标签分类
当前位置:首页 > 人工智能电子书 > 深度学习电子书网盘下载
深度学习:从入门到实战 深度学习:从入门到实战
ASR-06

ASR-06 提供上传

资源
29
粉丝
12
喜欢
281
评论
17

    深度学习:从入门到实战 PDF 完整影印版

    深度学习电子书
    • 发布时间:

    给大家带来的一篇关于深度学习相关的电子书资源,介绍了关于深度学习、从入门到实战方面的内容,本书是由中国铁道出版社出版,格式为PDF,资源大小183.5 MB,高志强编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.9,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • 深度学习:从入门到实战 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1U12yX8dtircdL1JGIbDrr
  • 分享码:spn8
  • 深度学习:从入门到实战

    内容介绍

    深度学习:从入门到实战》革除了枯燥乏味的基础理论求算,以很多实战运用实例及专业知识控制模块等內容协助深度学习行业的初、中级程序员安稳根据深度学习的技术性门坎,进一步提高开发设计专业技能,积淀开发设计工作经验。

    实战运用实例丰富多彩,从入门到精通地分析深度学习的科学方法论和深度学习实战运用是这书的一整特点,全书详尽叙述了深度学习中涉及到的神经系统网络基础知识、科学方法论分析与关键技术;一起从13个落地式实践活动视角论述了深度学习的实践活动运用。

    除此之外,这书中全部实例的编码程序流程均能够运作,小读者依照相对表明,只能获得预期目标,期待这书的勤奋能够为小读者在深度学习行业出示必须协助,这就是说人们的驱动力与追求完美。

    目录

    • 第1篇深度学习入门篇
    • 第0章引言:从人工智能到深度学习 2
    • 第1章深度学习入门基础 16
    • 第2章神经网络原理与实现 38
    • 第2篇深度学习方法论解析篇
    • 第3章卷积神经网络(CNN) 58
    • 第4章生成式对抗网络(GAN) 84
    • 第5章循环神经网络(RNN) 117
    • 第3篇深度学习实战篇
    • 第6章深度学习主流工具及框架 142
    • 第7章 AlexNet关键技术与实战 182
    • 第8章将手写体识别进行到底 211
    • 第9章基于深度学习的视频检测 240
    • 第10章基于深度学习的信息隐藏 264
    • 第11章基于深度学习的服装识别 289

    读书笔记

    Python编程深度学习计算库之numpy

    NumPy是python下的计算库,被非常广泛地应用,尤其是近来的深度学习的推广。在这篇文章中,将会介绍使用numpy进行一些最为基础的计算。

    NumPy vs SciPy

    NumPy和SciPy都可以进行运算,主要区别如下

    Python编程深度学习计算库之numpy

    最近比较热门的深度学习,比如在神经网络的算法,多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念,你会非常清晰numpy的作用。所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识。

    安装

    liumiaocn:tmp liumiao$ pip install numpy
    Collecting numpy
     Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7MB)
      100% |████████████████████████████████| 4.7MB 284kB/s 
    Installing collected packages: numpy
    Successfully installed numpy-1.14.5
    liumiaocn:tmp liumiao$

    确认

    liumiaocn:tmp liumiao$ pip show numpy
    Name: numpy
    Version: 1.14.5
    Summary: NumPy: array processing for numbers, strings, records, and objects.
    Home-page: http://www.numpy.org
    Author: Travis E. Oliphant et al.
    Author-email: None
    License: BSD
    Location: /usr/local/lib/python2.7/site-packages
    Requires: 
    Required-by: 
    liumiaocn:tmp liumiao$

    使用

    使用numpy的数组

    使用如下例子简单来理解一下numpy的数组的使用:

    liumiaocn:tmp liumiao$ cat np-1.py 
    #!/usr/local/bin/python
    import numpy as np
    arr = [1,2,3,4]
    print("array arr: ", arr)
    np_arr = np.array(arr)
    print("numpy array: ", np_arr)
    print("doulbe calc : ", 2 * np_arr)
    print("ndim: ", np_arr.ndim)
    liumiaocn:tmp liumiao$ python np-1.py 
    ('array arr: ', [1, 2, 3, 4])
    ('numpy array: ', array([1, 2, 3, 4]))
    ('doulbe calc : ', array([2, 4, 6, 8]))
    ('ndim: ', 1)
    liumiaocn:tmp liumiao$

    多维数组&ndim/shape

    ndim在numpy中指的是数组的维度,如果是2维值则为2,在下面的例子中构造一个步进为2的等差数列,然后将其进行维度的转换同时输出数组的ndim和shape的值以辅助对于ndim和shape含义的理解。

    liumiaocn:tmp liumiao$ cat np-2.py 
    #!/usr/local/bin/python
    import numpy as np
    arithmetic = np.arange(0,16,2)
    print(arithmetic)
    print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
    #resize to 2*4 2-dim array
    arithmetic.resize(2,4)
    print(arithmetic)
    print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
    #resize to 2*2*2 3-dim array
    array = arithmetic.resize(2,2,2)
    print(arithmetic)
    print("ndim: ",arithmetic.ndim," shape:", arithmetic.shape)
    liumiaocn:tmp liumiao$ python np-2.py 
    [ 0 2 4 6 8 10 12 14]
    ('ndim: ', 1, ' shape:', (8,))
    [[ 0 2 4 6]
     [ 8 10 12 14]]
    ('ndim: ', 2, ' shape:', (2, 4))
    [[[ 0 2]
     [ 4 6]]
     [[ 8 10]
     [12 14]]]
    ('ndim: ', 3, ' shape:', (2, 2, 2))
    liumiaocn:tmp liumiao$ 

    另外也可以使用reshape进行维度的调整。

    等差数列&等比数列

    numpy和matlab写起来有很多函数基本一样,比如等比数列和等差数列可以使用linspace和logspace进行。

    Python编程深度学习计算库之numpy

    logspace缺省的时候指的是以10给底,但是可以通过指定base进行设定

    liumiaocn:tmp liumiao$ cat np-3.py 
    #!/usr/local/bin/python
    import numpy as np
    print("np.linspace(1,4,4):", np.linspace(1,4,4))
    print("np.logspace(1,4,4):", np.logspace(1,4,4))
    print("np.logspace(1,4,4,base=2):",np.logspace(1,4,4,base=2))
    liumiaocn:tmp liumiao$ python np-3.py 
    ('np.linspace(1,4,4):', array([1., 2., 3., 4.]))
    ('np.logspace(1,4,4):', array([  10.,  100., 1000., 10000.]))
    ('np.logspace(1,4,4,base=2):', array([ 2., 4., 8., 16.]))
    liumiaocn:tmp liumiao$

    数组初始化

    numpy提供了很方便的初始化的函数,比如

    Python编程深度学习计算库之numpy

    liumiaocn:tmp liumiao$ cat np-4.py 
    #!/usr/local/bin/python
    import numpy as np
    print("np.zeros(6):",np.zeros(6))
    print("np.zeros((2,3)):",np.zeros((2,3)))
    print("np.ones(6):",np.ones(6))
    print("np.ones((2,3)):",np.ones((2,3)))
    print("np.random.random(6):",np.random.random(6))
    print("np.random.random(6):",np.random.random(6))
    print("np.random.random((2,3)):",np.random.random((2,3)))
    print("np.random.seed(1234)")
    np.random.seed(1234)
    print("np.random.random(6):",np.random.random(6))
    print("np.random.seed(1234)")
    np.random.seed(1234)
    print("np.random.random(6):",np.random.random(6))
    liumiaocn:tmp liumiao$ python np-4.py 
    ('np.zeros(6):', array([0., 0., 0., 0., 0., 0.]))
    ('np.zeros((2,3)):', array([[0., 0., 0.],
        [0., 0., 0.]]))
    ('np.ones(6):', array([1., 1., 1., 1., 1., 1.]))
    ('np.ones((2,3)):', array([[1., 1., 1.],
        [1., 1., 1.]]))
    ('np.random.random(6):', array([0.06909968, 0.27468844, 0.59127996, 0.56973602, 0.45985047,
        0.95384945]))
    ('np.random.random(6):', array([0.62996648, 0.2824114 , 0.2698051 , 0.09262053, 0.50862503,
        0.96600255]))
    ('np.random.random((2,3)):', array([[0.66880129, 0.8834006 , 0.49458989],
        [0.28335563, 0.65711274, 0.76726504]]))
    np.random.seed(1234)
    ('np.random.random(6):', array([0.19151945, 0.62210877, 0.43772774, 0.78535858, 0.77997581,
        0.27259261]))
    np.random.seed(1234)
    ('np.random.random(6):', array([0.19151945, 0.62210877, 0.43772774, 0.78535858, 0.77997581,
        0.27259261]))
    liumiaocn:tmp liumiao$

    总结

    以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对码农之家的支持。如果你想了解更多相关内容请查看下面相关链接

    上一篇:Swift编程权威指南  下一篇:跟阿铭学Linux

    展开 +

    收起 -

    深度学习 相关电子书
    关于深度学习的学习笔记
    网友NO.769506

    Python编程深度学习计算库之numpy

    NumPy是python下的计算库,被非常广泛地应用,尤其是近来的深度学习的推广。在这篇文章中,将会介绍使用numpy进行一些最为基础的计算。 NumPy vs SciPy NumPy和SciPy都可以进行运算,主要区别如下 最近比较热门的深度学习,比如在神经网络的算法,多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念,你会非常清晰numpy的作用。所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识。 安装 liumiaocn:tmp liumiao$ pip install numpyCollecting numpy Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7MB) 100% |████████████████████████████████| 4.7MB 284kB/s Installing collected packages: numpySuccessfully installed numpy-1.14.5liumiaocn:tmp liumiao$ 确认 liumiaocn:tmp liumiao$ pip show numpyName: numpyVersion: 1.14.5Summary: NumPy: array processing for numbers, strings, records, and objects.Home-page: http://www.numpy.orgAuthor: Travis E. Oliphant et al.Author-email: NoneLicense: BSDLocation: /usr/local/lib/python2.7/site-packagesRequires: Required-by: liumiaocn:tmp liumiao$ 使用 使用numpy的数组 使用如下例子简单来理解一下numpy的数组的使用:……

    网友NO.748138

    Spring cloud Feign 深度学习与应用详解

    简介 Spring Cloud Feign是一个声明式的Web Service客户端,它的目的就是让Web Service调用更加简单。Feign提供了HTTP请求的模板,通过编写简单的接口和插入注解,就可以定义好HTTP请求的参数、格式、地址等信息。Feign会完全代理HTTP请求,开发时只需要像调用方法一样调用它就可以完成服务请求及相关处理。开源地址:https://github.com/OpenFeign/feign。Feign整合了Ribbon负载和Hystrix熔断,可以不再需要显式地使用这两个组件。总体来说,Feign具有如下特性: 可插拔的注解支持,包括Feign注解和JAX-RS注解; 支持可插拔的HTTP编码器和解码器; 支持Hystrix和它的Fallback; 支持Ribbon的负载均衡; 支持HTTP请求和响应的压缩。 Spring Cloud Feign致力于处理客户端与服务器之间的调用需求。随着业务的扩展和微服务数量的增多,不可避免的需要面对如下问题: 弹性客户端 雪崩效应 简单来说,使用Spring Cloud Feign组件,他本身整合了Ribbon和Hystrix。可设计一套稳定可靠的弹性客户端调用方案,避免整个系统出现雪崩效应。 雪崩效应 在微服务架构中,微服务是完成一个单一的业务功能,这样做的好处是可以做到解耦,每个微服务可以独立演进。但是,一个应用可能会有多个微服务组成,微服务之间的数据交互通过远程过程调用完成。这就带来一个问题,假设微服务……

    网友NO.846081

    Dlib+OpenCV深度学习人脸识别的方法示例

    前言 人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上,这个识别率确实非常高了,但是真实的环境中的准确率有多少呢?我没有这方面的数据,但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能,但是我们可以仔细想想员工人脸识别管理,海关身份证系统的应用场景对身份的验证功能其实并没有商家吹嘘的那么重要,打个比方说员工上班的时候刷脸如果失败了会怎样,是不是重新识别一下,如果还是误识别,或是识别不出,是不是就干脆刷卡或是其他方式登记上班,然后骂一句他娘的,本人那么帅居然没识别出来!那银行柜员机上人脸识别系统呢,你看它敢不敢让你连密码也不输直接刷脸转账,是不是关掉了人脸识别、指纹识别机器还可以正常运作。所以说真实环境中在各种光照因素、年龄因素、网红因素(化妆)、甚至是作弊因素等各种因素条件下的识别率有多少只有产品厂家自己知道,我相信每个厂家针对这些情况都有做优化,比如外围硬件的辅助,针对特定场景的各种约束等等,通过各个厂家自己在各个方面对系统的优化,是可以提升自身产品的综合体验的。 前面扯远了,本文的目的是……

    网友NO.220135

    《Python深度学习》书评、读书笔记

    读者评价一 现阶段最浅显易懂的深度学习新手入门书,由Keras鼻祖落笔。高手不仅技术性能得,文采都不通常,确实就是说以便让尽量多的人可以应用深度学习而写的这这书,包含了深度学习的基本知识、Keras应用方式及其深度学习最好实践活动。 学习培训这书必须具有基本的PHP专业知识,但不用深度学习或是深度学习工作经验,也不用深奥的数学知识,高中数学水准得以看懂这书。 读者评价二 这这书从6月12号那一天老总递到我手上,到今日恰好六周,你在期内我逐字逐句地啃了这这书,并在每星期的星期二和星期五中午给组里的别人讲这这书,每一次讲3个钟头。直至5分钟前不久说完最终一章,写了180页的幻灯片。 感受从何说起呢?先讲Keras吧,这这书的创作者是Keras的创作者,因此这书主要详细介绍Keras在deeplearning中的各种各样使用方法。Keras容易入门,觉得用Keras写deeplearning的编码就跟用PHP相同,能够便捷地把想起的物品用几行编码表达。例如今日想写个convnet+fullyconnectedlayer的model归类一下下MNIST,要是用TensorFlow得话将会要前因后果写许多编码,可是用Keras得话要是不上十行就拿下了,随后就能够跑了,就跟跑HelloWorld相同简易。当你要来个transferlearning,那也非常简单,Keras有许多训炼好的model,立即load1个,再在其上……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明