深度学习-基于Python语言和TensorFlow平台

作者:谢琼

页数:350

出版时间:2018-7-1

价格:49.8

装帧:平装

isbn号码:9787115483621

具体描述

本书从人工智能发展的简要历程和深度学习概念的介绍开始，深入浅出地讲解了如何使用人工智能神经网络（尤其是当前最具潜力与热度的深度学习理论和技术）来解决实际问题。认真阅读完本书，即可掌握深度学习技术的基础知识、重要概念、主要方法和部分最佳实践，并具备足够继续往下深造的自学能力。

本书中的案例均是结合生活中真实场景的鲜活实例，配合从零开始循序渐进的讲解，并尽量避开枯燥的数学理论和烦琐的推导过程，非常适合希望快速入门的学习者和技术人员，也适合希望简要了解人工智能、神经网络、深度学习基本概念和思维方法的读者。

作者简介

谢琼 计算机软件、通信行业和外语在线教育领域资深专家，国家认证高级系统分析师。在大型国企和世界50强IT跨国公司从事计算机系统、电信行业项目、外语在线教育项目、人工智能/深度学习领域项目多年，曾主持编写国家电信行业安全标准，项目经验丰富，是人工智能英语分析系统“小仙英语伴读”的创始人。课程教授方式深入浅出，对实例的讲解简单易懂，易于理解，尤其适合入门学习者。

目录信息

第1章　人工智能极简历史　1
1.1　重要的奠基时期　2
1.1.1　神经元的研究和人工神经元模型的提出　2
1.1.2　计算机和程序的出现　3
1.1.3　图灵测试的提出　4
1.2　人工智能的诞生　4
1.3　第一个快速发展期　5
1.4　人工智能的第一个寒冬　5
1.5　人工智能研究的沉默探索与复苏　6
1.6　人工智能的第二个冬天　9
1.7　再一次腾飞　9
1.7.1　计算机综合计算能力的大幅提升　9
1.7.2　大数据的出现　11
1.7.3　神经网络研究的成熟化　11
1.8　未来展望　13
1.9　本章小结：历史指引未来　18
第2章　开发环境准备　19
2.1　安装Python　20
2.1.1　Windows操作系统下安装Python　20
2.1.2　Mac OS X操作系统下安装Python　29
2.1.3　Linux操作系统下安装Python　30
2.2　安装TensorFlow　30
2.3　打造更舒适的开发环境　32
2.3.1　修改Windows资源管理器的一些显示设置　32
2.3.2　命令提示符CMD的替代方案　34
2.3.3　文本文件编辑器　36
2.3.4　Python语言专用的开发工具　40
2.4　知识背景准备　45
2.4.1　怎样输入Python程序　45
2.4.2　怎样执行Python程序　45
2.4.3　变量　46
2.4.4　函数（方法）　50
2.4.5　对象　51
2.4.6　条件判断与分支　53
2.4.7　循环　54
2.4.8　注释　55
2.4.9　程序运行时出现错误怎么办　55
2.4.10　本章小结：一段示例代码　56
第3章　初识TensorFlow　57
3.1　三好学生成绩问题的引入　58
3.2　搭建解决三好学生成绩问题的神经网络　58
3.3　训练神经网络　62
3.4　本章小结：解决的第一个问题　68
3.5　练习　68
第4章　简化神经网络模型　69
4.1　在程序运行中查看变量取值　70
4.2　张量概念的引入　70
4.3　用向量重新组织输入数据　72
4.4　简化的神经网络模型　75
4.5　概念补充——标量、多维数组等　76
4.5.1　标量　76
4.5.2　多维数组　76
4.5.3　张量的阶和形态　77
4.6　在TensorFlow中查看和设定张量的形态　78
4.7　用softmax函数来规范可变参数　81
4.8　本章小结：线性问题　83
4.9　练习　84
第5章　用神经网络解决非线性问题　85
5.1　非线性问题的引入　86
5.1.1　三好学生评选结果问题　86
5.1.2　二分类问题：是否为三好学生　86
5.1.3　非线性问题　87
5.2　设计神经网络模型　88
5.2.1　激活函数sigmoid　88
5.2.2　使用sigmoid函数后的神经网络模型　89
5.2.3　实现本模型的代码　89
5.3　准备训练数据　90
5.3.1　随机数　90
5.3.2　产生随机训练数据　90
5.4　完整的训练代码　92
5.4.1　使用随机数据进行训练　92
5.4.2　加入偏移量b加快训练过程　94
5.5　进阶：批量生成随机训练数据　97
5.6　本章小结：非线性问题　100
5.7　练习　100
第6章　从文件中载入训练数据　101
6.1　用纯文本文件准备训练数据　102
6.1.1　数据的数字化　102
6.1.2　训练数据的格式　102
6.1.3　数据整理　103
6.1.4　使用CSV格式文件辅助处理数据　104
6.2　加载文件中的训练数据　106
6.2.1　加载函数　106
6.2.2　非数字列的舍弃　106
6.2.3　非数字列与数字列的转换　107
6.2.4　行数据的分拆及如何“喂”给训练过程　108
6.3　本章小结：读取训练数据最常用的方式　110
6.4　练习　110
第7章　多层全连接神经网络　111
7.1　身份证问题的引入　112
7.2　问题分析　112
7.3　单层网络的模型　112
7.4　多层全连接神经网络　115
7.4.1　矩阵乘法　115
7.4.2　如何用矩阵乘法实现全连接层　116
7.4.3　使用均方误差作为计算误差的方法　119
7.4.4　激活函数tanh　120
7.4.5　新的模型　121
7.5　身份证问题新模型的代码实现　121
7.6　进一步优化模型和代码　124
7.7　本章小结：多层、全连接、线性与非线性　125
7.8　练习　126
第8章　保存和载入训练过程　127
8.1　保存训练过程　128
8.2　载入保存的训练过程并继续训练　130
8.3　通过命令行参数控制是否强制重新开始训练　132
8.4　训练过程中手动保存　135
8.5　保存训练过程前征得同意　137
8.6　本章小结：善于利用保存和载入训练过程　139
8.7　练习　139
第9章　查看图形化的模型　140
9.1　数据流图的概念　141
9.2　用TensorBoard查看数据流图　141
9.3　控制TensorBoard图中对象的名称　143
9.4　本章小结：图形化的模型　145
9.5　练习　145
第10章　用训练好的模型进行预测　146
10.1　从命令行参数读取需要预测的数据　147
10.2　从文件中读取数据进行预测　149
10.3　从任意字符串中读取数据进行预测　152
10.4　本章小结：预测与训练的区别　154
10.5　练习　154
第11章　用高级工具简化建模和训练过程　155
11.1　Keras框架介绍　156
11.2　用Keras实现神经网络模型　156
11.3　用Keras进行预测　158
11.4　保存和载入Keras模型　160
11.5　本章小结：方便与灵活度的取舍　161
11.6　练习　161
第12章　在其他语言中调用TensorFlow模型　162
12.1　如何保存模型　163
12.2　在Java语言中载入TensorFlow模型并进行预测计算　165
12.3　在Go语言中载入TensorFlow模型并进行预测计算　167
12.4　本章小结：仅能预测　167
第13章　用卷积神经网络进行图像识别　169
13.1　情凭谁来定错对——一首歌引出的对错问题　170
13.2　卷积神经网络介绍　170
13.2.1　卷积神经网络的基本概念　170
13.2.2　数字图片在计算机中的表达形式　170
13.2.3　卷积层的具体计算过程　172
13.2.4　卷积层的原理和优点　174
13.2.5　卷积神经网络的典型结构　177
13.3　用卷积网络实现图像识别　177
13.3.1　钩叉问题的图像数据格式　177
13.3.2　准备钩叉问题的训练数据　178
13.3.3　设计钩叉问题的神经网络模型并实现　179
13.4　本章小结：进一步优化的方向　183
13.5　练习　183
第14章　循环神经网络初探　184
14.1　循环神经网络简介　185
14.2　长短期记忆模型LSTM的作用　186
14.3　汇率预测问题的引入　186
14.4　用于汇率预测的LSTM神经网络模型　187
14.5　实现汇率预测LSTM网络的代码　188
14.6　用循环神经网络来进行自然语言处理　193
14.7　本章小结：时序有关问题　195
14.8　练习　195
第15章　优化器的选择与设置　196
15.1　优化器的作用　197
15.2　梯度下降算法　197
15.3　学习率的影响　198
15.4　主流优化方法介绍　199
15.5　优化器效率对比　200
15.6　本章小结：渡河之筏　203
第16章　下一步学习方向指南　204
16.1　更多的激活函数　205
16.2　更多的隐藏层类型　205
16.3　确定最适合的神经网络类型　206
16.4　GPU版本　206
16.5　有监督学习与无监督学习　207
16.6　深度学习进阶　207
16.7　升级到最新的TensorFlow版本　207
16.8　本章小结：最后的实例　208
· · · · · · (收起)

用户评价

翻开这本《深度学习-基于Python语言和TensorFlow平台》，我首先感受到的是一种“润物细无声”的学习体验。它不像其他一些书籍那样，上来就给你一种压迫感，而是非常温和地引导你进入深度学习的世界。作者的语言风格非常平易近人，就像是一位耐心细致的老师，在给你讲故事，同时巧妙地融入知识点。在介绍Python语言作为实现工具时，他会根据读者的不同背景，给予相应的提示和讲解，确保即使是编程新手，也能快速上手。而对于TensorFlow这个强大的深度学习框架，这本书的讲解更是细致入微。它不是简单地列出API，而是会剖析TensorFlow的设计哲学，让你理解为什么它要以这样的方式来构建模型，以及如何才能更好地利用它的特性。我尤其赞赏书中关于数据处理和特征工程的章节，作者给出了非常详尽的操作指南，并强调了数据质量在深度学习中的重要性，这让我避免了在后续模型训练中走弯路。书中的图示和流程图也起到了画龙点睛的作用，将抽象的概念可视化，让那些复杂的计算过程和模型结构变得直观易懂。我记得在学习损失函数和优化器的时候，作者用了很多生活化的例子来类比，让我一下子就抓住了核心要义。这本书的实用性体现在，它不仅仅是教授理论，更重要的是引导你去实践。每一个章节都配有可以运行的代码示例，而且代码的质量很高，结构清晰，注释详尽，这大大减轻了我自己编写代码的负担，让我能够更专注于理解算法和模型。这本书，让我从一个对深度学习感到迷茫的人，变成了一个跃跃欲试的实践者。

《深度学习-基于Python语言和TensorFlow平台》这本书，给我的感觉就像是精心打磨的“武功秘籍”，招式精妙，内功心法也讲解得明明白白。它不像有些书那样，上来就让你练“乾坤大挪移”，而是在基础招式上反复揣摩，让你把每一个动作都做到位。在讲解Python语言和TensorFlow平台的时候，作者的用心程度让我印象深刻。他不是简单地罗列API，而是会花大量篇幅去解释每一个核心概念的由来和作用，比如TensorFlow中张量的概念，数据流图的意义，以及如何用Python来灵活地操控这些底层逻辑。这种讲解方式，让我在使用TensorFlow时，不再是懵懂的“调用者”，而是能够理解“为什么”要这样调用，这对于构建更复杂、更高效的模型至关重要。书中的数学部分，虽然不可避免，但作者处理得非常得体，他会将数学原理与代码实现紧密结合，让你在理解数学概念的同时，也能看到它如何在实际代码中得到体现，而不是枯燥的公式推导。我尤其喜欢关于模型调优和正则化方法的章节，作者将那些复杂的理论，用清晰易懂的语言和生动的例子解释清楚，并且给出了非常具体的实现建议。这对于我这种希望提升模型性能、避免过拟合的学习者来说，简直是及时雨。书中的案例也选取得非常恰当，覆盖了图像、文本等多个领域，并给出了完整的实现流程，这让我能够从具体的应用场景中，学习到深度学习的强大能力，并激发我去探索更多可能。这本书给我最大的收获，就是让我感觉深度学习不再是一个遥不可及的“黑科技”，而是可以通过系统学习和反复实践，掌握的一项强大的工具。

不得不说，这本《深度学习-基于Python语言和TensorFlow平台》，算得上是近期我阅读过的最“接地气”的深度学习教材了。它没有那种高高在上的学术腔调，而是非常贴近实际应用，让你从一开始就能看到深度学习的价值所在。书的开篇就用了一系列生动活泼的例子，比如人脸识别、自动驾驶等，来引入深度学习的概念，这让我这个初学者一下子就感觉和这个领域拉近了距离，不再觉得它是一个只存在于实验室里的东西。在讲解Python和TensorFlow的时候，作者的处理方式非常独特，他不是一股脑地抛出代码，而是会穿插大量的解释和引导，告诉你为什么要用某个函数，这个函数背后有什么原理，以及在实际操作中需要注意的细节。这种循序渐进的讲解方式，对于我这种不是科班出身、对编程和数学基础相对薄弱的学习者来说，简直是救星。特别是书中关于数据预处理和模型训练的章节，作者给出了非常详尽的步骤和建议，让我避免了许多在实践中可能遇到的“坑”。他还分享了一些非常实用的调参技巧和模型评估方法，这些都是在其他地方很难找到的宝贵经验。这本书的亮点之一在于，它不仅仅停留在理论层面，而是非常强调动手实践。每个章节都提供了可以直接运行的代码，并且代码的质量很高，结构清晰，注释也很到位，这大大降低了学习的门槛，让我能够更快地进入到“玩转”深度学习的状态。我甚至可以把书中的代码当作一个很好的模板，去修改和扩展，尝试实现一些自己想法中的小项目，这种从“看懂”到“学会”再到“应用”的过程，让我对深度学习的信心倍增。

要说《深度学习-基于Python语言和TensorFlow平台》这本书，给我的感受，那绝对是一种“踏石留印，握铁成诗”般的扎实感。与其他一些泛泛而谈、概念堆砌的书籍不同，这本书从一开始就奠定了坚实的技术基石。它没有回避深度学习中必然会遇到的数学原理，但又是以一种极其巧妙的方式呈现的，让你在理解概念的同时，也能感受到数学逻辑的力量，而不是被枯燥的公式吓退。作者在解释梯度下降、反向传播这些核心算法时，反复斟酌语言，并结合图示，循序渐进，使得那些曾经让我头疼不已的数学推导，变得清晰可见，甚至有种豁然开朗的感觉。更值得称道的是，这本书在Python和TensorFlow的应用层面，可以说是做到了极致的细致。它不仅仅是告诉你“怎么做”，更是深入到“为什么这么做”。对于TensorFlow的各种API，不是简单地复制粘贴，而是详细解析了其设计理念和参数的意义，让你在实际编程时，能够游刃有余，而不是死记硬背。我尤其喜欢书中关于模型构建和优化的章节，里面涉及到的各种技巧和注意事项，都是作者在实践中摸索出来的宝贵经验，这些信息在网络上零散的资料中很难系统地找到，这本书却将它们提炼出来，并且有条理地呈现给我。书中还穿插了一些经典的深度学习模型案例，比如CNN、RNN等，作者对这些模型的讲解，既有理论高度，又不乏实践指导，让我能够真正理解它们是如何工作的，以及在不同场景下如何应用。这本书就像一位经验丰富的老工匠，把复杂的机械原理分解开来，用最可靠的工具，一步步地教你如何去制造出精密的机器，让你不仅学会了如何操作，更理解了背后的精髓。

这本《深度学习-基于Python语言和TensorFlow平台》这本书，简直是我近期学习生涯中的一道曙光！刚拿到手的时候，我其实抱着一种试试看的心态，毕竟深度学习这个领域听起来就很高大上，而且市面上相关的书籍也琳琅满目，要找到一本真正适合自己的、又足够深入浅出的，实在不容易。但这本书的开篇就让我眼前一亮，它没有上来就堆砌复杂的数学公式或者晦涩的概念，而是从一个非常直观的角度，比如我们生活中常见的图像识别、语音识别等应用场景入手，一下子就抓住了我的兴趣。作者的叙述方式非常流畅，就像是在和一位经验丰富的导师在交流，一步步地引导我进入深度学习的世界。尤其是在介绍Python和TensorFlow这两个核心工具时，那种讲解的细致程度，让我这个对编程不算特别精通的读者也能很快跟上节奏。他不是简单地罗列API，而是会解释每一个函数、每一个模块背后的逻辑和作用，让你知其然，更知其所以然。我还记得在学习神经网络的搭建部分，作者用了很多形象的比喻，把那些复杂的计算过程分解得非常易懂，让我不再觉得深度学习只是一个遥不可及的“黑箱”。这本书的实践性也非常强，每个章节后面都配有相应的代码示例，而且代码风格清晰、注释完整，可以直接拿来运行和修改，这对我这种喜欢边学边练的学习者来说，简直是福音。我甚至可以根据书中的例子，尝试去解决一些自己感兴趣的小问题，这种成就感是其他很多理论性书籍无法给予的。总的来说，这本书为我打开了深度学习的大门，让我从一开始的畏惧，变成了现在的跃跃欲试，迫不及待地想去探索更多更深的知识。

一直想看深度学习方面的书，最后选了这本作为深度学习的第一本入门书，个人感觉写的还是比较浅显易懂的。配合python的应用实例，对TensorFlow和Keras的使用有了一定的了解，也介绍了卷积神经网络和循环神经网络，对打开深度学习的大门很有帮助

强烈建议～适合我这种新手入门，通俗易懂，详细到令人发指！！！

代码很冗余 有大量稍作修改的重复代码 对于TensorFlow基本内容讲的很详细 新的和难的知识只是提及 定位也就是一本神经网络入门书

代码很冗余 有大量稍作修改的重复代码 对于TensorFlow基本内容讲的很详细 新的和难的知识只是提及 定位也就是一本神经网络入门书

一直想看深度学习方面的书，最后选了这本作为深度学习的第一本入门书，个人感觉写的还是比较浅显易懂的。配合python的应用实例，对TensorFlow和Keras的使用有了一定的了解，也介绍了卷积神经网络和循环神经网络，对打开深度学习的大门很有帮助