新書推薦：
《
凝望：我的摄影与人生
》
售價：HK$
129.6
《
工业机器人从基础到实战
》
售價：HK$
153.6
《
重症产科.1
》
售價：HK$
71.8
《
财之道丛书·表层的真理：当代经济学与社会
》
售價：HK$
105.6
《
世界服饰艺术史
》
售價：HK$
309.6
《
海外中国研究·卿本著者：明清女性的性别身份、能动主体和文学书写
》
售價：HK$
81.6
《
日耳曼通识译丛：近代哲学：从笛卡尔到康德
》
售價：HK$
32.2
《
我的灵魂是日落时分空无一人的旋转木马：聂鲁达诗精选
》
售價：HK$
81.6
|
| 編輯推薦： |
|
本书以TensorFlow为深度学习框架，主要讲解计算机视觉任务中相关的知识。本书的内容十分连贯，每个章节的内容都会使用到前面章节讲解过的知识，旨在限度保证读者学习的连贯性，同时本书减少了晦涩难懂的数学公式，尽力图示促进读者理解。相信读者读完本书后会对计算机视觉相关任务有一个更清晰的理解。
|
| 內容簡介： |
|
本书以Python数据处理工具和深度学习的基本原理为切入点，由浅入深介绍TensorFlow的使用方法。由原理着手到代码实践，内容从基本的回归问题开始，到近年来大热的卷积神经网络和生成式模型。本书省去大量烦琐的数学推导，以通俗易懂的语言和示例阐述深度学习的原理。 本书共8章，第1和2章介绍TensorFlow的环境搭建与Python基本数据处理工具，为后面介绍TensorFlow做准备；第3~5章讲解TensorFlow和深度学习中的基本概念及深度学习常用数据集；第6~8章从易到难深入讲解不同的神经网络模型并配合大量的示例，进一步巩固TensorFlow代码的使用。本书配有整套代码，在重点、难点处配有讲解视频，读者可以根据自身兴趣与需求对代码进行修改并通过视频对难以理解的知识点进行巩固。 本书的难度、层次清晰，适合任何希望入门人工智能领域的学生或工作者阅读，同时也包含新的技术，适于想要紧跟视觉研究的从业人员阅读。
|
| 關於作者： |
欧阳鹏程，西安交通大学工学硕士，研究方向为计算机视觉与数据处理。曾代表西安交通大学参加届浦发百度智慧金融极客挑战赛，荣获全国三等奖。曾于华为诺亚方舟视觉实验室与广发证券实习。于国内视频网站发布TensorFlow教程，深受网友支持与喜爱。
任浩然，西安交通大学软件学院硕士，曾参与合作伙伴、带入职平台及交付平台等多个系统的开发；获得了2020创共体杯“人工智能 ”前沿科技创新大赛二等奖及2020杭州?临安第四届“天目创客”创新创业大赛三等奖 。
|
| 目錄：
|
第1章深度学习简介及TensorFlow环境搭建 （21min）
1.1什么是深度学习
1.2深度学习语言与工具
1.3TensorFlow的优势
1.4TensorFlow的安装与环境配置
1.4.1Windows下配置GPU版TensorFlow
1.4.2Linux下配置GPU版TensorFlow
1.4.3直接通过Anaconda解决环境依赖
1.4.4安装CPU版本的TensorFlow
1.5小结
第2章常用的Python数据处理工具
2.1NumPy的使用
2.1.1NumPy中的数据类型
2.1.2NumPy中数组的使用
2.2Matplotlib的使用
2.2.1Matplotlib中的相关概念
2.2.2使用Matplotlib绘图
2.3Pandas的使用
2.3.1Pandas中的数据结构
2.3.2使用Pandas读取数据
2.3.3使用Pandas处理数据
2.4SciPy的使用
2.4.1使用SciPy写入mat文件
2.4.2使用SciPy读取mat文件
2.5scikitlearn的使用
2.5.1scikitlearn的使用框架
2.5.2使用scikitlearn进行回归
2.5.3使用scikitlearn进行分类
2.6Pillow的使用
2.6.1使用Pillow读取并显示图像
2.6.2使用Pillow处理图像
2.7OpenCV的使用
2.7.1使用OpenCV读取与显示图像
2.7.2使用OpenCV处理图像
2.8argparse的使用
2.8.1argparse的使用框架
2.8.2使用argparse解析命令行参数
2.9JSON的使用
2.9.1使用JSON写入数据
2.9.2使用JSON读取数据
2.10小结
第3章TensorFlow基础
3.1TensorFlow的基本原理
3.2TensorFlow中的计算图与会话机制
3.2.1计算图
3.2.2会话机制
3.3TensorFlow中的张量表示
3.3.1tf.constant
3.3.2tf.Variable
3.3.3tf.placeholder
3.4TensorFlow中的数据类型
3.5TensorFlow中的命名空间
3.5.1tf.get_variable
3.5.2tf.name_scope
3.5.3tf.variable_scope
3.6TensorFlow中的控制流
3.6.1TensorFlow中的分支结构
3.6.2TensorFlow中的循环结构
3.6.3TensorFlow中指定节点执行顺序
3.7TensorFlow模型的输入与输出
3.8TensorFlow的模型持久化
3.8.1模型的保存
3.8.2模型的读取
3.9使用TensorBoard进行结果可视化
3.9.1计算图的可视化
3.9.2矢量变化的可视化
3.9.3图像的可视化
3.10小结
第4章深度学习的基本概念 （108min）
4.1深度学习相较于传统方法的优势
4.2深度学习中的激活函数
4.2.1Sigmoid
4.2.2Softmax
4.2.3Tanh
4.2.4ReLU
4.2.5Leaky ReLU
4.2.6PReLU
4.2.7RReLU
4.2.8ReLU6
4.2.9ELU
4.2.10Swish
4.2.11Mish
4.3深度学习中的损失函数
4.3.1回归任务
4.3.2分类任务
4.4深度学习中的归一化/标准化方法
4.4.1归一化方法
4.4.2标准化方法
4.5深度学习中的优化器
4.5.1不带动量的优化器
4.5.2带动量的优化器
4.6深度学习中的技巧
4.6.1输入数据的处理
4.6.2激活函数的选择
4.6.3损失函数的选择
4.6.4标准化方法的选择
4.6.5batch_size的选择
4.6.6优化器的选择
4.6.7学习率的选择
4.7小结
第5章常用数据集及其使用方式
5.1IRIS鸢尾花数据集
5.2MNIST手写数字数据集
5.3SVHN数据集
5.4CIFAR10与CIFAR100数据集
5.4.1CIFAR10
5.4.2CIFAR100
5.4.3对图像进行数据增强
5.5Oxford Flower数据集
5.6ImageNet数据集
5.7小结
第6章全连接神经网络
6.1什么是全连接神经网络
6.1.1感知机
6.1.2全连接神经网络
6.2使用全连接神经网络进行回归
6.3使用全连接神经网络进行分类
6.4使用全连接神经网络对数据降维
6.5使用全连接神经网络完成手写数字识别
6.5.1训练模型
6.5.2保存权重
6.5.3交互接收用户输入
6.5.4加载权重并预测
6.6小结
第7章卷积神经网络 （77min）
7.1什么是卷积
7.1.1卷积的概念
7.1.2卷积操作的参数
7.1.3卷积的计算方式
7.2卷积神经网络中常用的层
7.2.1输入层
7.2.2卷积层
7.2.3激活层
7.2.4标准化层
7.2.5池化层
7.2.6全连接层
7.3常用的卷积神经网络结构
7.3.1VGGNet
7.3.2Inception
7.3.3ResNet
7.3.4DenseNet
7.3.5ResNeXt
7.3.6MobileNet
7.3.7Dual Path Network
7.3.8SENet
7.3.9SKNet
7.3.10ResNeSt
7.4使用卷积神经网络完成图像分类
7.4.1定义命令行参数
7.4.2模型训练函数
7.4.3模型测试函数
7.4.4主函数
7.4.5训练模型识别手写数字
7.4.6训练模型识别自然场景图像
7.5卷积神经网络究竟学到了什么
7.5.1卷积核的可视化
7.5.2类激活映射的可视化
7.5.3卷积神经网络输出预测值的可视化
7.6使用卷积神经网络给全连接神经网络传授知识
7.7转置卷积层
7.7.1什么是转置卷积层
7.7.2使用转置卷积层让图像变得清晰
7.7.3使用转置卷积层给图像上色
7.8使用卷积层与反卷积层做自编码器
7.9小结
第8章生成式模型
8.1什么是生成式模型
8.2变分自编码器
8.2.1什么是变分自编码器
8.2.2使用变分自编码器生成手写数字
8.2.3使用变分自编码器生成指定的数字
8.3生成式对抗网络
8.3.1什么是生成式对抗网络
8.3.2使用生成式对抗网络生成手写数字
8.3.3使用生成式对抗网络生成指定的数字
8.3.4使用生成式对抗网络生成自然图像
8.3.5使用生成式对抗网络进行图像域转换
8.4小结
|
| 內容試閱：
|
人工智能的概念早在20世纪被提出，其属于计算机科学的一个分支。但是受限于当时有限的计算资源，人工智能一直未能展现其巨大的威力。进入21世纪后，随着数据量的爆炸式增长与计算资源的普遍化，人工智能得到了充分的发展，并且得到了实验的支撑。它从初试图模拟人类大脑神经元激活的方式使机器模型学习知识并产生类似人类思考的智能。
人工智能从创造之始到现在，理论和技术逐渐成熟，应用的领域也不断扩大，从计算机视觉任务、自然语言处理任务、语音识别任务到推荐算法都有人工智能算法的应用。人工智能是一门极具挑战与前景的科学，从事与人工智能相关工作的人员需要必备数学知识、计算机知识与神经科学知识，属于多学科交叉融合的科学。在如今近乎全民人工智能的时代，无论是在校学生还是已步入职场的工作者，了解一些人工智能的基本知识与算法对人生都有极大的帮助。
随着人工智能的广泛流行，各大互联网巨头都着手开发相应的深度学习框架，国外如谷歌的TensorFlow、脸书的PyTorch等，国内则有百度的PaddlePaddle等，其中各大深度学习框架都各有优势，它们对于能实现的模型结构也各有偏好，想要完全掌握各种深度学习模型，仅仅掌握一种深度学习框架是完全不够的。作为入门的深度学习框架，TensorFlow不失为一种好的框架，其具有清晰的逻辑层次、方便的可视化工具、完整的社区，在帮助读者理解模型细节的同时方便读者查阅相关资料自行学习更多知识。
本书面向所有想了解与人工智能相关知识的读者，无论是零基础或是具有一定基础的学生或工作者都适用。本书以TensorFlow为深度学习框架，主要讲解计算机视觉任务中相关的知识。TensorFlow目前已更新至2.x版，其语法与更易用的Keras相近，与TensorFlow 1.x的代码写法差异较大。本书所采用的TensorFlow版本为1.14.0，是TensorFlow 1.x中的后一个版本，选用该版本主要有以下两点考虑： ，由于TensorFlow 1.x提供的API函数更加底层，因此在编写代码时能够让读者涉及更多的底层实现细节，方便读者对原理加深理解； 第二，TensorFlow 1.14.0兼具TensorFlow 1.x与TensorFlow 2.x的特性，对于以后想迁移到TensorFlow 2.x的读者更为友好。
第1和2章主要为零基础的读者设计，第1章引导读者在不同的操作系统下以不同的方式配置TensorFlow所需的编程环境； 第2章为读者介绍一些常用的Python编程工具包，这些工具不仅在之后的章节中会用到，在读者平时进行Python编程的过程中也十分有帮助； 第3章为对TensorFlow不熟悉的读者设计，对TensorFlow中的一些主要概念进行了介绍，例如如何使用TensorFlow编写网络模型的输入层，如何使用TensorFlow定义网络结构并将其使用TensorBoard进行可视化等； 第4章的内容更加偏重理论性，从零开始介绍深度学习中的一些重要概念，包括不同任务适用的激活函数、损失函数、优化器等，同时介绍了深度学习任务中训练模型的技巧与参数的选择，相信通过这些技巧，读者能够更快使模型收敛，达到自己想要的效果； 第5章则重点讲解深度学习任务中常使用的数据集，从较小的规则数据集到数据量巨大并且图像不规则的数据集均有涉猎，读者应着重关注图像不规则的数据集的使用方法，因为这更接近于日常人们四处收集到的图像，除此以外，还着重介绍了如何从头设计数据集类，包括不同格式图像数据的读取与获取等。第6~8章深入讲解深度学习模型，将前5章介绍的知识与代码进行整合，以完成从数据准备到使用模型进行预测的整个过程。第6章从简单的全连接神经网络开始，使用其完成回归与分类任务，带领读者初步感受神经网络的魅力； 第7章在全连接神经网络的基础上，加入卷积层与转置卷积层，介绍卷积神经网络，以及使用不同的卷积神经网络模型完成了部分数据集的识别任务，同时还向读者呈现了一些神经网络模型比较有趣的应用，如使图像更清晰、为黑白图像上色等； 第8章在卷积神经网络的基础上使用不同的理论假设，使模型完成图像生成的任务，通过对两种经典生成式模型的介绍，相信读者能对神经网络模型的应用场景多一层理解。
本书的内容十分连贯，每个章节的内容都会使用到前面章节讲解过的知识，旨在限度保证读者学习的连贯性，同时本书将晦涩难懂的数学公式减到少，尽力以图示的方式促进读者理解，本书部分彩图请见插页。相信读者读完本书后会对计算机视觉相关任务有一个更清晰的理解，希望本书能成为每一位读者打开深度学习与TensorFlow的金钥匙。
编者2021年1月
本书源代码下载
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
