現鳶尾花分類的例子（順序模式）24
2.2.3使用Keras函數式程式設計實現鳶尾花分類的例子（重點）27
2.2.4使用保存的Keras模式對模型進行複用30
2.2.5使用TensorFlow2.0標準化編譯對Iris模型進行擬合31
2.2.6多輸入單一輸出TensorFlow2.0編譯方法（選學）35
2.2.7多輸入多輸出TensorFlow2.0編譯方法（選學）39
2.3全連接層詳解41
2.3.1全連接層的定義與實現41
2.3.2使用TensorFlow2.0自帶的API實現全連接層43
2.3.3列印顯示TensorFlow2.0設計的Model結構和參數46
2.4本章小結48
第3章TensorFlow2.0語法基礎49
3.1BP神經網路簡介49
3.2BP神經網路兩個基礎演算法詳解53
3.2.1最小二乘法（LS演算法）詳解53
3.2.2道士下山的故事——梯度下降演算法56
3.3回饋神經網路反向傳播演算法介紹59
3.3.1深度學習基礎59
3.3.2鏈式求導法則61
3.3.3回饋神經網路原理與公式推導62
3.3.4回饋神經網路原理的啟動函數68
3.3.5回饋神經網路原理的Python實現70
3.4本章小結74
第4章卷積層詳解與MNIST實戰75
4.1卷積運算基本概念75
4.1.1卷積運算76
4.1.2TensorFlow2.0中卷積函數實現詳解78
4.1.3池化運算80
4.1.4softmax啟動函數81
4.1.5卷積神經網路原理83
4.2TensorFlow2.0程式設計實戰—MNIST手寫體識別86
4.2.1MNIST資料集86
4.2.2MNIST資料集特徵和標籤介紹88
4.2.3TensorFlow2.0程式設計實戰MNIST資料集90
4.2.4使用自訂的卷積層實現MNIST識別95
4.3本章小結98
第5章TensorFlow2.0Dataset使用詳解99
5.1DatasetAPI基本結構和內容99
5.1.1DatasetAPI數據種類100
5.1.2DatasetAPI基礎使用101
5.2DatasetAPI高級用法102
5.2.1DatasetAPI資料轉換方法104
5.2.2一個讀取圖片資料集的例子108
5.3使用TFRecordAPI創建和使用資料集108
5.3.1TFRecord詳解109
5.3.2TFRecord的創建111
5.3.3TFRecord的讀取115
5.4TFRecord實戰——帶有處理模型的完整例子121
5.4.1創建資料集121
5.4.2創建解析函數122
5.4.3創建資料模型123
5.4本章小結124
第6章從冠軍開始：ResNet125
6.1ResNet基礎原理與程式設計基礎125
6.1.1ResNet誕生的背景126
6.1.2模組工具的TensorFlow實現——不要重複造輪子129
6.1.3TensorFlow高級模組layers用法簡介129
6.2ResNet實戰CIFAR-100資料集分類137
6.2.1CIFAR-100資料集簡介137
6.2.2ResNet殘差模組的實現140
6.2.3ResNet網路的實現142
6.2.4使用ResNet對CIFAR-100進行分類145
6.3ResNet的兄弟——ResNeXt147
6.3.1ResNeXt誕生的背景147
6.3.2ResNeXt殘差模組的實現149
6.3.3ResNeXt網路的實現150
6.3.4ResNeXt和ResNet的比較151
6.4其他的卷積神經模型簡介152
6.4.1SqueezeNet模型簡介153
6.4.2Xception模型簡介155
6.5本章小結156
第7章Attentionisallweneed!157
7.1簡單的理解注意力機制158
7.1.1何為“注意力”158
7.1.2“hardorsoft？”—注意力機制的兩種常見形式159
7.1.3“SpatialandChannel！”—注意力機制的兩種實現形式160
7.2SENet和CBAM注意力機制的經典模型163
7.2.1最後的冠軍—SENet163
7.2.2結合了Spatial和Channel的CBAM模型166
7.2.3注意力的前沿研究—基於細細微性的圖像注意力機制171
7.3本章小結173
第8章卷積神經網路實戰：識文斷字我也可以174
8.1文本資料處理175
8.1.1資料集介紹和資料清洗175
8.1.2停用詞的使用177
8.1.3詞向量訓練模型word2vec使用介紹180
8.1.4文本主題的提取—基於TF-IDF（選學）183
8.1.5文本主題的提取—基於TextRank（選學）187
8.2針對文本的卷積神經網路模型簡介—字元卷積190
8.2.1字元（非單詞）文本的處理191
8.2.2卷積神經網路文本分類模型的實現—Conv1D（一維卷積）199
8.3針對文本的卷積神經網路模型簡介—詞卷積201
8.3.1單詞的文本處理201
8.3.2卷積神經網路文本分類模型的實現—Conv2D（二維卷積）203
8.4使用卷積對文本分類的補充內容207
8.4.1漢字的文本處理207
8.4.2其他的一些細節210
8.5本章小結211
1.1Python基本安裝和用法1
1.1.1Anaconda的下載與安裝2
1.1.2Python編譯器PyCharm的安裝5
1.1.3使用Python計算softmax函數8
1.2TensorFlow2.0GPU版本的安裝9
1.2.1檢測Anaconda中的TensorFlow版本9
1.2.2TensorFlow2.0GPU版本基礎顯卡推薦和前置軟體安裝10
1.3HelloTensorFlow13
1.4本章小結14
第2章簡化代碼的複雜性：TensorFlow2.0基礎與進階15
2.1配角轉成主角——從TensorFlowEagerExecution轉正談起16
2.1.1Eager簡介與調用16
2.1.2讀取數據18
2.1.3使用TensorFlow2.0模式進行線性回歸的一個簡單的例子20
2.2HelloTensorFlow&Keras22
2.2.1MODEL！MODEL！MODEL！還是MODEL23
2.2.2使用KerasAPI實現鳶尾花分類的例子（順序模式）24
2.2.3使用Keras函數式程式設計實現鳶尾花分類的例子（重點）27
2.2.4使用保存的Keras模式對模型進行複用30
2.2.5使用TensorFlow2.0標準化編譯對Iris模型進行擬合31
2.2.6多輸入單一輸出TensorFlow2.0編譯方法（選學）35
2.2.7多輸入多輸出TensorFlow2.0編譯方法（選學）39
2.3全連接層詳解41
2.3.1全連接層的定義與實現41
2.3.2使用TensorFlow2.0自帶的API實現全連接層43
2.3.3列印顯示TensorFlow2.0設計的Model結構和參數46
2.4本章小結48
第3章TensorFlow2.0語法基礎49
3.1BP神經網路簡介49
3.2BP神經網路兩個基礎演算法詳解53
3.2.1最小二乘法（LS演算法）詳解53
3.2.2道士下山的故事——梯度下降演算法56
3.3回饋神經網路反向傳播演算法介紹59
3.3.1深度學習基礎59
3.3.2鏈式求導法則61
3.3.3回饋神經網路原理與公式推導62
3.3.4回饋神經網路原理的啟動函數68
3.3.5回饋神經網路原理的Python實現70
3.4本章小結74
第4章卷積層詳解與MNIST實戰75
4.1卷積運算基本概念75
4.1.1卷積運算76
4.1.2TensorFlow2.0中卷積函數實現詳解78
4.1.3池化運算80
4.1.4softmax啟動函數81
4.1.5卷積神經網路原理83
4.2TensorFlow2.0程式設計實戰—MNIST手寫體識別86
4.2.1MNIST資料集86
4.2.2MNIST資料集特徵和標籤介紹88
4.2.3TensorFlow2.0程式設計實戰MNIST資料集90
4.2.4使用自訂的卷積層實現MNIST識別95
4.3本章小結98
第5章TensorFlow2.0Dataset使用詳解99
5.1DatasetAPI基本結構和內容99
5.1.1DatasetAPI數據種類100
5.1.2DatasetAPI基礎使用101
5.2DatasetAPI高級用法102
5.2.1DatasetAPI資料轉換方法104
5.2.2一個讀取圖片資料集的例子108
5.3使用TFRecordAPI創建和使用資料集108
5.3.1TFRecord詳解109
5.3.2TFRecord的創建111
5.3.3TFRecord的讀取115
5.4TFRecord實戰——帶有處理模型的完整例子121
5.4.1創建資料集121
5.4.2創建解析函數122
5.4.3創建資料模型123
5.4本章小結124
第6章從冠軍開始：ResNet125
6.1ResNet基礎原理與程式設計基礎125
6.1.1ResNet誕生的背景126
6.1.2模組工具的TensorFlow實現——不要重複造輪子129
6.1.3TensorFlow高級模組layers用法簡介129
6.2ResNet實戰CIFAR-100資料集分類137
6.2.1CIFAR-100資料集簡介137
6.2.2ResNet殘差模組的實現140
6.2.3ResNet網路的實現142
6.2.4使用ResNet對CIFAR-100進行分類145
6.3ResNet的兄弟——ResNeXt147
6.3.1ResNeXt誕生的背景147
6.3.2ResNeXt殘差模組的實現149
6.3.3ResNeXt網路的實現150
6.3.4ResNeXt和ResNet的比較151
6.4其他的卷積神經模型簡介152
6.4.1SqueezeNet模型簡介153
6.4.2Xception模型簡介155
6.5本章小結156
第7章Attentionisallweneed!157
7.1簡單的理解注意力機制158
7.1.1何為“注意力”158
7.1.2“hardorsoft？”—注意力機制的兩種常見形式159
7.1.3“SpatialandChannel！”—注意力機制的兩種實現形式160
7.2SENet和CBAM注意力機制的經典模型163
7.2.1最後的冠軍—SENet163
7.2.2結合了Spatial和Channel的CBAM模型166
7.2.3注意力的前沿研究—基於細細微性的圖像注意力機制171
7.3本章小結173
第8章卷積神經網路實戰：識文斷字我也可以174
8.1文本資料處理175
8.1.1資料集介紹和資料清洗175
8.1.2停用詞的使用177
8.1.3詞向量訓練模型word2vec使用介紹180
8.1.4文本主題的提取—基於TF-IDF（選學）183
8.1.5文本主題的提取—基於TextRank（選學）187
8.2針對文本的卷積神經網路模型簡介—字元卷積190
8.2.1字元（非單詞）文本的處理191
8.2.2卷積神經網路文本分類模型的實現—Conv1D（一維卷積）199
8.3針對文本的卷積神經網路模型簡介—詞卷積201
8.3.1單詞的文本處理201
8.3.2卷積神經網路文本分類模型的實現—Conv2D（二維卷積）203
8.4使用卷積對文本分類的補充內容207
8.4.1漢字的文本處理207
8.4.2其他的一些細節210
8.5本章小結211
|
