TensorFlow神经网络编程

作品简介

本书首先简要介绍流行的TensorFlow库，并讲解如何用它训练不同的神经网络。你将深入了解神经网络的基础知识和它背后的数学原理，以及为什么我们会选择TensorFlow训练神经网络。然后，你将实现一个简单的前馈神经网络。接下来，你将使用TensorFlow掌握神经网络的优化技术和算法，以及一些更复杂的神经网络的实现。最后，你将对如何利用TensorFlow的强大功能来训练各种复杂的神经网络有一个正确的理解。

曼普里特·辛格·古特（ManpreetSinghGhotra），在企业和大数据软件方面拥有超过15年的软件开发经验。目前，他正致力于开发一个机器学习平台/API，该平台主要使用诸如TensorFlow、Keras、ApacheSpark和PredictionIO等开源库和框架进行开发。他在各种机器学习应用场景上有丰富的经验，其中包括情感分析、垃圾邮件检测、图像调整和异常检测。他是世界上最大在线零售商之一机器学习组的成员，主要工作是使用R和ApacheMahout做运输时间优化。他拥有机器学习方面的研究生学位，为机器学习社区工作并贡献卓越。

作品目录

• 译者序
• 作者简介
• 审校者简介
• 前言
• 第1章　神经网络的数学原理
• 1.1　理解线性代数
• 1.2　微积分
• 1.3　最优化
• 1.4　总结
• 第2章　深度前馈神经网络
• 2.1　定义前馈神经网络
• 2.2　理解反向传播
• 2.3　在TensorFlow中实现前馈神经网络
• 2.4　分析Iris数据集
• 2.5　使用前馈网络进行图像分类
• 2.6　总结
• 第3章　神经网络的优化
• 3.1　什么是优化
• 3.2　优化器的类型
• 3.3　梯度下降
• 3.4　优化器的选择
• 3.5　总结
• 第4章　卷积神经网络
• 4.1　卷积神经网络概述和直观理解
• 4.2　卷积操作
• 4.3　池化
• 4.4　使用卷积网络进行图像分类
• 4.5　总结
• 第5章　递归神经网络
• 5.1　递归神经网络介绍
• 5.2　长短期记忆网络简介
• 5.3　情感分析
• 5.4　总结
• 第6章　生成模型
• 6.1　生成模型简介
• 6.2　GAN
• 6.3　总结
• 第7章　深度信念网络
• 7.1　理解深度信念网络
• 7.2　训练模型
• 7.3　标签预测
• 7.4　探索模型的准确度
• 7.5　DBN在MNIST数据集上的应用
• 7.6　DBN中RBM层的神经元数量的影响
• 7.7　具有两个RBM层的DBN
• 7.8　用DBN对NotMNIST数据集进行分类
• 7.9　总结
• 第8章　自编码器
• 8.1　自编码算法
• 8.2　欠完备自编码器
• 8.3　数据集
• 8.4　基本自编码器
• 8.5　加性高斯噪声自编码器
• 8.6　稀疏自编码器
• 8.7　总结
• 第9章　神经网络研究
• 9.1　神经网络中避免过拟合
• 9.2　使用神经网络进行大规模视频处理
• 9.3　使用双分支互向神经网络进行命名实体识别
• 9.4　双向递归神经网络
• 9.5　总结
• 第10章　开始使用TensorFlow
• 10.1　环境搭建
• 10.2　比较TensorFlow和Numpy
• 10.3　计算图
• 10.4　自动微分
• 10.5　TensorBoard