《TensorFlow神经网络编程》内容简介

本书首先简要介绍流行的TensorFlow库，并讲解如何用它训练不同的神经网络。你将深入了解神经网络的基础知识和它背后的数学原理，以及为什么我们会选择TensorFlow训练神经网络。然后，你将实现一个简单的前馈神经网络。接下来，你将使用TensorFlow掌握神经网络的优化技术和算法，以及一些更复杂的神经网络的实现。最后，你将对如何利用TensorFlow的强大功能来训练各种复杂的神经网络有一个正确的理解。
曼普里特·辛格·古特（ManpreetSinghGhotra），在企业和大数据软件方面拥有超过15年的软件开发经验。目前，他正致力于开发一个机器学习平台/API，该平台主要使用诸如TensorFlow、Keras、ApacheSpark和PredictionIO等开源库和框架进行开发。他在各种机器学习应用场景上有丰富的经验，其中包括情感分析、垃圾邮件检测、图像调整和异常检测。他是世界上最大在线零售商之一机器学习组的成员，主要工作是使用R和ApacheMahout做运输时间优化。他拥有机器学习方面的研究生学位，为机器学习社区工作并贡献卓越。

作品目录

译者序
作者简介
审校者简介
前言
第1章：神经网络的数学原理
1.1、理解线性代数
1.2、微积分
1.3、最优化
1.4、总结
第2章：深度前馈神经网络
2.1、定义前馈神经网络
2.2、理解反向传播
2.3、在TensorFlow中实现前馈神经网络
2.4、分析Iris数据集
2.5、使用前馈网络进行图像分类
2.6、总结
第3章：神经网络的优化
3.1、什么是优化
3.2、优化器的类型
3.3、梯度下降
3.4、优化器的选择
3.5、总结
第4章：卷积神经网络
4.1、卷积神经网络概述和直观理解
4.2、卷积操作
4.3、池化
4.4、使用卷积网络进行图像分类
4.5、总结
第5章：递归神经网络
5.1、递归神经网络介绍
5.2、长短期记忆网络简介
5.3、情感分析
5.4、总结
第6章：生成模型
6.1、生成模型简介
6.2、GAN
6.3、总结
第7章：深度信念网络
7.1、理解深度信念网络
7.2、训练模型
7.3、标签预测
7.4、探索模型的准确度
7.5、DBN在MNIST数据集上的应用
7.6、DBN中RBM层的神经元数量的影响
7.7、具有两个RBM层的DBN
7.8、用DBN对NotMNIST数据集进行分类
7.9、总结
第8章：自编码器
8.1、自编码算法
8.2、欠完备自编码器
8.3、数据集
8.4、基本自编码器
8.5、加性高斯噪声自编码器
8.6、稀疏自编码器
8.7、总结
第9章：神经网络研究
9.1、神经网络中避免过拟合
9.2、使用神经网络进行大规模视频处理
9.3、使用双分支互向神经网络进行命名实体识别
9.4、双向递归神经网络
9.5、总结
第10章：开始使用TensorFlow
10.1、环境搭建
10.2、比较TensorFlow和Numpy
10.3、计算图
10.4、自动微分
10.5、TensorBoard