從零開始構(gòu)建深度前饋神經(jīng)網(wǎng)絡（Python+TensorFlow 2.x）
定 價：69.8 元
叢書名：人工智能與大數(shù)據(jù)技術(shù)大講堂
當前圖書已被 34 所學校薦購過！
查看明細
- 作者：張光華
- 出版時間：2021/12/1
- ISBN：9787111696155
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP18
- 頁碼：
- 紙張：膠版紙
- 版次：
- 開本：16開
2016年，一只阿法狗（AlphaGo）為全世界打開了一條窄窄的門縫，通往未來之路就此展現(xiàn)。
通過超強硬件和大量的數(shù)據(jù)積累，人工智能浪潮第三次興起。借助人工智能技術(shù)，公安部門可以輕松抓捕潛逃多年的罪犯，“AI換臉”已經(jīng)成為普通用戶的娛樂方式之一，智慧城市、自動駕駛開始在多個城市有試點……
GPT-3、Switch Transformer開啟了新的時代，而智源研究院的悟道2.0參量則高達1.75萬億。訓練有素的結(jié)構(gòu)生物學家花費上千萬美元歷時多年的研究結(jié)果，AlphaFold v2.0在朝夕之間便完成預測。
今天，主動擁抱新變化，積極學習新知識，愈發(fā)顯得重要。很多人積極投入熱情、時間和金錢后，沒能堅持多久就中斷了學習。也有很多同學對此表示觀望甚至放棄，覺得憑自己的基礎(chǔ)不足以把握這次機會。
誠然，僅憑一本書很難幫助普通讀者深刻理解并熟練掌握深度學習中的全部知識，因此“AI精研社”規(guī)劃了一個系列圖書，給出完整的解決方案，希望能幫助讀者循序漸進、平滑而高效地成長為合格的人工智能算法實踐者（practitioners）。
本書是“人工智能與大數(shù)據(jù)技術(shù)大講堂”系列圖書的第2部。本書從體驗手寫數(shù)字（k近鄰算法）識別開始，循序漸進地不斷加深讀者對神經(jīng)網(wǎng)絡模型的理解，進而可以設計并實現(xiàn)自己的模型。另外，本書通過Python+NumPy從零開始構(gòu)建神經(jīng)網(wǎng)絡模型，強化讀者對算法思想的理解，并通過TensorFlow構(gòu)建模型來驗證讀者親手從零構(gòu)建的版本。
前饋神經(jīng)網(wǎng)絡是深度學習的重要知識，其核心思想是反向傳播與梯度下降。本書從極易理解的示例開始，逐漸深入，幫助讀者充分理解并熟練掌握反向傳播與梯度下降算法，為后續(xù)學習打下堅實的基礎(chǔ)。
本書延續(xù)理論與實踐并重的風格，先以圖文方式講解算法思想，再以Python+NumPy實現(xiàn)算法，然后再給出TensorFlow實現(xiàn)的版本，幫助讀者不斷加深對核心的算法理解，同時提升實際動手能力，從而鍛煉將算法思想轉(zhuǎn)化為程序代碼的能力。
圖書+視頻+GitHub/Gitee+微信公眾號+學習管理平臺+群+專業(yè)助教立體化學習解決方案
讓數(shù)學公式生動易懂，讓算法描述簡潔、清晰
讓公式與代碼一一對應，讓理論與實踐相互促進
將算法轉(zhuǎn)換為程序，徒手搭建與TensorFlow搭建精準匹配
前沿：采用Python+TensorFlow 2.6.0編寫，幫助讀者快速掌握前沿的深度學習框架。
透徹：先以通俗易懂的文字講解神經(jīng)網(wǎng)絡的核心算法思想，再以純Python代碼加深讀者對算法思想的理解，通過文字、數(shù)學表達和代碼三者對應的方式幫助讀者理解。
原創(chuàng)：通過大量的原創(chuàng)示例，對核心知識點進行多角度詳解，幫助讀者透徹理解。
完整：構(gòu)建完整的學習資源，并通過全路徑學習計劃以及線上和線下互動，形成完整的立體化學習解決方案。
平滑：對理解和構(gòu)建前饋神經(jīng)網(wǎng)絡所需要的核心知識點進行精心設計，使得整個學習過程平滑而高效。
實踐：先以純Python代碼實現(xiàn)算法，再給出TensorFlow實現(xiàn)，理論與實踐并重，幫助讀者提高實際動手能力。
為什么要寫這本書
學習本應該是一件輕松快樂的事，因為探索與解釋是人類的天性。
專業(yè)學習通常是投入產(chǎn)出比極高的一件事，尤其是在當代社會，真才實干者通�？梢詮纳鐣@得合理而豐厚的回報。因此，筆者希望能幫助初學者更高效地入門專業(yè)領(lǐng)域，在盡量精簡安排知識點的同時，避免晦澀難懂的語言打擊初學者的積極性。
筆者希望建立初學者關(guān)懷的意識，設身處地地為初學者考慮，為初學者量身定制并優(yōu)化知識體系，而不是簡單地搬運官方文檔。
本書嘗試介紹一個新的學習主張，以幫助初學者輕松、高效地入門人工智能這一專業(yè)領(lǐng)域。
本書特色
* 前沿：書中的示例代碼基于新發(fā)布的（截至2021年9月1日）TensorFlow穩(wěn)定版本即2.6.0編寫，以幫助讀者快速掌握前沿的深度學習框架。
* 透徹：全面貫徹Learning by doing與Understanding by creating的學習理念，先以通俗易懂的文字講解核心算法思想，再以純Python代碼加深讀者對算法思想的理解，通過文字描述、數(shù)學表達和代碼實現(xiàn)三者對應的方式幫助讀者理解核心算法思想的重要細節(jié)。
* 原創(chuàng)：通過大量原創(chuàng)示例，對基礎(chǔ)且重要的核心知識點進行多角度的詳細講解，幫助讀者透徹理解精要知識點，從而建立學習信心，為后續(xù)學習打下堅實的基礎(chǔ)。
* 完整：通過“圖書+視頻+GitHub/gitee+微信公眾號+學習管理平臺+群+專業(yè)助教”的方式，構(gòu)建完整的學習資源，并通過全路徑學習計劃與線上線下互動，形成完整的學習解決方案。
* 平滑：專業(yè)知識學習的過程理應是循序漸進的。本書的第3章在強化第2章知識點的同時平滑地引入新的知識點，第4章在強化第2章和第3章知識點的同時再引入新的概念，以此類推。本書對理解并構(gòu)建前饋神經(jīng)網(wǎng)絡所需要的核心知識點進行精心設計，使得整個學習過程平滑而高效。
* 實踐：幫助讀者逐步加深對算法思想理解的同時，通過代碼實現(xiàn)算法思想，將理論轉(zhuǎn)化為可以運行的程序。本書先以純Python代碼實現(xiàn)算法，再給出TensorFlow的實現(xiàn)版本，理論與實踐并重，從而幫助讀者提高實際動手能力。
本書內(nèi)容
本書共9章，下面簡要介紹各章內(nèi)容。
第1章介紹如何搭建學習和開發(fā)環(huán)境。
第2章帶領(lǐng)讀者體驗k近鄰算法，幫助他們掌握機器學習的一些基本概念。
第3章循序漸進地介紹模型的學習、訓練及其他重要的基礎(chǔ)概念與算法思想，并以感知機為例，詳細講解模型參數(shù)。
第4章在第3章的基礎(chǔ)上引入深度學習中的重要思想方法之一——概率化解釋。
第5章在讀者充分理解單層神經(jīng)網(wǎng)絡算法思想的基礎(chǔ)上，使用TensorFlow實現(xiàn)對數(shù)幾率回歸模型，進一步加深讀者對神經(jīng)網(wǎng)絡算法思想的理解，同時幫助他們初步掌握TensorFlow的相關(guān)API。
第6章詳細講解數(shù)據(jù)預處理和小批量等行之有效的深度學習實踐。
第7章在歸納總結(jié)第3～6章相關(guān)內(nèi)容的基礎(chǔ)上，引入計算圖這一重要工具，并通過TensorBoard查看TensorFlow的計算圖實現(xiàn)。
第8章介紹如何將單層神經(jīng)網(wǎng)絡平滑地擴展為兩層神經(jīng)網(wǎng)絡。
第9章在第8章的基礎(chǔ)上進一步介紹如何將兩層神經(jīng)網(wǎng)絡擴展為L層神經(jīng)網(wǎng)絡。
附錄對神經(jīng)網(wǎng)絡算法涉及的線性代數(shù)的相關(guān)知識進行簡單的介紹，并提供相應的示例代碼。
讀者對象
本書假定讀者具備一定的Python編程基礎(chǔ)與數(shù)學基礎(chǔ)，主要適合以下人員閱讀：
* 對人工智能和機器學習感興趣的人員；
* 對深度學習和計算機視覺感興趣的人員；
* 對大數(shù)據(jù)分析、數(shù)據(jù)挖掘和數(shù)據(jù)科學感興趣的人員；
* 講授人工智能、機器學習、深度學習、大數(shù)據(jù)分析、數(shù)據(jù)挖掘和數(shù)據(jù)科學的老師；
* 希望提升自己未來競爭力的人員。
本書對知識結(jié)構(gòu)進行科學和專業(yè)的設計，即使部分讀者未能熟練掌握高等數(shù)學的相關(guān)基礎(chǔ)知識，也只影響部分章節(jié)的閱讀，而并不會影響他們對算法思想的理解與代碼的實現(xiàn)。
若讀者對Python編程尚不熟悉，可以參考“人工智能與大數(shù)據(jù)技術(shù)大講堂”叢書的第1部《人工智能極簡編程入門（基于Python）》，或訪問微信公眾號“AI精研社”獲得幫助。
如何使用本書
本書既可作為各院校課堂教學的教材，也可作為讀者自學使用的參考書。本書對章節(jié)順序與知識點的依賴關(guān)系進行了精心設計，若讀者作為自學用書，除第1章外，其他各章請按順序進行閱讀。
描述算法通常有以下三種方式：
* 自然語言：是日常生活交流中使用的語言，易于理解，可以幫助讀者對算法思想建立初步的理解，但常常無法精準且簡練地描述算法。
* 數(shù)學表達：使用預先約定的一系列記號描述算法，既精準又簡練，在自然語言的輔助下，可以幫助讀者進一步理解并掌握算法思想。
* 代碼實現(xiàn)：將算法思想轉(zhuǎn)換為可以運行并輸出預期結(jié)果的程序代碼，可以幫助讀者深刻理解并熟練掌握算法思想及其重要的細節(jié)。
從第3章起，建議讀者閱讀完每小節(jié)的內(nèi)容后立即親自動手進行大量練習，直至只參考書中的自然語言或數(shù)學表達便可自己寫出實現(xiàn)算法思想的代碼，然后再進入下一小節(jié)內(nèi)容的學習。
配套資源獲取
本書涉及的配套資源如下：
* 實例源代碼；
* 配套教學視頻；
* 人工智能專業(yè)詞匯中英文對照表；
* 本書引用源列表。
讀者可以通過以下兩種途徑獲取本書配套資源：
* 關(guān)注微信公眾號“AI精研社”，然后發(fā)送“DL101”至該公眾號進行獲取。
* 在華章公司的網(wǎng)站（www.hzbook.com）上搜索到本書，然后單擊“資料下載”按鈕，即可在本書頁面的右上方找到相關(guān)鏈接進行獲取。
教學服務
本書非常適合作為高等院校人工智能專業(yè)的教材。為此，售后團隊“AI精研社”專門為相關(guān)授課老師提供以下教學支持：
* 贈送教學PPT；
* 提供有償?shù)膸熧Y培訓。
如果需要進一步了解詳情，請關(guān)注“AI精研社”微信公眾號進行咨詢，也可以給本書編輯發(fā)送電子郵件（627173439@qq.com）進行了解。
售后服務與勘誤
“AI精研社”為本書提供專業(yè)的售后服務。讀者可以用手機掃描下面的二維碼關(guān)注“AI精研社”微信公眾號。
“AI精研社”微信公眾號二維碼
雖然筆者為本書的寫作投入了大量的時間，并對書中的示例代碼進行了反復測試、迭代和改進，但恐怕依然無法避免少量的錯誤與不當。
若讀者發(fā)現(xiàn)本書有錯誤或不當之處，請聯(lián)系“AI精研社”進行反饋，筆者會及時更改并將勘誤表發(fā)布到GitHub、Gitee和“AI精研社”微信公眾號中。另外，讀者也可以給本書編輯發(fā)送電子郵件（地址見“教學服務”模塊）進行反饋。
致謝
策劃和寫作本書的過程中，筆者得到了很多前輩和行業(yè)專家的指導、支持與幫助，筆者的家人與諸多好友也為此投入了大量的時間與精力，在此向他們表達誠摯的謝意！
還要特別感謝賈庸及其家人（小壞、壞媽）的支持與幫助！賈庸以其豐富的技術(shù)管理經(jīng)驗保障了本書及其相關(guān)支持系統(tǒng)的進度與質(zhì)量。
還要特別感謝歐振旭編輯！他為本書的策劃與運營推廣提供了不可或缺的指導與幫助。
還要感謝本書的支持團隊和策劃團隊，以及技術(shù)、內(nèi)容和教學服務團隊！
還有很多幕后小伙伴和熱心網(wǎng)友也為本書提出了極有價值的反饋，在此一并表示感謝！
張光華
張光華 博士畢業(yè)于重慶大學，碩士畢業(yè)于中國科學技術(shù)大學。山西省“1331工程”大數(shù)據(jù)智能診療產(chǎn)業(yè)學院負責人，山西省工信廳“山西省健康大數(shù)據(jù)AI聯(lián)合實驗室”負責人。中國醫(yī)藥教育協(xié)會智能醫(yī)學專委會委員，中國醫(yī)藥教育協(xié)會智能眼科學組常委。主要研究方向為量子點微型多光譜成像技術(shù)、醫(yī)學圖像處理和機器學習�，F(xiàn)已發(fā)表包括醫(yī)學、圖像處理和機器學習等領(lǐng)域的SCI期刊及國際會議論文多篇，參與多項中國和歐洲科學基金項目。致力于將深度學習技術(shù)與臨床醫(yī)學進行深度融合，并推廣和落地。
前言
第1章 環(huán)境搭建1
1.1 下載并安裝Python1
1.2 Python軟件環(huán)境管理工具Anaconda2
1.2.1 下載Anaconda2
1.2.2 安裝Anaconda4
1.2.3 驗證Anaconda的安裝6
1.3 通過TUNA加速Anaconda8
1.3.1 清華大學開源軟件鏡像站TUNA8
1.3.2 在Windows中設置Anaconda鏡像通道10
1.3.3 在類UNIX中設置Anaconda鏡像通道11
1.4 使用Jupyter Notebook12
1.4.1 通過“開始”菜單啟動Jupyter Notebook12
1.4.2 通過命令行啟動Jupyter Notebook13
1.4.3 新建并重命名Notebook14
1.4.4 安裝Jupyter Notebook插件16
1.5 安裝TensorFlow 2.617
1.5.1 通過Notebook cell安裝TensorFlow 2.617
1.5.2 通過pip install命令離線安裝TensorFlow18
1.6 小結(jié)與補充說明20
第2章 使用k近鄰算法識別手寫數(shù)字圖像22
2.1 手寫數(shù)字圖像數(shù)據(jù)集MNIST22
2.1.1 使用TensorFlow加載MNIST23
2.1.2 使用scikit-learn加載MNIST24
2.2 分類器與準確率25
2.3 k近鄰算法的基本思想26
2.4 利用k-NN識別MNIST27
2.4.1 劃分數(shù)據(jù)集27
2.4.2 識別MNIST與模型評估29
2.4.3 數(shù)據(jù)探查30
2.4.4 性能優(yōu)化31
2.4.5 調(diào)參32
2.4.6 近鄰再探查33
2.5 k-NN中的距離度量33
2.6 小結(jié)與補充說明34
第3章 感知機算法思想與實現(xiàn)36
3.1 機器學習的基本分類36
3.2 鳶尾花數(shù)據(jù)集iris37
3.2.1 樣本特征37
3.2.2 樣本分類38
3.2.3 構(gòu)造簡化版iris數(shù)據(jù)集39
3.3 感知機分類精簡版iris42
3.3.1 極簡體驗感知機42
3.3.2 感知機模型的數(shù)學表達44
3.3.3 極簡體驗感知機學習算法45
3.3.4 感知機學習算法的Python實現(xiàn)47
3.3.5 損失函數(shù)與梯度（選修）50
3.3.6 感知機代碼合并51
3.4 感知機的實現(xiàn)類53
3.4.1 構(gòu)造器__init__()53
3.4.2 預測方法predict()54
3.4.3 更新模型參數(shù)update_params()55
3.4.4 啟動訓練fit()56
3.4.5 重構(gòu)Perceptron類58
3.5 小結(jié)與補充說明59
第4章 對數(shù)幾率回歸算法思想與實現(xiàn)62
4.1 神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖62
4.2 對數(shù)幾率回歸的數(shù)學表達63
4.3 對數(shù)幾率函數(shù)的Python實現(xiàn)64
4.4 對數(shù)幾率回歸模型的損失函數(shù)66
4.5 梯度下降法的數(shù)學表達（選修）69
4.6 梯度下降法的Python實現(xiàn)72
4.7 對數(shù)幾率回歸模型的Python實現(xiàn)73
4.8 使用對數(shù)幾率回歸模型分類鳶尾花75
4.8.1 使用LR分類精簡版iris數(shù)據(jù)集75
4.8.2 統(tǒng)計準確率76
4.8.3 構(gòu)造簡化版iris數(shù)據(jù)集77
4.8.4 劃分函數(shù)train_test_split()78
4.8.5 劃分iris數(shù)據(jù)集79
4.8.6 使用對數(shù)幾率回歸模型分類iris數(shù)據(jù)集80
4.9 小結(jié)與補充說明80
第5章 使用TensorFlow實現(xiàn)對數(shù)幾率回歸82
5.1 深入LR參數(shù)更新82
5.1.1 改進LogisticRegression類的update_weights()方法82
5.1.2 改進LogisticRegression類的fit()方法83
5.1.3 使用LR分類鳶尾花數(shù)據(jù)集并查看日志84
5.2 使用TensorFlow自動求梯度87
5.2.1 極簡體驗TensorFlow自動求梯度87
5.2.2 NumPy數(shù)組的形狀與維數(shù)89
5.2.3 使用TensorFlow計算矩陣乘積90
5.2.4 使用TensorFlow計算LR模型的激活值90
5.2.5 使用代碼定義LR模型的損失函數(shù)92
5.2.6 使用TensorFlow求LR模型的損失函數(shù)對激活值的梯度93
5.2.7 手動計算LR模型的損失函數(shù)對權(quán)值的梯度93
5.2.8 使用TensorFlow求LR模型的損失函數(shù)對參數(shù)的梯度94
5.3 使用自動求梯度實現(xiàn)LR97
5.3.1 更新TensorFlow變量97
5.3.2 實現(xiàn)LogisticRegressionV2類98
5.3.3 使用LogisticRegressionV2分類精簡版iris101
5.3.4 極簡體驗模型調(diào)參102
5.4 使用Sequential實現(xiàn)LR102
5.5 小結(jié)與補充說明106
第6章 LR圖像分類107
6.1 簡化版MNIST數(shù)據(jù)集107
6.1.1 生成索引數(shù)組108
6.1.2 NumPy數(shù)組切片（取元素）110
6.1.3 數(shù)據(jù)探查111
6.1.4 使用np.concatenate()合并數(shù)組113
6.1.5 構(gòu)建簡化版MNIST數(shù)據(jù)集115
6.2 LR分類簡化版MNIST116
6.2.1 數(shù)據(jù)預處理之歸一化116
6.2.2 數(shù)據(jù)預處理之扁平化117
6.2.3 LR分類簡化版MNIST119
6.2.4 修復LogisticRegression類121
6.2.5 測試修復123
6.3 小批量梯度下降124
6.3.1 向量化編程124
6.3.2 構(gòu)造小批量樣本125
6.3.3 計算LR損失函數(shù)關(guān)于線性模型的導數(shù)dz126
6.3.4 計算LR損失函數(shù)關(guān)于權(quán)值向量的導數(shù)dw128
6.3.5 計算LR損失函數(shù)關(guān)于偏置量的導數(shù)db130
6.3.6 小批量模型訓練133
6.3.7 小批量LR分類簡化版MNIST134
6.3.8 查看模型預測失誤的樣本136
6.4 新問題與修復137
6.4.1 發(fā)現(xiàn)問題與復現(xiàn)問題138
6.4.2 原因分析及解決方法138
6.4.3 向量化predict()方法140
6.4.4 修復LogisticRegression類141
6.4.5 評估模型方法evaluate()142
6.4.6 提前終止控制開關(guān)143
6.4.7 提前終止策略方法（選修）145
6.4.8 重構(gòu)LogisticRegression類146
6.5 小結(jié)與補充說明148
第7章 代碼重構(gòu)與計算圖簡介150
7.1 構(gòu)建神經(jīng)網(wǎng)絡的基本流程150
7.1.1 模型架構(gòu)及超參數(shù)150
7.1.2 初始化模型參數(shù)152
7.1.3 前向傳播、反向傳播與計算圖152
7.2 重構(gòu)LogisticRegression類153
7.2.1 重新構(gòu)造簡化版MNIST數(shù)據(jù)集153
7.2.2 探查簡化版MNIST數(shù)據(jù)集154
7.2.3 LR分類簡化版MNIST155
7.2.4 重構(gòu)LogisticRegression類156
7.2.5 測試重構(gòu)版LogisticRegression類157
7.3 使用TensorFlow定義并訓練模型158
7.4 體驗TensorBoard161
7.5 隨機化161
7.5.1 使用np.random.random()生成隨機數(shù)162
7.5.2 隨機初始化權(quán)值向量162
7.5.3 使用np.random.shuffle()混淆數(shù)組164
7.5.4 隨機訪問樣本165
7.5.5 隨機梯度下降166
7.5.6 小批量隨機梯度下降168
7.6 小結(jié)與補充說明168
第8章 兩層神經(jīng)網(wǎng)絡170
8.1 單層神經(jīng)網(wǎng)絡之局限性170
8.1.1 線性可分170
8.1.2 線性不可分170
8.2 兩層神經(jīng)網(wǎng)絡前向傳播172
8.2.1 部分記號說明172
8.2.2 矩陣乘積的代碼實現(xiàn)174
8.2.3 隱層前向傳播的數(shù)學表達175
8.2.4 隱層前向傳播的代碼實現(xiàn)176
8.2.5 輸出層前向傳播的數(shù)學表達178
8.2.6 輸出層前向傳播的代碼實現(xiàn)179
8.3 兩層神經(jīng)網(wǎng)絡反向傳播180
8.3.1 輸出層反向傳播的數(shù)學表達181
8.3.2 輸出層反向傳播的代碼實現(xiàn)182
8.3.3 隱層反向傳播的數(shù)學表達183
8.3.4 隱層反向傳播的代碼實現(xiàn)184
8.4 兩層神經(jīng)網(wǎng)絡實現(xiàn)異或運算185
8.5 實現(xiàn)MLPClassifier類187
8.5.1 構(gòu)造器__init__()188
8.5.2 參數(shù)初始化initialize_params()188
8.5.3 前向傳播forward_propagation()189
8.5.4 反向傳播backward_propagation()189
8.5.5 參數(shù)更新update_params()190
8.5.6 模型輸出190
8.5.7 模型啟動訓練fit()191
8.5.8 測試MLPClassifier類192
8.6 小結(jié)與補充說明193
第9章 多層神經(jīng)網(wǎng)絡194
9.1 多層感知機部分記號說明194
9.2 重構(gòu)多層神經(jīng)網(wǎng)絡195
9.2.1 參數(shù)初始化195
9.2.2 前向傳播197
9.2.3 反向傳播參數(shù)更新198
9.2.4 測試新版本200
9.3 重構(gòu)MLPClassifier類201
9.3.1 構(gòu)造器__init__()201
9.3.2 參數(shù)初始化initialize_params()202
9.3.3 前向傳播forward_propagation()202
9.3.4 反向傳播參數(shù)更新203
9.3.5 模型輸出204
9.3.6 模型啟動訓練fit()205
9.3.7 測試MLPClassifier類206
9.3.8 修復MLPClassifier類206
9.3.9 測試修復208
9.4 使用TensorFlow實現(xiàn)多層神經(jīng)網(wǎng)絡209
9.4.1 使用TensorFlow解決異或問題209
9.4.2 使用TensorFlow驗證MLPClassifier類210
9.5 使用MLPClassifier類實現(xiàn)對數(shù)幾率回歸213
9.5.1 使用LR實現(xiàn)邏輯與函數(shù)213
9.5.2 使用MLPClassifier類實現(xiàn)對數(shù)幾率回歸214
9.5.3 使用TensorFlow驗證代碼實現(xiàn)215
9.6 小結(jié)與補充說明216
附錄 標量、向量與矩陣簡介218
后記222
書單推薦
