智能系统与技术丛书 基于浏览器的深度学习PDF|Epub|txt|kindle电子书版本网盘下载

智能系统与技术丛书 基于浏览器的深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习1

1.1 深度神经网络的数学基础1

1.1.1 感知机——门控线性回归2

1.1.2 多层感知机5

1.1.3 卷积和池化5

1.1.4 激活函数7

1.2 深度神经网络的训练11

1.2.1 损失函数的重要性12

1.2.2 正则化12

1.2.3 反向传播算法13

1.2.4 优化方法13

1.3 本章小结14

第2章 神经网络架构15

2.1 卷积神经网络15

2.1.1 AlexNet16

2.1.2 GoogLeNet17

2.1.3 ResNet18

2.1.4 SqueezeNet19

2.2 循环神经网络22

2.2.1 LSTM23

2.2.2 GRU24

2.3 深度强化学习25

2.4 本章小结28

第3章 JavaScript深度学习框架29

3.1 TensorFlow.js29

3.1.1 TensorFlow.js介绍30

3.1.2 XOR问题30

3.1.3 解决XOR问题32

3.1.4 网络架构37

3.1.5 张量39

3.1.6 张量操作40

3.1.7 模型训练43

3.1.8 TensorFlow.js的生态46

3.2 WebDNN48

3.3 Keras.js51

3.4 本章小结52

第4章 深度学习的JavaScript基础53

4.1 JavaScript中的TypedArray53

4.1.1 ArrayBuffer55

4.1.2 DataView56

4.2 JavaScript中的并发58

4.2.1 JavaScript的事件循环58

4.2.2 用Promise创建一个异步函数59

4.2.3 使用新的async/await语法61

4.2.4 多线程使用WebWorker64

4.2.5 深度学习应用程序的处理循环66

4.3 在CPU/GPU上加载资源66

4.3.1 Fetch API67

4.3.2 标签编码69

4.3.3 one-hot编码69

4.4 本章小结70

第5章 基于WebGL的GPU加速73

5.1 WebGL基础74

5.1.1 WebGL工作流程76

5.1.2 片段着色器渲染78

5.2 WebGL实现常规计算85

5.2.1 调试WebGL86

5.2.2 渲染纹理87

5.2.3 精度重要性92

5.2.4 优化器94

5.2.5 GLSL开发95

5.2.6 浮点型的特殊性95

5.2.7 从CPU流向GPU，反之亦然99

5.3 使用纹理和着色器的矩阵计算101

5.3.1 标准的矩阵加法101

5.3.2 标准的矩阵乘法102

5.3.3 激活函数应用103

5.3.4 运用WGLMatrix库104

5.4 手写数字识别应用105

5.4.1 数据编码105

5.4.2 内存优化105

5.4.3 前向传播107

5.4.4 第一次尝试107

5.4.5 优化性能108

5.5 本章小结109

第6章 从浏览器中提取数据111

6.1 加载图像数据112

6.1.1 从图像中提取像素112

6.1.2 加载远程资源114

6.1.3 获取二进制块116

6.2 将像素数据渲染到屏幕上117

6.2.1 显示图片118

6.2.2 将像素数据渲染到画布119

6.2.3 插值图像数据122

6.2.4 在画布上绘制形状124

6.3 访问相机、麦克风和扬声器126

6.3.1 从网络摄像头捕获图像126

6.3.2 用麦克风录音128

6.3.3 加载、解码和播放声音130

6.4 深度学习框架中的实用工具131

6.4.1 TensorFlow.js131

6.4.2 Keras.js133

6.4.3 WebDNN133

6.5 本章小结135

第7章 高级数据操作的方法137

7.1 反序列化Protobuf138

7.1.1 解析Caffe模型参数139

7.1.2 解析TensorFlow图141

7.1.3 浮点精度的注意事项142

7.2 用Chart.js绘制图表143

7.2.1 探索不同的图表类型144

7.2.2 配置数据集146

7.2.3 更新值147

7.2.4 选项和配置概述150

7.3 用画布画草图153

7.3.1 在画布上绘图154

7.3.2 提取笔画158

7.4 从麦克风计算频谱图159

7.5 人脸检测与跟踪162

7.5.1 用Jeeliz FaceFilter跟踪人脸162

7.5.2 使用tracking.js跟踪人脸163

7.5.3 Chrome中人脸检测的原生支持165

7.6 本章小结167

第8章 基于TensorFlow.js构建应用169

8.1 TensorFlow.js实现手势识别169

8.1.1 算法解说170

8.1.2 TensorFlow.js项目准备171

8.1.3 实例化KNN图像分类器172

8.1.4 TensorFlow.js迭代训练173

8.1.5 小结176

8.2 TensorFlow.js实现文本生成176

8.2.1 算法解说176

8.2.2 Keras模型177

8.2.3 将Keras模型转换为TensorFlow.js模型178

8.2.4 项目准备178

8.2.5 在TensorFlow.js中导入Keras模型179

8.2.6 TensorFlow.js迭代训练179

8.2.7 构造模型输入181

8.2.8 模型预测183

8.2.9 模型输出抽样184

8.2.10 小结186

8.3 TensorFlow.js实现图像降噪186

8.3.1 算法解说187

8.3.2 将Keras模型转换为TensorFlow.js模型188

8.3.3 项目准备189

8.3.4 初始化190

8.3.5 应用流程190

8.3.6 加载测试数字图片191

8.3.7 更新噪声193

8.3.8 生成变形图片194

8.3.9 图片降噪195

8.3.10 初始化函数196

8.3.11 小结197

8.4 本章小结197

8.5 最后结论198