關(guān)于我們
書單推薦
新書推薦
|
深度學習之TensorFlow:入門、原理與進階實戰(zhàn)
本書通過96個案例,全面講解了深度學習神經(jīng)網(wǎng)絡(luò)原理和TensorFlow使用方法。全書共分為3篇,第1篇深度學習與TensorFlow基礎(chǔ),包括快速了解人工智能與TensorFlow、搭建開發(fā)環(huán)境、TensorFlow基本開發(fā)步驟、TensorFlow編程基礎(chǔ)、識別圖中模糊的手寫數(shù)字等內(nèi)容;第2篇深度學習基礎(chǔ)——神經(jīng)網(wǎng)絡(luò),介紹了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)模型,包括單個神經(jīng)元、多層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)等內(nèi)容;第3篇深度學習進階,是對基礎(chǔ)網(wǎng)絡(luò)模型的靈活運用與自由組合,是對前面知識的綜合及拔高,包括深度神經(jīng)網(wǎng)絡(luò)和對抗神經(jīng)網(wǎng)絡(luò)兩章內(nèi)容。本書特別適合TensorFlow深度學習的初學者和進階讀者閱讀,也適合社會培訓班和各大院校對深度學習有興趣的學生閱讀。
最近,人工智能話題熱度不減,IT領(lǐng)域甚至言必稱之。
從人工智能的技術(shù)突破看,在語音和圖像識別等方面,在特定領(lǐng)域和特定類別下,計算機的處理能力已經(jīng)接近甚至超過人類。此外,人工智能在人們傳統(tǒng)認為很難由機器取得成功的認知領(lǐng)域也有所突破。
我國目前在人工智能技術(shù)研究方面已經(jīng)走在了世界前列,人工智能應用領(lǐng)域已經(jīng)非常寬廣,涵蓋了從智能機器人到智能醫(yī)療、智能安防、智能家居和智慧城市,再到語音識別、手勢控制和自動駕駛等領(lǐng)域。
百度CEO李彥宏判斷:人工智能是一個非常大的產(chǎn)業(yè),會持續(xù)很長時間,在未來的20年到50年間都會是快速發(fā)展的。
人工智能“火”起來主要有3個原因:互聯(lián)網(wǎng)大量的數(shù)據(jù)、強大的運算能力、深度學習的突破。其中,深度學習是機器學習方法之一,是讓計算機從周圍世界或某個特定方面的范例中進行學習從而變得更加智能的一種方式。
面對人工智能如火如荼的發(fā)展趨勢,IT領(lǐng)域也掀起了一波深度學習熱潮,但是其海量的應用數(shù)學術(shù)語和公式,將不少愛好者拒之門外。本書由淺入深地講解了深度學習的知識體系,將專業(yè)性較強的公式和理論轉(zhuǎn)化成通俗易懂的簡單邏輯描述語言,幫助非數(shù)學專業(yè)的愛好者搭上人工智能的“列車”。
本書特色 1.配教學視頻 為了讓讀者更好地學習本書內(nèi)容,作者對每一章內(nèi)容都錄制了教學視頻。借助這些視頻,讀者可以更輕松地學習。
2.大量的典型應用實例,實戰(zhàn)性強,有較高的應用價值 本書提供了96個深度學習相關(guān)的網(wǎng)絡(luò)模型實例,將原理的講解最終都落實到了代碼實現(xiàn)上。而且這些實例會隨著圖書內(nèi)容的推進,不斷趨近于工程化的項目,具有很高的應用價值和參考性。
3.完整的源代碼和訓練數(shù)據(jù)集 書中所有的代碼都提供了免費下載途徑,使讀者學習更方便。另外,讀者可以方便地獲得書中案例的訓練數(shù)據(jù)集。如果數(shù)據(jù)集是來源于網(wǎng)站,則提供了有效的下載鏈接;如果是作者制作的,在隨書資源中可直接找到。
4.由淺入深、循序漸進的知識體系,通俗易懂的語言 本書按照讀者的接受度搭建知識體系,由淺入深、循序漸進,并盡最大可能地將學術(shù)語言轉(zhuǎn)化為容易讓讀者理解的語言。
5.拒絕生僻公式和符號,落地性強 在文字表達上,本書也盡量使用計算機語言編寫的代碼來表述對應的數(shù)學公式,這樣即使不習慣用數(shù)學公式的讀者,也能夠容易地理解。
6.內(nèi)容全面,應用性強 本書提供了從單個神經(jīng)元到對抗神經(jīng)網(wǎng)絡(luò),從有監(jiān)督學習到半監(jiān)督學習,從簡單的數(shù)據(jù)分類到語音、語言、圖像分類乃至樣本生成等一系列前沿技術(shù),具有超強的實用性,讀者可以隨時查閱和參考。
7.大量寶貴經(jīng)驗的分享 授之以魚不如授之以漁。本書在講解知識點的時候,更注重方法與經(jīng)驗的傳遞。全書共有幾十個“注意”標簽,其中內(nèi)容都是“含金量”很高的成功經(jīng)驗分享與易錯事項總結(jié),有關(guān)于理論理解的,有關(guān)于操作細節(jié)的。這些內(nèi)容可以幫助讀者在學習的路途上披荊斬棘,快速融會貫通。
本書內(nèi)容 第1篇 深度學習與TensorFlow基礎(chǔ)(第1~5章) 第1章快速了解人工智能與TensorFlow,主要介紹了以下內(nèi)容:
。1)人工智能、深度學習、神經(jīng)網(wǎng)絡(luò)三者之間的關(guān)系,TensorFlow軟件與深度學習之間的關(guān)系及其特點; 。2)其他主流深度學習框架的特點; (3)一些關(guān)于如何學習深度學習和使用本書的建議。
第2章搭建開發(fā)環(huán)境,介紹了如何搭建TensorFlow開發(fā)環(huán)境。具體包括:
(1)TensorFlow的下載及在不同平臺上的安裝方法; (2)TensorFlow開發(fā)工具(本書用的是Anaconda開發(fā)工具)的下載、安裝和使用。
如要安裝GPU版的TensorFlow,書中也詳細介紹了如何安裝CUDA驅(qū)動來支持GPU運算。
第3章TensorFlow基本開發(fā)步驟——以邏輯回歸擬合二維數(shù)據(jù)為例,首先是一個案例,有一組數(shù)據(jù),通過TensorFlow搭配模型并訓練模型,讓模型找出其中y≈2x的規(guī)律。在這個案例的基礎(chǔ)上,引出了在神經(jīng)網(wǎng)絡(luò)中“模型”的概念,并介紹了TensorFlow開發(fā)一個模型的基本步驟。
第4章TensorFlow編程基礎(chǔ),主要介紹了TensorFlow框架中編程的基礎(chǔ)知識。具體包括:
。1)編程模型的系統(tǒng)介紹; 。2)TensorFlow基礎(chǔ)類型及操作函數(shù); 。3)共享變量的作用及用法; 。4)與“圖”相關(guān)的一些基本操作; 。5)分布式配置TensorFlow的方法。
第5章識別圖中模糊的手寫數(shù)字(實例21),是一個完整的圖像識別實例,使用TensorFlow構(gòu)建并訓練了一個簡單的神經(jīng)網(wǎng)絡(luò)模型,該模型能識別出圖片中模糊的手寫數(shù)字5、0、4、1。通過這個實例,讀者一方面可以鞏固第4章所學的TensorFlow編程基礎(chǔ)知識,另一方面也對神經(jīng)網(wǎng)絡(luò)有一個大體的了解,并掌握最簡單的圖像識別方法。
第2篇 深度學習基礎(chǔ)——神經(jīng)網(wǎng)絡(luò)中(第6~10章) 第6章單個神經(jīng)元,介紹了神經(jīng)網(wǎng)絡(luò)中最基礎(chǔ)的單元。首先講解了神經(jīng)元的擬合原理,然后分別介紹了模型優(yōu)化所需的一些關(guān)鍵技術(shù):
* 激活函數(shù)——加入非線性因素,解決線性模型缺陷;* softmax算法——處理分類問題;* 損失函數(shù)——用真實值與預測值的距離來指導模型的收斂方向;* 梯度下降——讓模型逼近最小偏差;* 初始化學習參數(shù)。
最后還介紹了在單個神經(jīng)元基礎(chǔ)上擴展的網(wǎng)絡(luò)——Maxout。
第7章多層神經(jīng)網(wǎng)絡(luò)——解決非線性問題,先通過兩個例子(分辨良性與惡性腫瘤、將數(shù)據(jù)按顏色分為3類)來說明線性問題,進而引出非線性問題。然后介紹了如何使用多個神經(jīng)元組成的全連接網(wǎng)絡(luò)進行非線性問題的分類。最后介紹了全連接網(wǎng)絡(luò)在訓練中常用的優(yōu)化技巧:正則化、增大數(shù)據(jù)集和Dropout等。
第8章卷積神經(jīng)網(wǎng)絡(luò)——解決參數(shù)太多問題,通過分析全連接網(wǎng)絡(luò)的局限性,引出卷積神經(jīng)網(wǎng)絡(luò)。首先分別介紹了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和函數(shù),并通過一個綜合的圖片分類實例介紹了卷積神經(jīng)網(wǎng)絡(luò)的應用。接著介紹了反卷積神經(jīng)網(wǎng)絡(luò)的原理,并通過多個實例介紹了反卷積神經(jīng)網(wǎng)絡(luò)的應用。最后通過多個實例介紹了深度學習中模型訓練的一些技巧。
第9章循環(huán)神經(jīng)網(wǎng)絡(luò)——具有記憶功能的網(wǎng)絡(luò),本章先解釋了人腦記憶,從而引出了機器學習中具有類似功能的循環(huán)神經(jīng)網(wǎng)絡(luò),介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的工作原理,并通過實例介紹了簡單RNN的一些應用。接著介紹了RNN的一些改進技術(shù),如LSTM、GRU和BiRNN等,并通過大量的實例,介紹了如何通過TensorFlow實現(xiàn)RNN的應用。從9.5節(jié)起,用了大量的篇幅介紹RNN在語音識別和語言處理方面的應用,先介紹幾個案例——利用BiRNN實現(xiàn)語音識別、利用RNN訓練語言模型及語言模型的系統(tǒng)學習等,然后將前面的內(nèi)容整合成一個功能更完整的機器人,它可以實現(xiàn)中英文翻譯和聊天功能。讀者還可以再擴展該機器人的功能,如實現(xiàn)對對聯(lián)、講故事、生成文章摘要等功能。
第10章自編碼網(wǎng)絡(luò)——能夠自學習樣本特征的網(wǎng)絡(luò),首先從一個最簡單的自編碼網(wǎng)絡(luò)講起,介紹其網(wǎng)絡(luò)結(jié)構(gòu)和具體的代碼實現(xiàn)。然后分別介紹了去噪自編碼、棧式自編碼、變分自編碼和條件變分自編碼等網(wǎng)絡(luò)結(jié)構(gòu),并且在講解每一種結(jié)構(gòu)時都配有對應的實例。
第3篇 深度學習進階(第11、12章) 第11章深度神經(jīng)網(wǎng)絡(luò),從深度神經(jīng)網(wǎng)絡(luò)的起源開始,逐步講解了深度神經(jīng)網(wǎng)絡(luò)的歷史發(fā)展過程和一些經(jīng)典模型,并分別詳細介紹了這些經(jīng)典模型的特點及內(nèi)部原理。接著詳細介紹了使用slim圖片分類模型庫進行圖像識別和圖像檢測的兩個實例。最后介紹了實物檢測領(lǐng)域的其他一些相關(guān)模型。
第12章對抗神經(jīng)網(wǎng)絡(luò),從對抗神經(jīng)網(wǎng)絡(luò)(GAN)的理論開始,分別介紹了DCGAN、AEGAN、InfoGAN、ACGAN、WGAN、LSGAN和SRGAN等多種GAN的模型及應用,并通過實例演示了生成指定模擬樣本和超分辨率重建的過程。
本書讀者對象* 深度學習初學者;* 人工智能初學者;* 深度學習愛好者;* 人工智能工程師;* TensorFlow初級開發(fā)人員;* 需要提高動手能力的深度學習技術(shù)人員;* 名大院校的相關(guān)學生。
關(guān)于作者 本書由李金洪主筆編寫。其他參與本書編寫的人員還有馬峰、孫朝暉、鄭一友、王其景、張弨、白林、彭詠文、宋文利。
另外,吳宏偉先生也參與了本書后期的編寫工作,為本書做了大量的細節(jié)調(diào)整。因為有了他的逐字推敲和一絲不茍,才使得本書行文更加通暢和通俗易懂。在此表示深深的感謝!
雖然我們對書中所述內(nèi)容都盡量核實,并多次進行了文字校對,但因時間所限,加之水平所限,書中疏漏和錯誤在所難免,敬請廣大讀者批評指正。聯(lián)系我們可以加入本書討論QQ群40016981,也可發(fā)E-mail到hzbook2017@163.com。
目錄
配套學習資源
前言
第1篇 深度學習與TensorFlow基礎(chǔ)
第1章 快速了解人工智能與TensorFlow2
1.1 什么是深度學習2
1.2 TensorFlow是做什么的3
1.3 TensorFlow的特點4
1.4 其他深度學習框架特點及介紹5
1.5 如何通過本書學好深度學習6
1.5.1 深度學習怎么學6
1.5.2 如何學習本書7
第2章 搭建開發(fā)環(huán)境8
2.1 下載及安裝Anaconda開發(fā)工具8
2.2 在Windows平臺下載及安裝TensorFlow11
2.3 GPU版本的安裝方法12
2.3.1 安裝CUDA軟件包12
2.3.2 安裝cuDNN庫13
2.3.3 測試顯卡14
2.4 熟悉Anaconda 3開發(fā)工具15
2.4.1 快速了解Spyder16
2.4.2 快速了解Jupyter Notebook18
第3章 TensorFlow基本開發(fā)步驟——以邏輯回歸擬合二維數(shù)據(jù)為例19
3.1 實例1:從一組看似混亂的數(shù)據(jù)中找出y≈2x的規(guī)律19
3.1.1 準備數(shù)據(jù)20
3.1.2 搭建模型21
3.1.3 迭代訓練模型23
3.1.4 使用模型25
3.2 模型是如何訓練出來的25
3.2.1 模型里的內(nèi)容及意義25
3.2.2 模型內(nèi)部的數(shù)據(jù)流向26
3.3 了解TensorFlow開發(fā)的基本步驟27
3.3.1 定義輸入節(jié)點的方法27
3.3.2 實例2:通過字典類型定義輸入節(jié)點28
3.3.3 實例3:直接定義輸入節(jié)點28
3.3.4 定義“學習參數(shù)”的變量29
3.3.5 實例4:通過字典類型定義“學習參數(shù)”29
3.3.6 定義“運算”29
3.3.7 優(yōu)化函數(shù),優(yōu)化目標30
3.3.8 初始化所有變量30
3.3.9 迭代更新參數(shù)到最優(yōu)解31
3.3.10 測試模型31
3.3.11 使用模型31
第4章 TensorFlow編程基礎(chǔ)32
4.1 編程模型32
4.1.1 了解模型的運行機制33
4.1.2 實例5:編寫hello world程序演示session的使用34
4.1.3 實例6:演示with session的使用35
4.1.4 實例7:演示注入機制35
4.1.5 建立session的其他方法36
4.1.6 實例8:使用注入機制獲取節(jié)點36
4.1.7 指定GPU運算37
4.1.8 設(shè)置GPU使用資源37
4.1.9 保存和載入模型的方法介紹38
4.1.10 實例9:保存/載入線性回歸模型38
4.1.11 實例10:分析模型內(nèi)容,演示模型的其他保存方法40
4.1.12 檢查點(Checkpoint)41
4.1.13 實例11:為模型添加保存檢查點41
4.1.14 實例12:更簡便地保存檢查點44
4.1.15 模型操作常用函數(shù)總結(jié)45
4.1.16 TensorBoard可視化介紹45
4.1.17 實例13:線性回歸的TensorBoard可視化46
4.2 TensorFlow基礎(chǔ)類型定義及操作函數(shù)介紹48
4.2.1 張量及操作49
4.2.2 算術(shù)運算函數(shù)55
4.2.3 矩陣相關(guān)的運算56
4.2.4 復數(shù)操作函數(shù)58
4.2.5 規(guī)約計算59
4.2.6 分割60
4.2.7 序列比較與索引提取61
4.2.8 錯誤類62
4.3 共享變量62
4.3.1 共享變量用途62
4.3.2 使用get-variable獲取變量63
4.3.3 實例14:演示get_variable和Variable的區(qū)別63
4.3.4 實例15:在特定的作用域下獲取變量65
4.3.5 實例16:共享變量功能的實現(xiàn)66
4.3.6 實例17:初始化共享變量的作用域67
4.3.7 實例18:演示作用域與操作符的受限范圍68
4.4 實例19:圖的基本操作70
4.4.1 建立圖70
4.4.2 獲取張量71
4.4.3 獲取節(jié)點操作72
4.4.4 獲取元素列表73
4.4.5 獲取對象73
4.4.6 練習題74
4.5 配置分布式TensorFlow74
4.5.1 分布式TensorFlow的角色及原理74
4.5.2 分布部署TensorFlow的具體方法75
4.5.3 實例20:使用TensorFlow實現(xiàn)分布式部署訓練75
4.6 動態(tài)圖(Eager)81
4.7 數(shù)據(jù)集(tf.data)82
第5章 識別圖中模糊的手寫數(shù)字(實例21)83
5.1 導入圖片數(shù)據(jù)集84
5.1.1 MNIST數(shù)據(jù)集介紹84
5.1.2 下載并安裝MNIST數(shù)據(jù)集85
5.2 分析圖片的特點,定義變量87
5.3 構(gòu)建模型87
5.3.1 定義學習參數(shù)87
5.3.2 定義輸出節(jié)點88
5.3.3 定義反向傳播的結(jié)構(gòu)88
5.4 訓練模型并輸出中間狀態(tài)參數(shù)89
5.5 測試模型90
5.6 保存模型91
5.7 讀取模型92
第2篇 深度學習基礎(chǔ)——神經(jīng)網(wǎng)絡(luò)
第6章 單個神經(jīng)元96
6.1 神經(jīng)元的擬合原理96
6.1.1 正向傳播98
6.1.2 反向傳播98
6.2 激活函數(shù)——加入非線性因素,解決線性模型缺陷99
6.2.1 Sigmoid函數(shù)99
6.2.2 Tanh函數(shù)100
6.2.3 ReLU函數(shù)101
6.2.4 Swish函數(shù)103
6.2.5 激活函數(shù)總結(jié)103
6.3 softmax算法——處理分類問題103
6.3.1 什么是softmax104
6.3.2 softmax原理104
6.3.3 常用的分類函數(shù)105
6.4 損失函數(shù)——用真實值與預測值的距離來指導模型的收斂方向105
6.4.1 損失函數(shù)介紹105
6.4.2 TensorFlow中常見的loss函數(shù)106
6.5 softmax算法與損失函數(shù)的綜合應用108
6.5.1 實例22:交叉熵實驗108
6.5.2 實例23:one_hot實驗109
6.5.3 實例24:sparse交叉熵的使用110
6.5.4 實例25:計算loss值110
6.5.5 練習題111
6.6 梯度下降——讓模型逼近最小偏差111
6.6.1 梯度下降的作用及分類111
6.6.2 TensorFlow中的梯度下降函數(shù)112
6.6.3 退化學習率——在訓練的速度與精度之間找到平衡113
6.6.4 實例26:退化學習率的用法舉例114
6.7 初始化學習參數(shù)115
6.8 單個神經(jīng)元的擴展——Maxout網(wǎng)絡(luò)116
6.8.1 Maxout介紹116
6.8.2 實例27:用Maxout網(wǎng)絡(luò)實現(xiàn)MNIST分類117
6.9 練習題118
第7章 多層神經(jīng)網(wǎng)絡(luò)——解決非線性問題119
7.1 線性問題與非線性問題119
7.1.1 實例28:用線性單分邏輯回歸分析腫瘤是良性還是惡性的119
7.1.2 實例29:用線性邏輯回歸處理多分類問題123
7.1.3 認識非線性問題129
7.2 使用隱藏層解決非線性問題130
7.2.1 實例30:使用帶隱藏層的神經(jīng)網(wǎng)絡(luò)擬合異或操作130
7.2.2 非線性網(wǎng)絡(luò)的可視化及其意義133
7.2.3 練習題135
7.3 實例31:利用全連接網(wǎng)絡(luò)將圖片進行分類136
7.4 全連接網(wǎng)絡(luò)訓練中的優(yōu)化技巧137
7.4.1 實例32:利用異或數(shù)據(jù)集演示過擬合問題138
7.4.2 正則化143
7.4.3 實例33:通過正則化改善過擬合情況144
7.4.4 實例34:通過增大數(shù)據(jù)集改善過擬合145
7.4.5 練習題146
7.4.6 dropout——訓練過程中,將部分神經(jīng)單元暫時丟棄146
7.4.7 實例35:為異或數(shù)據(jù)集模型添加dropout147
7.4.8 實例36:基于退化學習率dropout技術(shù)來擬合異或數(shù)據(jù)集149
7.4.9 全連接網(wǎng)絡(luò)的深淺關(guān)系150
7.5 練習題150
第8章 卷積神經(jīng)網(wǎng)絡(luò)——解決參數(shù)太多問題151
8.1 全連接網(wǎng)絡(luò)的局限性151
8.2 理解卷積神經(jīng)網(wǎng)絡(luò)152
8.3 網(wǎng)絡(luò)結(jié)構(gòu)153
8.3.1 網(wǎng)絡(luò)結(jié)構(gòu)描述153
8.3.2 卷積操作155
8.3.3 池化層157
8.4 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)函數(shù)158
8.4.1 卷積函數(shù)tf.nn.conv2d158
8.4.2 padding規(guī)則介紹159
8.4.3 實例37:卷積函數(shù)的使用160
8.4.4 實例38:使用卷積提取圖片的輪廓165
8.4.5 池化函數(shù)tf.nn.max_pool(avg_pool)167
8.4.6 實例39:池化函數(shù)的使用167
8.5 使用卷積神經(jīng)網(wǎng)絡(luò)對圖片分類170
8.5.1 CIFAR介紹171
8.5.2 下載CIFAR數(shù)據(jù)172
8.5.3 實例40:導入并顯示CIFAR數(shù)據(jù)集173
8.5.4 實例41:顯示CIFAR數(shù)據(jù)集的原始圖片174
8.5.5 cifar10_input的其他功能176
8.5.6 在TensorFlow中使用queue176
8.5.7 實例42:協(xié)調(diào)器的用法演示178
8.5.8 實例43:為session中的隊列加上協(xié)調(diào)器179
8.5.9 實例44:建立一個帶有全局平均池化層的卷積神經(jīng)網(wǎng)絡(luò)180
8.5.10 練習題183
8.6 反卷積神經(jīng)網(wǎng)絡(luò)183
8.6.1 反卷積神經(jīng)網(wǎng)絡(luò)的應用場景184
8.6.2 反卷積原理184
8.6.3 實例45:演示反卷積的操作185
8.6.4 反池化原理188
8.6.5 實例46:演示反池化的操作189
8.6.6 實例47:演示gradients基本用法192
8.6.7 實例48:使用gradients對多個式子求多變量偏導192
8.6.8 實例49:演示梯度停止的實現(xiàn)193
8.7 實例50:用反卷積技術(shù)復原卷積網(wǎng)絡(luò)各層圖像195
8.8 善用函數(shù)封裝庫198
8.8.1 實例51:使用函數(shù)封裝庫重寫CIFAR卷積網(wǎng)絡(luò)198
8.8.2 練習題201
8.9 深度學習的模型訓練技巧201
8.9.1 實例52:優(yōu)化卷積核技術(shù)的演示201
8.9.2 實例53:多通道卷積技術(shù)的演示202
8.9.3 批量歸一化204
8.9.4 實例54:為CIFAR圖片分類模型添加BN207
8.9.5 練習題209
第9章 循環(huán)神經(jīng)網(wǎng)絡(luò)——具有記憶功能的網(wǎng)絡(luò)210
9.1 了解RNN的工作原理210
9.1.1 了解人的記憶原理210
9.1.2 RNN網(wǎng)絡(luò)的應用領(lǐng)域212
9.1.3 正向傳播過程212
9.1.4 隨時間反向傳播213
9.2 簡單RNN215
9.2.1 實例55:簡單循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)——裸寫一個退位減法器215
9.2.2 實例56:使用RNN網(wǎng)絡(luò)擬合回聲信號序列220
9.3 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的改進225
9.3.1 LSTM網(wǎng)絡(luò)介紹225
9.3.2 窺視孔連接(Peephole)228
9.3.3 帶有映射輸出的STMP230
9.3.4 基于梯度剪輯的cell230
9.3.5 GRU網(wǎng)絡(luò)介紹230
9.3.6 Bi-RNN網(wǎng)絡(luò)介紹231
9.3.7 基于神經(jīng)網(wǎng)絡(luò)的時序類分類CTC232
9.4 TensorFlow實戰(zhàn)RNN233
9.4.1 TensorFlow中的cell類233
9.4.2 通過cell類構(gòu)建RNN234
9.4.3 實例57:構(gòu)建單層LSTM網(wǎng)絡(luò)對MNIST數(shù)據(jù)集分類239
9.4.4 實例58:構(gòu)建單層GRU網(wǎng)絡(luò)對MNIST數(shù)據(jù)集分類240
9.4.5 實例59:創(chuàng)建動態(tài)單層RNN網(wǎng)絡(luò)對MNIST數(shù)據(jù)集分類240
9.4.6 實例60:靜態(tài)多層LSTM對MNIST數(shù)據(jù)集分類241
9.4.7 實例61:靜態(tài)多層RNN-LSTM連接GRU對MNIST數(shù)據(jù)集分類242
9.4.8 實例62:動態(tài)多層RNN對MNIST數(shù)據(jù)集分類242
9.4.9 練習題243
9.4.10 實例63:構(gòu)建單層動態(tài)雙向RNN對MNIST數(shù)據(jù)集分類243
9.4.11 實例64:構(gòu)建單層靜態(tài)雙向RNN對MNIST數(shù)據(jù)集分類244
9.4.12 實例65:構(gòu)建多層雙向RNN對MNIST數(shù)據(jù)集分類246
9.4.13 實例66:構(gòu)建動態(tài)多層雙向RNN對MNIST數(shù)據(jù)集分類247
9.4.14 初始化RNN247
9.4.15 優(yōu)化RNN248
9.4.16 實例67:在GRUCell中實現(xiàn)LN249
9.4.17 CTC網(wǎng)絡(luò)的loss——ctc_loss251
9.4.18 CTCdecoder254
9.5 實例68:利用BiRNN實現(xiàn)語音識別255
9.5.1 語音識別背景255
9.5.2 獲取并整理樣本256
9.5.3 訓練模型265
9.5.4 練習題272
9.6 實例69:利用RNN訓練語言模型273
9.6.1 準備樣本273
9.6.2 構(gòu)建模型275
9.7 語言模型的系統(tǒng)學習279
9.7.1 統(tǒng)計語言模型279
9.7.2 詞向量279
9.7.3 word2vec281
9.7.4 實例70:用CBOW模型訓練自己的word2vec283
9.7.5 實例71:使用指定侯選采樣本訓練word2vec293
9.7.6 練習題296
9.8 處理
你還可能感興趣
我要評論
|