思维导图备注

TensorFlow神经网络编程
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第5章 递归神经网络

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-24 10:35:41
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 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
      • 1.1.1 环境设置
      • 1.1.2 线性代数的数据结构
      • 1.1.3 线性代数运算
      • 1.1.4 求解线性方程
      • 1.1.5 奇异值分解
      • 1.1.6 特征值分解
      • 1.1.7 主成分分析
    • 1.2 微积分
      • 1.2.1 梯度
      • 1.2.2 Hessian矩阵
      • 1.2.3 行列式
    • 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
      • 3.3.1 梯度下降的变体
      • 3.3.2 优化梯度下降的算法
    • 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
      • 4.1.1 单个卷积层的计算
      • 4.1.2 TensorFlow中的CNN
    • 4.2 卷积操作
      • 4.2.1 对图像进行卷积
      • 4.2.2 步长
    • 4.3 池化
      • 4.3.1 最大池化
      • 4.3.2 示例代码
    • 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
      • 5.1.1 RNN实现
      • 5.1.2 TensorFlow RNN实现
    • 5.2 长短期记忆网络简介
      • 5.2.1 LSTM的生命周期
      • 5.2.2 LSTM实现
    • 5.3 情感分析
      • 5.3.1 词嵌入
      • 5.3.2 使用RNN进行情感分析
    • 5.4 总结
  • 第6章 生成模型
    • 6.1 生成模型简介
      • 6.1.1 判别模型对生成模型
      • 6.1.2 生成模型的类型
    • 6.2 GAN
      • 6.2.1 GAN示例
      • 6.2.2 GAN的种类
    • 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
    • 7.5 DBN在MNIST数据集上的应用
      • 7.5.2 具有256个神经元的RBM层的DBN的输入参数
      • 7.5.3 具有256个神经元的RBM层的DBN的输出
    • 7.6 DBN中RBM层的神经元数量的影响
      • 7.6.2 具有128个神经元的RBM层
    • 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
      • 8.4.1 自编码器的初始化
      • 8.4.2 AutoEncoder类
      • 8.4.3 应用于MNIST数据集的基本自编码器
      • 8.4.4 基本自编码器的完整代码
      • 8.4.5 基本自编码器小结
    • 8.5 加性高斯噪声自编码器
      • 8.5.1 自编码器类
      • 8.5.2 应用于MNIST数据集的加性高斯自编码器
      • 8.5.3 绘制重建的图像
      • 8.5.4 加性高斯自编码器的完整代码
      • 8.5.5 比较基本自编码器和加性高斯噪声自编码器
      • 8.5.6 加性高斯噪声自编码器小结
    • 8.6 稀疏自编码器
      • 8.6.2 稀疏自编码器的完整代码
      • 8.6.3 应用于MNIST数据集的稀疏自编码器
      • 8.6.4 比较稀疏自编码器和加性高斯噪声自编码器
    • 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
      • 9.1.1 过拟合问题阐述
      • 9.1.2 过拟合解决方案
      • 9.1.3 影响效果
    • 9.2 使用神经网络进行大规模视频处理
      • 9.2.1 分辨率改进方案
      • 9.2.2 特征直方图基线
      • 9.2.3 定量结果
    • 9.3 使用双分支互向神经网络进行命名实体识别
      • 9.3.1 命名实体识别的例子
      • 9.3.2 定义Twinet
      • 9.3.3 结果
    • 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
      • 10.3.1 图
      • 10.3.2 会话对象
      • 10.3.3 变量
      • 10.3.4 域
      • 10.3.5 数据输入
      • 10.3.6 占位符和输入字典
    • 10.4 自动微分
    • 10.5 TensorBoard
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《TensorFlow神经网络编程》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度