Python深度學(xué)習(xí)入門: 從基礎(chǔ)知識到實踐應(yīng)用
定 價:99 元
- 作者:木村優(yōu)志
- 出版時間:2022/4/1
- ISBN:9787111700760
- 出 版 社:機械工業(yè)出版社
- 中圖法分類:TP311.561
- 頁碼:
- 紙張:膠版紙
- 版次:
- 開本:16開
《Python深度學(xué)習(xí)入門: 從基礎(chǔ)知識到實踐應(yīng)用》全面細(xì)致地講解了深度學(xué)習(xí)的基礎(chǔ)知識及其應(yīng)用,具體內(nèi)容包括深度學(xué)習(xí)開發(fā)環(huán)境的準(zhǔn)備、Python的基礎(chǔ)知識,以及深度學(xué)習(xí)模型的使用與開發(fā)等。書中充分結(jié)合了實例,對深度學(xué)習(xí)的概念、模型和程序語句進(jìn)行了深入淺出的介紹,尤其是重點介紹了使用遷移學(xué)習(xí)的“NyanCheck”應(yīng)用程序如何識別圖像的種類,全面剖析了深度學(xué)習(xí)在實際中的應(yīng)用。
人工智能無疑是近年來熱門詞匯,而深度學(xué)習(xí)又是熱門中的熱門,對于想要進(jìn)入人工智能行業(yè)的您來說,節(jié)省時間、快速入門首要問題。再多的知識也要實踐,現(xiàn)場實操,才是快速學(xué)習(xí)、消化的通路。
《Python深度學(xué)習(xí)入門: 從基礎(chǔ)知識到實踐應(yīng)用》正是這樣一本,從基礎(chǔ)理論講起,以實操驅(qū)動的方式全面展示技巧和方法,為您提供了快速入門機器學(xué)習(xí)的途徑,找到了學(xué)習(xí)的方法。
原書前言
近年來,在人工智能的相關(guān)領(lǐng)域中,深度學(xué)習(xí)備受關(guān)注。在深度學(xué)習(xí)領(lǐng)域中,“圖像處理”的關(guān)注程度較高,應(yīng)用范圍較廣,服務(wù)支持較多。此外,放眼全球該領(lǐng)域的論文,每年發(fā)表的與圖像識別相關(guān)的論文數(shù)不勝數(shù)。
本書面向在研究和工作中使用深度學(xué)習(xí)的工程師,是一本涉及Python 必要基礎(chǔ)知識、深度學(xué)習(xí)模型開發(fā)方法以及Web 應(yīng)用程序使用方法的書籍。
本書是為以下人士而寫的:
沒有Python 的基礎(chǔ)知識儲備,但想學(xué)習(xí)深度學(xué)習(xí)。
想知道如何使用深度學(xué)習(xí)模型開發(fā)Web 應(yīng)用程序。
對于這些讀者來說,我們使用的數(shù)學(xué)公式不是很多,即使使用也是在編寫相關(guān)程序時以一種易于理解的方式對其進(jìn)行解釋。特別是后一章中介紹的名為“ NyanCheck”的應(yīng)用程序,使用了遷移學(xué)習(xí),通過讀取貓的圖像來識別貓的類型,這對實際的應(yīng)用程序開發(fā)具有重要的參考價值。
本書如能為工程師們的應(yīng)用程序開發(fā)助一臂之力, 我們將甚為榮幸。
木村優(yōu)志
2019 年6 月
目錄
譯者序
原書前言
本書的讀者對象和閱讀本書所需的必要知識
本書的構(gòu)成
第1 部分 Python入門篇
第0 章 開發(fā)環(huán)境的準(zhǔn)備 001
0.1 Anaconda 的安裝 002
0.1.1 Anaconda 的安裝方法 002
0.1.2 虛擬環(huán)境的搭建 006
0.1.3 庫的安裝 008
0.1.4 Jupyter 的啟動和安裝 009
0.2 Google Colaboratory 的使用 012
0.3 macOS 中虛擬環(huán)境的搭建 013
第1 章 運算、變量和類型 017
1.1 輸出Hello world 018
1.1.1 關(guān)于Python 018
1.1.2 使用Python 輸出Hello world 018
1.2 Python 的用途 019
1.3 注釋的輸入 020
1.4 數(shù)字和字符串 021
1.5 運算 023
1.6 變量 026
1.6.1 變量的定義 026
1.6.2 變量的命名規(guī)則 026
1.7 變量的更新 030
1.8 字符串的拼接 035
1.9 類型 037
1.10 類型的轉(zhuǎn)換 040
1.11 比較運算符的轉(zhuǎn)換 043
第2 章 if 條件語句 045
2.1 if 語句 046
2.2 else 語句 049
2.3 elif 語句 051
2.4 and、not、or 054
第3 章 列表類型 057
3.1 列表類型① 058
3.2 列表類型② 060
3.3 list in list 062
3.4 列表的取值 064
3.5 列表的切片 066
3.6 列表元素的更新和添加 069
3.7 列表元素的刪除 071
3.8 列表類型的注意要點 073
第4 章 字典類型 077
4.1 什么是字典類型 078
4.2 字典的取值 080
4.3 字典的更新和添加 082
4.4 字典元素的刪除 084
第5 章 while 語句 087
5.1 什么是while 語句 088
5.2 while 語句的使用 090
5.3 while+if 語句的使用 092
第6 章 for 語句 095
6.1 什么是for 語句 096
6.2 什么是break 語句 098
6.3 什么是continue 語句 100
6.4 for 語句中的索引表示 102
6.5 列表嵌套循環(huán) 104
6.6 字典類型的循環(huán) 106
第7 章 函數(shù)與方法 109
7.1 函數(shù)的基礎(chǔ)與內(nèi)置函數(shù) 110
7.2 函數(shù)與方法的說明 114
7.3 字符串類型的方法 117
7.4 字符串類型的方法(format) 119
7.5 列表類型的方法(index) 121
7.6 列表類型的方法(sort) 123
7.7 定義一個函數(shù) 126
7.8 參數(shù) 128
7.9 多個參數(shù) 130
7.10 參數(shù)的默認(rèn)值 132
7.11 return 134
7.12 函數(shù)的import 137
第8 章 對象和類 141
8.1 對象 142
8.2 類(成員和構(gòu)造方法) 144
8.3 類(方法) 147
8.4 字符串的格式化 151
第2 部分
深度學(xué)習(xí)篇
第9 章 NumPy 與數(shù)組 155
9.1 NumPy 簡介 156
9.2 NumPy 的import 157
9.3 NumPy 與列表的比較 158
9.4 array 的創(chuàng)建 160
9.4.1 關(guān)于array 的創(chuàng)建 160
9.4.2 數(shù)組形狀的指定方法 160
9.4.3 基于數(shù)組范圍創(chuàng)建數(shù)組的方法 161
9.5 元素的訪問 163
9.6 np.array 的屬性 165
9.7 slice 167
9.8 數(shù)組特定元素的訪問 169
9.9 數(shù)組的運算 171
9.10 np.array 的形狀操作 173
9.11 數(shù)組的合并 177
9.12 數(shù)組的分割 179
9.13 數(shù)組的復(fù)制 180
9.14 數(shù)組的多種運算 181
9.15 廣播 186
第10 章 Pandas 與DataFrame 189
10.1 Pandas 簡介 190
10.2 DataFrame 的創(chuàng)建 193
10.3 DataFrame 的表示 195
10.4 統(tǒng)計量的表示 198
10.5 DataFrame 的排序(sort) 199
10.6 DataFrame 的篩選 201
10.7 特定條件的取值 205
10.8 列的添加 206
10.9 DataFrame 的運算 207
10.10 復(fù)雜的運算 211
10.11 DataFrame 的合并 213
10.12 分組 218
10.13 圖表的表示 220
第11 章 單層感知器 225
11.1 單層感知器簡介 226
11.1.1 什么是單層感知器 226
11.1.2 關(guān)于單層感知器的學(xué)習(xí) 226
11.2 單層感知器的實際操作 230
11.2.1 NumPy 和Keras 的模塊導(dǎo)入 230
11.2.2 學(xué)習(xí)網(wǎng)絡(luò)定義 230
11.2.3 神經(jīng)網(wǎng)絡(luò)的輸入和監(jiān)督信號的設(shè)定 231
11.2.4 學(xué)習(xí)的設(shè)置與實行 231
11.2.5 學(xué)習(xí)權(quán)重的確認(rèn) 233
11.2.6 學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)的輸出確認(rèn) 234
第12 章 深度學(xué)習(xí)入門 235
12.1 深度學(xué)習(xí)簡介 236
12.1.1 什么是深度學(xué)習(xí) 236
12.1.2 多層感知器的學(xué)習(xí)方法 236
12.2 CrossEntropy 239
12.3 softmax 240
12.4 SGD 241
12.5 梯度消失問題 242
12.6 深度學(xué)習(xí)的應(yīng)用 244
12.7 利用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類 246
12.8 利用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(CIFAR10) 249
12.9 卷積層神經(jīng)網(wǎng)絡(luò)簡介 253
12.9.1 深度學(xué)習(xí)中層的種類 253
12.9.2 什么是卷積層神經(jīng)網(wǎng)絡(luò) 253
12.9.3 卷積層神經(jīng)網(wǎng)絡(luò)的計算方法 254
12.10 批量正則化 256
12.11 Global Average Pooling 257
12.12 Keras 267
12.12.1 什么是Keras 267
12.12.2 Keras 的Sequence 模型與Model API 267
12.12.3 Keras 的編程實例 268
第13 章 遷移學(xué)習(xí)與NyanCheck 開發(fā) 271
13.1 遷移學(xué)習(xí)簡介 272
13.2 關(guān)于NyanCheck 273
13.3 NyanCheck 應(yīng)用程序的構(gòu)成 274
13.3.1 樣本NyanCheck 應(yīng)用程序的構(gòu)成 274
13.3.2 HTML 的模板 274
13.3.3 腳本的應(yīng)用 276
13.3.4 服務(wù)器端的處理 277
13.3.5 貓種類識別的操作 281
13.4 數(shù)據(jù)的收集、整理和分類 284
13.4.1 貓種類的判別 284
13.4.2 圖像獲取的操作 286
13.5 數(shù)據(jù)的擴充及學(xué)習(xí) 294
13.5.1 模塊的import 294
13.5.2 數(shù)據(jù)的學(xué)習(xí) 294
13.5.3 模型的編譯 297
13.5.4 運行應(yīng)用程序 302
13.6 關(guān)于Google Cloud Platform