- 文后 更新時間：2024-10-16 18:01:14
- 作者簡介
- 習題
- 11.5.3 使用GPU完成矩陣乘法
- 11.5.2 一個GPU程序
- 11.5.1 安裝GPU版本的TensorFlow
- 11.5 實驗：基于GPU的矩陣乘法
- 11.4 多GPU并行加速的實現
- 11.3 單GPU并行加速的實現
- 11.2 TensorFlow加速方法
- 11.1.4 TensorFlow與GPU
- 11.1.3 GPU并行計算技術
- 11.1.2 分布式并行計算
- 11.1.1 單機并行計算
- 11.1 并行計算技術
- 第11章 GPU并行計算
- 習題
- 10.5.2 基于優化方法的衍生模型
- 10.5.1 基于網絡結構的衍生模型
- 10.5 GAN的衍生模型
- 10.4.2 DCGAN的實現
- 10.4.1 DCGAN結構圖
- 10.4 深度卷積生成對抗網絡
- 10.3 GAN的實現
- 10.2 GAN的目標函數
- 10.1 GAN概述
- 第10章 生成對抗網絡
- 習題
- 9.4.4 實驗步驟
- 9.4.3 實驗原理
- 9.4.2 實驗要求
- 9.4.1 實驗目的
- 9.4 實驗：基于Inception V3的遷移學習
- 9.3.2 基于VGG-19的遷移學習的原理及實現
- 9.3.1 VGG-19的原理
- 9.3 基于VGG-19的遷移學習實現
- 9.2.3 基于新模型的預測
- 9.2.2 模型的復用
- 9.2.1 導入已有的預訓練模型
- 9.2 基于模型的遷移學習方法實現
- 9.1.3 遷移學習的基本方法
- 9.1.2 遷移學習的基本概念
- 9.1.1 什么是遷移學習
- 9.1 遷移學習原理
- 第9章 遷移學習
- 習題
- 8.5.4 實驗步驟
- 8.5.3 實驗原理
- 8.5.2 實驗要求
- 8.5.1 實驗目的
- 8.5 實驗：基于強化學習的小車爬山游戲
- 8.4 Gym的簡單使用
- 8.3.3 Q-Learning
- 8.3.2 基于價值的方法中的策略評估
- 8.3.1 基于價值的方法中的策略優化
- 8.3 基于價值的強化學習方法
- 8.2.2 馬爾可夫決策過程的形式化
- 8.2.1 馬爾可夫決策過程
- 8.2 馬爾可夫決策過程實現
- 8.1 強化學習原理
- 第8章 強化學習
- 習題
- 7.5.4 實驗步驟
- 7.5.3 實驗原理
- 7.5.2 實驗要求
- 7.5.1 實驗目的
- 7.5 實驗：基于LSTM的股票預測
- 7.4 深層RNN
- 7.3.2 雙向RNN的實現
- 7.3.1 雙向RNN的結構及原理
- 7.3 雙向RNN
- 7.2.3 LSTM的實現
- 7.2.2 長短時記憶網絡
- 7.2.1 長期依賴問題
- 7.2 長短時記憶網絡
- 7.1.3 RNN的實現
- 7.1.2 RNN的網絡結構及原理
- 7.1.1 為什么使用RNN
- 7.1 RNN簡介
- 第7章 循環神經網絡實現
- 習題
- 6.6.4 實驗步驟
- 6.6.3 實驗原理
- 6.6.2 實驗要求
- 6.6.1 實驗目的
- 6.6 實驗：基于VGG16模型的圖像分類實現
- 6.5 AlexNet
- 6.4 使用簡單的CNN實現手寫字符識別
- 6.3 CNN的池化操作
- 6.2 CNN的卷積操作
- 6.1 CNN基本原理
- 第6章 卷積神經網絡實現
- 習題
- 5.8.4 實驗步驟
- 5.8.3 實驗要求
- 5.8.2 實驗目的
- 5.8.1 Keras簡介
- 5.8 實驗：基于Keras多層感知機的MNIST手寫數字識別
- 5.7.2 TensorFlow多層感知機的實現
- 5.7.1 NumPy多層感知機的實現
- 5.7 多層感知機的實現
- 5.6.2 MNIST數據集
- 5.6.1 訓練集、測試集和驗證集
- 5.6 數據集
- 5.5.3 反向傳播算法的流程
- 5.5.2 反向傳播算法的基本思路
- 5.5.1 反向傳播算法要解決的問題
- 5.5 反向傳播
- 5.4.6 常見的梯度下降法
- 5.4.5 梯度下降法的算法調優
- 5.4.4 梯度下降法的數學描述
- 5.4.3 梯度下降法的相關概念
- 5.4.2 梯度下降的直觀解釋
- 5.4.1 梯度
- 5.4 梯度下降
- 5.3.2 前向傳播算法
- 5.3.1 前向傳播的計算過程
- 5.3 前向傳播
- 5.2.2 多層感知機的特點
- 5.2.1 多層感知機基本結構
- 5.2 多層感知機與前向傳播
- 5.1.4 感知機的性質
- 5.1.3 感知機的學習算法
- 5.1.2 感知機的神經元模型
- 5.1.1 感知機的定義
- 5.1 感知機
- 第5章 多層感知機實現
- 習題
- 4.6.4 實驗步驟
- 4.6.3 實驗原理
- 4.6.2 實驗要求
- 4.6.1 實驗目的
- 4.6 實驗：TensorBoard可視化實現
- 4.5.2 啟動TensorBoard
- 4.5.1 數據序列化
- 4.5 學習過程的可視化
- 4.4.4 Merge_all
- 4.4.3 Histogram
- 4.4.2 Images
- 4.4.1 Scalar
- 4.4 監控指標的可視化
- 4.3.2 可視化過程
- 4.3.1 計算圖和會話
- 4.3 圖表的可視化
- 4.2 基本流程與結構
- 4.1 什么是TensorBoard
- 第4章 TensorBoard可視化
- 習題
- 3.3 一個簡單的實例
- 3.2.3 PyCharm下載與安裝
- 3.2.2 安裝TensorFlow
- 3.2.1 安裝Anaconda
- 3.2 開發環境部署
- 3.1 開發平臺簡介
- 第3章 環境搭建與入門
- 習題
- 2.6.4 實驗步驟
- 2.6.3 實驗題目
- 2.6.2 實驗要求
- 2.6.1 實驗目的
- 2.6 實驗：Python基本語法的實現
- 2.5.2 閉包
- 2.5.1 函數高級特性
- 2.5 其他高級特性
- 2.4.4 構造方法與析構方法
- 2.4.3 根據類創建對象
- 2.4.2 類的定義
- 2.4.1 類和對象
- 2.4 面向對象特性
- 2.3 數據結構
- 2.2.4 循環語句
- 2.2.3 條件語句
- 2.2.2 基本程序編寫
- 2.2.1 基礎知識
- 2.2 基礎語法
- 2.1.2 Python安裝
- 2.1.1 Python語言的發展
- 2.1 Python語言
- 第2章 Python語言基礎
- 習題
- 1.5.4 實驗步驟
- 1.5.3 實驗原理
- 1.5.2 實驗要求
- 1.5.1 實驗目的
- 1.5 實驗：矩陣運算
- 1.4 TensorFlow 計算模型和運行模型
- 1.3 TensorFlow 數據模型
- 1.2 TensorFlow 與人工智能
- 1.1.2 人工智能、機器學習和深度學習之間的關系
- 1.1.1 人工智能的發展
- 1.1 人工智能的編程框架
- 第1章 TensorFlow簡介
- 前言
- 總序
- 編寫組
- 內容簡介
- 作者簡介
- 版權信息
- 封面
- 封面
- 版權信息
- 作者簡介
- 內容簡介
- 編寫組
- 總序
- 前言
- 第1章 TensorFlow簡介
- 1.1 人工智能的編程框架
- 1.1.1 人工智能的發展
- 1.1.2 人工智能、機器學習和深度學習之間的關系
- 1.2 TensorFlow 與人工智能
- 1.3 TensorFlow 數據模型
- 1.4 TensorFlow 計算模型和運行模型
- 1.5 實驗：矩陣運算
- 1.5.1 實驗目的
- 1.5.2 實驗要求
- 1.5.3 實驗原理
- 1.5.4 實驗步驟
- 習題
- 第2章 Python語言基礎
- 2.1 Python語言
- 2.1.1 Python語言的發展
- 2.1.2 Python安裝
- 2.2 基礎語法
- 2.2.1 基礎知識
- 2.2.2 基本程序編寫
- 2.2.3 條件語句
- 2.2.4 循環語句
- 2.3 數據結構
- 2.4 面向對象特性
- 2.4.1 類和對象
- 2.4.2 類的定義
- 2.4.3 根據類創建對象
- 2.4.4 構造方法與析構方法
- 2.5 其他高級特性
- 2.5.1 函數高級特性
- 2.5.2 閉包
- 2.6 實驗：Python基本語法的實現
- 2.6.1 實驗目的
- 2.6.2 實驗要求
- 2.6.3 實驗題目
- 2.6.4 實驗步驟
- 習題
- 第3章 環境搭建與入門
- 3.1 開發平臺簡介
- 3.2 開發環境部署
- 3.2.1 安裝Anaconda
- 3.2.2 安裝TensorFlow
- 3.2.3 PyCharm下載與安裝
- 3.3 一個簡單的實例
- 習題
- 第4章 TensorBoard可視化
- 4.1 什么是TensorBoard
- 4.2 基本流程與結構
- 4.3 圖表的可視化
- 4.3.1 計算圖和會話
- 4.3.2 可視化過程
- 4.4 監控指標的可視化
- 4.4.1 Scalar
- 4.4.2 Images
- 4.4.3 Histogram
- 4.4.4 Merge_all
- 4.5 學習過程的可視化
- 4.5.1 數據序列化
- 4.5.2 啟動TensorBoard
- 4.6 實驗：TensorBoard可視化實現
- 4.6.1 實驗目的
- 4.6.2 實驗要求
- 4.6.3 實驗原理
- 4.6.4 實驗步驟
- 習題
- 第5章 多層感知機實現
- 5.1 感知機
- 5.1.1 感知機的定義
- 5.1.2 感知機的神經元模型
- 5.1.3 感知機的學習算法
- 5.1.4 感知機的性質
- 5.2 多層感知機與前向傳播
- 5.2.1 多層感知機基本結構
- 5.2.2 多層感知機的特點
- 5.3 前向傳播
- 5.3.1 前向傳播的計算過程
- 5.3.2 前向傳播算法
- 5.4 梯度下降
- 5.4.1 梯度
- 5.4.2 梯度下降的直觀解釋
- 5.4.3 梯度下降法的相關概念
- 5.4.4 梯度下降法的數學描述
- 5.4.5 梯度下降法的算法調優
- 5.4.6 常見的梯度下降法
- 5.5 反向傳播
- 5.5.1 反向傳播算法要解決的問題
- 5.5.2 反向傳播算法的基本思路
- 5.5.3 反向傳播算法的流程
- 5.6 數據集
- 5.6.1 訓練集、測試集和驗證集
- 5.6.2 MNIST數據集
- 5.7 多層感知機的實現
- 5.7.1 NumPy多層感知機的實現
- 5.7.2 TensorFlow多層感知機的實現
- 5.8 實驗：基于Keras多層感知機的MNIST手寫數字識別
- 5.8.1 Keras簡介
- 5.8.2 實驗目的
- 5.8.3 實驗要求
- 5.8.4 實驗步驟
- 習題
- 第6章 卷積神經網絡實現
- 6.1 CNN基本原理
- 6.2 CNN的卷積操作
- 6.3 CNN的池化操作
- 6.4 使用簡單的CNN實現手寫字符識別
- 6.5 AlexNet
- 6.6 實驗：基于VGG16模型的圖像分類實現
- 6.6.1 實驗目的
- 6.6.2 實驗要求
- 6.6.3 實驗原理
- 6.6.4 實驗步驟
- 習題
- 第7章 循環神經網絡實現
- 7.1 RNN簡介
- 7.1.1 為什么使用RNN
- 7.1.2 RNN的網絡結構及原理
- 7.1.3 RNN的實現
- 7.2 長短時記憶網絡
- 7.2.1 長期依賴問題
- 7.2.2 長短時記憶網絡
- 7.2.3 LSTM的實現
- 7.3 雙向RNN
- 7.3.1 雙向RNN的結構及原理
- 7.3.2 雙向RNN的實現
- 7.4 深層RNN
- 7.5 實驗：基于LSTM的股票預測
- 7.5.1 實驗目的
- 7.5.2 實驗要求
- 7.5.3 實驗原理
- 7.5.4 實驗步驟
- 習題
- 第8章 強化學習
- 8.1 強化學習原理
- 8.2 馬爾可夫決策過程實現
- 8.2.1 馬爾可夫決策過程
- 8.2.2 馬爾可夫決策過程的形式化
- 8.3 基于價值的強化學習方法
- 8.3.1 基于價值的方法中的策略優化
- 8.3.2 基于價值的方法中的策略評估
- 8.3.3 Q-Learning
- 8.4 Gym的簡單使用
- 8.5 實驗：基于強化學習的小車爬山游戲
- 8.5.1 實驗目的
- 8.5.2 實驗要求
- 8.5.3 實驗原理
- 8.5.4 實驗步驟
- 習題
- 第9章 遷移學習
- 9.1 遷移學習原理
- 9.1.1 什么是遷移學習
- 9.1.2 遷移學習的基本概念
- 9.1.3 遷移學習的基本方法
- 9.2 基于模型的遷移學習方法實現
- 9.2.1 導入已有的預訓練模型
- 9.2.2 模型的復用
- 9.2.3 基于新模型的預測
- 9.3 基于VGG-19的遷移學習實現
- 9.3.1 VGG-19的原理
- 9.3.2 基于VGG-19的遷移學習的原理及實現
- 9.4 實驗：基于Inception V3的遷移學習
- 9.4.1 實驗目的
- 9.4.2 實驗要求
- 9.4.3 實驗原理
- 9.4.4 實驗步驟
- 習題
- 第10章 生成對抗網絡
- 10.1 GAN概述
- 10.2 GAN的目標函數
- 10.3 GAN的實現
- 10.4 深度卷積生成對抗網絡
- 10.4.1 DCGAN結構圖
- 10.4.2 DCGAN的實現
- 10.5 GAN的衍生模型
- 10.5.1 基于網絡結構的衍生模型
- 10.5.2 基于優化方法的衍生模型
- 習題
- 第11章 GPU并行計算
- 11.1 并行計算技術
- 11.1.1 單機并行計算
- 11.1.2 分布式并行計算
- 11.1.3 GPU并行計算技術
- 11.1.4 TensorFlow與GPU
- 11.2 TensorFlow加速方法
- 11.3 單GPU并行加速的實現
- 11.4 多GPU并行加速的實現
- 11.5 實驗：基于GPU的矩陣乘法
- 11.5.1 安裝GPU版本的TensorFlow
- 11.5.2 一個GPU程序
- 11.5.3 使用GPU完成矩陣乘法
- 習題
- 作者簡介
- 文后 更新時間：2024-10-16 18:01:14
