人工智能原理與實踐:基于Python語言和TensorFlow
定 價:49.8 元
- 作者:張明 何艷珊 杜永文
- 出版時間:2019/8/1
- ISBN:9787115509291
- 出 版 社:人民郵電出版社
- 中圖法分類:TP18
- 頁碼:204
- 紙張:
- 版次:01
- 開本:16開
本書是一本針對高校學生的絕佳TensorFlow學習教材。作者結合眾多高質(zhì)量的代碼,生動講解了TensorFlow的底層原理,并從實際應用問題入手,從實踐的角度出發(fā),通過具體的TensorFlow案例程序介紹常見的模型和應用解決辦法。同時,在教材中還介紹了模型部署和編程過程中所用到的諸多開發(fā)技巧。是學習和掌握人工智能這個最新、最火的IT領域的推薦圖書。
1、圖書內(nèi)容倡導并實踐理論實踐相結合的教學方式,鼓勵并督促學生“學習和練習相結合,理論與 實踐相結合”。針對圖書所要求的理論與實踐并重,兩方面都要抓,兩方面都要硬的要求,在實際教學過程中,除了基本的課堂授課以外,還會將知識點都設計并貫穿到實驗中,當堂實驗當堂講解當堂掌握,讓學生盡快掌握基本知識的應用。
2、將 Python語言內(nèi)容加入課程中,使得學生能夠學習了解到目前 IT領域內(nèi)比較受歡迎的熱門編程 語言。進一步擴寬學生的知識范圍,并為以后的就業(yè)打下了扎實的理論和實踐基礎。
3、TensorFlow 使用 Python 來構建和執(zhí)行 graphs、編寫程序等工作。Python 作為一種流行的腳本語言,擁有免費、跨平臺、簡單易用、使用廣泛等優(yōu)點;將它應用在人工智能課程的實驗項目上,可以明顯減少花費在實驗項目上的時間,用Python 語言所寫的代碼也更加易于閱讀和維護;不需要學習龐大的AO 接口;能夠快速簡單的建立工作流;
4、本圖書根據(jù)實際課程要求的培養(yǎng)目標,結合高校相關專業(yè)學生的實際情況,制定了具有鮮明自身特色的教學大綱,從知識的深度和廣度兩方面進一步針對目前流行的人工智能教材進行重新編寫,使教材內(nèi)容更加的通俗易懂,并具備向國內(nèi)其他高校相關專業(yè)進行普及的特點。
5、在理論教學和實驗教學的手段運用方面,將動畫的形式融入到多媒體教學中,從而將計算機進行思維的過程和特點以及一些繁瑣的算法推理,動態(tài)的展現(xiàn)給學生,進一步增強學生的學習興趣,提高學生的學習積極性。
6.本課程是谷歌產(chǎn)學合作項目支持課程。
張明 蘭州交通大學電信學院教師,韓國釜山廣域市國立釜慶大學獲工學博士學位。
何艷珊 蘭州交通大學電信學院教師,主要研究方向:數(shù)據(jù)挖掘與數(shù)據(jù)庫。
杜永文,碩士生導師,蘭州交通大學物聯(lián)網(wǎng)工程實驗室主任。2005年11月到蘭州交通大學任教至今;2005年1月畢業(yè)于西北工業(yè)大學,并獲工學博士學位。
基 礎 篇
第1章 緒論 1
1.1 人工智能簡介 1
1.1.1 人工智能的概念 1
1.1.2 現(xiàn)代人工智能的興起 5
1.1.3 人工智能的學術流派 5
1.2 人工智能的發(fā)展歷史 8
1.2.1 孕育期(1956年之前) 8
1.2.2 形成期(1956~1969年) 9
1.2.3 發(fā)展期(1970年之后) 11
1.3 人工智能技術的研究內(nèi)容與應用領域 13
1.3.1 神經(jīng)網(wǎng)絡 14
1.3.2 機器學習 15
1.3.3 模式識別 15
1.3.4 自然語言理解 16
1.3.5 專家系統(tǒng) 17
1.3.6 博弈 17
1.3.7 智能控制 18
1.3.8 其他 18
1.4 人工智能與TensorFlow 18
1.4.1 機器學習與深度學習 18
1.4.2 TensorFlow概念 20
1.4.3 TensorFlow的應用 23
第2章 Python基礎應用 25
2.1 引言 25
2.2 Python的安裝 25
2.3 數(shù)據(jù)類型與數(shù)據(jù)結構 29
2.4 數(shù)字 29
2.5 變量及其命名規(guī)則 29
2.6 語句和表達式 30
2.7 字符串 31
2.8 容器 32
2.8.1 列表 32
2.8.2 元組 35
2.8.3 字典 35
2.8.4 復制 36
2.9 函數(shù) 38
2.9.1 常用內(nèi)置函數(shù)及高階函數(shù) 38
2.9.2 用戶自定義函數(shù) 42
2.10 常用庫 43
2.10.1 時間庫 43
2.10.2 科學計算庫(NumPy) 47
2.10.3 可視化繪圖庫(Matplotlib) 54
2.10.4 鎖與線程 58
2.10.5 多線程編程 59
第3章 TensorFlow基礎 62
3.1 TensorFlow的架構 62
3.2 TensorFlow的開發(fā)環(huán)境搭建 66
3.3 數(shù)據(jù)流圖簡介 77
3.3.1 數(shù)據(jù)流圖基礎 77
3.3.2 節(jié)點的依賴關系 80
3.4 TensorFlow中定義數(shù)據(jù)流圖 83
3.4.1 構建一個TensorFlow數(shù)據(jù)流圖 83
3.4.2 張量思維 87
3.4.3 張量的形狀 90
3.4.4 TensorFlow的Op 91
3.4.5 TensorFlow的Graph對象 93
3.4.6 TensorFlow的Session 94
3.4.7 輸入與占位符 97
3.4.8 Variable對象 98
3.5 通過名稱作用域組織數(shù)據(jù)流圖 100
3.6 構建數(shù)據(jù)流圖 105
3.7 運行數(shù)據(jù)流圖 108
第4章 TensorFlow運作方式 114
4.1 數(shù)據(jù)的準備和下載 114
4.2 圖表構建與推理 115
4.2.1 圖表構建 115
4.2.2 推理 116
4.3 損失與訓練 117
4.3.1 損失 117
4.3.2 訓練 117
4.4 狀態(tài)檢查與可視化 118
4.4.1 狀態(tài)檢查 118
4.4.2 狀態(tài)可視化 119
4.5 評估模型 120
4.6 評估圖表的構建與輸出 123
4.6.1 評估圖表的構建 123
4.6.2 評估圖表的輸出 123
實 戰(zhàn) 篇
第5章 MNIST機器學習 125
5.1 MNIST數(shù)據(jù)集簡介 125
5.2 MNIST數(shù)據(jù)下載 127
5.2.1 數(shù)據(jù)的準備 129
5.2.2 數(shù)據(jù)重構 130
5.2.3 數(shù)據(jù)集對象 130
5.3 softmax回歸模型簡介 131
5.4 模型的訓練與評估 132
5.5 TensorFlow模型基本步驟 135
5.6 構建softmax回歸模型 135
第6章 卷積神經(jīng)網(wǎng)絡 138
6.1 卷積神經(jīng)網(wǎng)絡 138
6.2 卷積神經(jīng)網(wǎng)絡的模型架構 142
6.2.1 ImageNet-2010網(wǎng)絡結構 142
6.2.2 DeepID網(wǎng)絡結構 143
6.3 卷積運算 144
6.3.1 輸入和卷積核 145
6.3.2 降維 145
6.3.3 填充 145
6.3.4 數(shù)據(jù)格式 145
6.4 卷積常見層 146
6.4.1 卷積層 146
6.4.2 池化層 149
6.4.3 歸一化 150
6.4.4 高級層 151
6.5 TensorFlow和圖像 152
6.5.1 圖像加載 152
6.5.2 圖像格式 152
6.5.3 圖像操作 152
6.5.4 顏色空間變換 153
6.6 模型訓練 153
6.7 模型評估 154
6.8 多GPU的模型訓練 154
第7章 字詞的向量表示 155
7.1 WordEmbedding的基本概念和知識 156
7.2 Skip-Gram模型 158
7.2.1 數(shù)據(jù)集的準備 160
7.2.2 模型結構 161
7.2.3 處理噪聲對比 162
7.2.4 模型訓練 163
7.3 嵌套學習可視化與評估 164
7.4 優(yōu)化實現(xiàn) 166
第8章 遞歸神經(jīng)網(wǎng)絡 168
8.1 遞歸神經(jīng)網(wǎng)絡的架構 169
8.2 PTB數(shù)據(jù) 170
8.3 模型及LSTM 170
8.3.1 LSTM的概念 172
8.3.2 LSTM的結構 173
8.3.3 LSTM的控制門 173
8.4 反向傳播的截斷 175
8.5 輸入與損失函數(shù) 175
8.6 多個LSTM層堆疊 175
8.7 代碼的編譯與運行 176
第9章 Mandelbrot集合 177
9.1 庫的導入 178
9.2 會話和變量初始化 179
9.3 定義并運行計算 179
第10章 偏微分方程模擬仿真 180
10.1 計算函數(shù)的定義 180
10.2 偏微分方程的定義 182
10.3 仿真 183
第11章 人臉識別 185
11.1 人臉識別概念 185
11.2 人臉識別的流程 188
11.2.1 人臉圖像的采集 188
11.2.2 人臉圖像的檢測 189
11.2.3 人臉圖像的預處理 189
11.2.4 人臉圖像的特征提取 189
11.2.5 人臉圖像的匹配與識別 190
11.2.6 活體鑒別 190
11.3 人臉識別種類 190
11.3.1 人臉檢測 190
11.3.2 人臉關鍵點檢測 191
11.3.3 人臉驗證 194
11.4 人臉檢測 194
11.4.1 LFW數(shù)據(jù)集 194
11.4.2 數(shù)據(jù)預處理與檢測 195
11.5 性別和年齡識別 196
11.5.1 數(shù)據(jù)預處理 198
11.5.2 模型構建 198
11.5.3 模型訓練 203
11.5.4 模型驗證 204