标签
内容简介
《TensorFlow神经网络编程》由印度机器学习从业者曼普里特·辛格·古特与拉蒂普·杜瓦合著，马恩驰、陆健翻译，机械工业出版社2018年出版，属“智能系统与技术丛书”。全书共10章，定位为“入门级实践指南”：既讲清神经网络背后的数学与算法，又给出可在TensorFlow中运行的完整示例代码和真实数据集用例。 第1章打基础，梳理线性代数（矩阵运算、求解线性方程、奇异值分解、特征值分解、主成分分析）、微积分（梯度、Hessian矩阵、行列式）与最优化，并演示如何在TensorFlow中完成这些运算；第2章讲深度前馈网络与反向传播，用Iris数据集和图像分类示例跑通流程；第3章聚焦优化器，从梯度下降及其变体讲到各类自适应优化器的取舍；第4章讨论卷积神经网络，涵盖单层卷积计算、步长、池化与图像分类实战；第5章转向递归神经网络，介绍RNN实现、长短期记忆网络（LSTM）以及词嵌入与情感分析；第6章介绍生成模型基础；第7章讲深度信念网络与RBM堆叠分类管道；第8章讲基本自编码器、加性高斯噪声自编码器和稀疏自编码器；第9章讨论提升准确率、避免过拟合、视频分类等研究议题；第10章落在环境配置、TensorFlow与NumPy对比及自动微分。 全书篇幅约220页，代码驱动、结构清晰，适合已有Python基础、想系统掌握TensorFlow神经网络建模的读者，但需注意内容基于TensorFlow 1.x时代API，阅读时应结合新版框架自行迁移。
编辑推荐
很多TensorFlow书要么只谈理论，公式一串跟到底却没有一行能跑的代码；要么只堆代码，读完仍不知道为什么要这样设计。这本书的取舍比较讨巧：先用一章把线性代数、微积分、最优化这些“劝退环节”压缩讲完，并直接在TensorFlow里演示运算，让读者立刻看到公式与张量操作的对应关系；随后按前馈网络、优化器、CNN、RNN/LSTM、生成模型、DBN、自编码器的顺序逐一铺开，每一类模型都配有真实数据集与完整实现。 作者是印度一线机器学习从业者，写作口吻偏“带教”——先讲直观理解，再讲API与代码，最后给结果分析，比较贴合自学者节奏。书中Iris、图像分类、情感分析等案例难度递进，可以边读边敲。译者为马恩驰、陆健，术语处理较统一。 需要坦白提示的是：本书英文原版成书较早，示例基于TensorFlow 1.x的会话（Session）式写法，与当前主流的tf.keras/即时执行风格差别不小。所以它更适合当作“神经网络原理与建模流程”的入门读本，而不是最新API手册——把它读通，再迁移到新版框架，反而理解更深。
适合谁读
适合
- 有Python基础、刚开始接触TensorFlow与深度学习的自学者
- 想弄懂反向传播、优化器、CNN与RNN原理的高年级本科生、研究生
- 需要快速上手神经网络建模流程、希望有可跑代码参考的算法工程师
- 做图像分类、文本情感分析等入门项目、需要案例参照的开发者
不适合
- 完全没有编程基础、也不熟悉Python语法的零基础读者
- 只想要TensorFlow 2.x/tf.keras最新API速查手册的进阶开发者
- 以工程部署、分布式训练、模型压缩为主要目标的读者
阅读建议
- 先跑通环境：按第10章配置TensorFlow，再回头读第1章，边读边在交互环境里复现矩阵与梯度运算。
- 每章代码务必亲手敲一遍；遇到旧版Session写法，可对照官方迁移文档改写为tf.keras风格。
- 数学部分不必一次吃透，先抓梯度、矩阵乘法和优化器直觉，遇到公式再回查第1章。
- 建议按第1—3章（基础）→第4—5章（CNN/RNN）→第6—8章（生成模型、DBN、自编码器）的路径推进，最后读第9章拓展视野。
出版社简介
机械工业出版社
中国 · 成立于 1950 年
机械工业出版社（China Machine Press）在科技与专业出版之外，库内图书还体现出对心理学、计算机、管理、财经与社科等方向的持续关注。心理学方面收入荣格作品及分析心理学导论，并涉及压力与健康、成瘾与疗愈等应用议题；计算机领域有《计算机程序的构造和解释（JavaScript版）》；管理与财经类包括《管理行为（原书第4版）》《不平等的代价（珍藏版）》《这次不一样：八百年金融危机史（纪念版）》；科学哲学与科学史方面则有《世界观（原书第3版）》。相关作者资源涵盖C.G.荣格、威廉·麦圭尔、索努·沙姆达萨尼、加博尔·马泰等。公开资料有限，以上仅据库内图书归纳其出版面貌。
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（环境设置、数据结构、运算、求解线性方程、奇异值分解、特征值分解、主成分分析）
- 1.2 微积分（梯度、Hessian矩阵、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（变体、优化算法）
- 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
- 4.2 卷积操作（对图像卷积、步长）
- 4.3 池化（最大池化、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（RNN实现、TensorFlow RNN实现）
- 5.2 长短期记忆网络简介（生命周期、LSTM实现）
- 5.3 情感分析（词嵌入、使用RNN进行情感分析）
- 5.4 总结
- 第6章 生成模型
- 第7章 深度信念网络
- 第8章 自编码器
- 第9章 深度学习的研究进展
- 第10章 TensorFlow环境配置与自动微分
常见问题
这本书的作者、译者和版本信息是什么？
作者为印度机器学习从业者曼普里特·辛格·古特与拉蒂普·杜瓦，英文原著名为 Neural Network Programming with TensorFlow；中文版由马恩驰、陆健翻译，机械工业出版社2018年11月出版，属“智能系统与技术丛书”，ISBN为9787111611783。
全书一共多少章，都讲哪些模型？
共10章：神经网络数学基础、深度前馈网络与反向传播、优化器、卷积神经网络、递归神经网络与LSTM、生成模型、深度信念网络与RBM、三类自编码器、深度学习研究进展，以及TensorFlow环境配置与自动微分。
书里的代码用的是TensorFlow 1.x还是2.x？
原书成书较早，示例采用TensorFlow 1.x的会话（Session）与计算图写法。若使用TensorFlow 2.x，需要把placeholder、Session.run等改为tf.keras与即时执行风格，框架概念本身仍然适用。
零基础读者能不能直接读这本书？
不建议完全零基础直接读。书中默认读者会用Python，虽然第1章补了线性代数与微积分，但数学推导密度不低；建议先掌握NumPy与Python基础，再配合本书推进，效果更好。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
