TensorFlow語音識別實戰

                      TensorFlow語音識別實戰
                      分享
                      掃描下方二維碼分享到微信
                      打開微信,點擊右上角”+“,
                      使用”掃一掃“即可將網頁分享到朋友圈。
                      作者:
                      2021-08
                      版次: 1
                      ISBN: 9787302584858
                      定價: 69.00
                      裝幀: 其他
                      開本: 16開
                      紙張: 膠版紙
                      字數: 429.000千字
                      • 本書使用新的TensorFlow 2作為語音識別的基本框架,引導讀者入門并掌握基于深度學習的語音識別基本理論、概念以及實現實際項目。全書內容循序漸進,從搭建環境開始,逐步深入理論、代碼及應用實踐,是語音識別技術圖書的**。 本書分為10章,內容包括語音識別概況與開發環境搭建、TensorFlow和Keras、深度學習的理論基礎、卷積層與MNIST實戰、TensorFlow Datasets和TensorBoard詳解、ResNet模型、使用循環神經網絡的語音識別實戰、有趣的詞嵌入實戰、語音識別中的轉換器實戰、語音漢字轉換實戰。 本書內容詳盡、示例豐富,適合作為語音識別和深度學習初學者的參考書,同時非常適合作為高等院校和培訓機構人工智能及相關專業師生的參考教材。 王曉華,計算機專業講師,長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程;主要研究方向為云計算、數據挖掘。曾主持和參與多項國家和省級科研課題,獨立科研項目獲省級成果認定,發表過多篇論文,擁有一項國家專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》《TensorFlow 2.0卷積神經網絡實戰》《TensorFlow Keras自然語言處理實戰》等圖書。 第1章 ?語音識別之路 1

                        1.1 ?何謂語音識別 1

                        1.2 ?語音識別為什么難——語音識別的發展歷程 2

                        1.2.1 ?高斯混合-隱馬爾科夫時代 3

                        1.2.2 ?循環神經網絡-隱馬爾科夫時代 4

                        1.2.3 ?基于深度學習的端到端語音識別時代 5

                        1.3 ?語音識別商業化之路的三個關鍵節點 5

                        1.4 ?語音識別的核心技術與行業發展趨勢 7

                        1.5 ?搭建環境1:安裝Python 8

                        1.5.1 ?Anaconda的下載與安裝 8

                        1.5.2 ?Python編譯器PyCharm的安裝 11

                        1.5.3 ?使用Python計算softmax函數 14

                        1.6 ?搭建環境2:安裝TensorFlow 2.1 15

                        1.6.1 ?安裝TensorFlow 2.1的CPU版本 15

                        1.6.2 ?安裝TensorFlow 2.1的GPU版本 15

                        1.6.3 ?練習——Hello TensorFlow 18

                        1.7 ?實戰——基于特征詞的語音喚醒 19

                        1.7.1 ?步:數據的準備 19

                        1.7.2 ?第二步:數據的處理 20

                        1.7.3 ?第三步:模型的設計 21

                        1.7.4 ?第四步:模型的數據輸入方法 22

                        1.7.5 ?第五步:模型的訓練 24

                        1.7.6 ?第六步:模型的結果和展示 25

                        1.8 ?本章小結 25

                        第2章 ?TensorFlow和Keras 26

                        2.1 ?TensorFlow和Keras 26

                        2.1.1 ?模型 27

                        2.1.2 ?使用Keras API實現鳶尾花分類(順序模式) 27

                        2.1.3 ?使用Keras函數式編程實現鳶尾花分類(重點) 30

                        2.1.4 ?使用保存的Keras模式對模型進行復用 33

                        2.1.5 ?使用TensorFlow標準化編譯對iris模型進行擬合 34

                        2.1.6 ?多輸入單一輸出TensorFlow 編譯方法(選學) 38

                        2.1.7 ?多輸入多輸出TensorFlow 編譯方法(選學) 41

                        2.2 ?全連接層詳解 43

                        2.2.1 ?全連接層的定義與實現 43

                        2.2.2 ?使用TensorFlow自帶的API實現全連接層 44

                        2.2.3 ?打印顯示已設計的Model結構和參數 48

                        2.3 ?懶人的福音——Keras模型庫 49

                        2.3.1 ?ResNet50模型和參數的載入 50

                        2.3.2 ?使用ResNet50作為特征提取層建立模型 52

                        2.4 ?本章小結 54

                        第3章 ?深度學習的理論基礎 55

                        3.1 ?BP神經網絡簡介 55

                        3.2 ?BP神經網絡兩個基礎算法詳解 59

                        3.2.1 ?小二乘法詳解 59

                        3.2.2 ?道士下山的故事:梯度下降算法 61

                        3.3 ?反饋神經網絡反向傳播算法 63

                        3.3.1 ?深度學習基礎 64

                        3.3.2 ?鏈式求導法則 65

                        3.3.3 ?反饋神經網絡原理與公式推導 66

                        3.3.4 ?反饋神經網絡的激活函數 71

                        3.3.5 ?反饋神經網絡的Python實現 72

                        3.4 ?本章小結 76

                        第4章 ?卷積層與MNIST實戰 77

                        4.1 ?卷積運算的基本概念 77

                        4.1.1 ?卷積運算 78

                        4.1.2 ?TensorFlow中卷積函數實現詳解 79

                        4.1.3 ?池化運算 82

                        4.1.4 ?softmax激活函數 83

                        4.1.5 ?卷積神經網絡原理 84

                        4.2 ?編程實戰:MNIST手寫體識別 86

                        4.2.1 ?MNIST數據集 86

                        4.2.2 ?MNIST數據集特征和標簽介紹 88

                        4.2.3 ?TensorFlow 2.X編程實戰:MNIST數據集 90

                        4.2.4 ?使用自定義的卷積層實現MNIST識別 95

                        4.3 ?本章小結 98

                        第5章 ?TensorFlow Datasets和TensorBoard詳解 99

                        5.1 ?TensorFlow Datasets簡介 99

                        5.1.1 ?Datasets數據集的安裝 101

                        5.1.2 ?Datasets數據集的使用 101

                        5.2 ?Datasets數據集的使用——FashionMNIST 103

                        5.2.1 ?FashionMNIST數據集下載與展示 104

                        5.2.2 ?模型的建立與訓練 106

                        5.3 ?使用Keras對FashionMNIST數據集進行處理 108

                        5.3.1 ?獲取數據集 108

                        5.3.2 ?數據集的調整 109

                        5.3.3 ?使用Python類函數建立模型 109

                        5.3.4 ?Model的查看和參數打印 111

                        5.3.5 ?模型的訓練和評估 112

                        5.4 ?使用TensorBoard可視化訓練過程 114

                        5.4.1 ?TensorBoard文件夾的設置 115

                        5.4.2 ?TensorBoard的顯式調用 115

                        5.4.3 ?TensorBoard的使用 118

                        5.5 ?本章小結 121

                        第6章 ?從冠軍開始:ResNet 122

                        6.1 ?ResNet基礎原理與程序設計基礎 123

                        6.1.1 ?ResNet誕生的背景 123

                        6.1.2 ?模塊工具的TensorFlow實現——不要重復造輪子 126

                        6.1.3 ?TensorFlow高級模塊layers用法簡介 126

                        6.2 ?ResNet實戰:CIFAR-100數據集分類 134

                        6.2.1 ?CIFAR-100數據集簡介 134

                        6.2.2 ?ResNet殘差模塊的實現 136

                        6.2.3 ?ResNet網絡的實現 139

                        6.2.4 ?使用ResNet對CIFAR-100數據集進行分類 142

                        6.3 ?ResNet的兄弟——ResNeXt 143

                        6.3.1 ?ResNeXt誕生的背景 143

                        6.3.2 ?ResNeXt殘差模塊的實現 145

                        6.3.3 ?ResNeXt網絡的實現 146

                        6.3.4 ?ResNeXt和ResNet的比較 148

                        6.4 ?本章小結 149

                        第7章 ?使用循環神經網絡的語音識別實戰 150

                        7.1 ?使用循環神經網絡的語音識別 150

                        7.2 ?長短期記憶網絡 151

                        7.2.1 ?Hochreiter、Schmidhuber和LSTM 152

                        7.2.2 ?循環神經網絡與長短時間序列 153

                        7.2.3 ?LSTM的處理單元詳解 154

                        7.2.4 ?LSTM的研究發展 157

                        7.2.5 ?LSTM的應用前景 158

                        7.3 ?GRU層詳解 159

                        7.3.1 ?TensorFlow中的GRU層詳解 160

                        7.3.2 ?單向不行,那就雙向 160

                        7.4 ?站在巨人肩膀上的語音識別 161

                        7.4.1 ?使用TensorFlow自帶的模型進行文本分類 162

                        7.4.2 ?用VGGNET替換ResNet是否可行 164

                        7.5 ?本章小結 165

                        第8章 ?梅西-阿根廷 意大利=?:有趣的詞嵌入實戰 166

                        8.1 ?文本數據處理 167

                        8.1.1 ?數據集介紹和數據清洗 167

                        8.1.2 ?停用詞的使用 169

                        8.1.3 ?詞向量訓練模型Word2Vec使用介紹 172

                        8.1.4 ?文本主題的提?。夯赥F-IDF(選學) 175

                        8.1.5 ?文本主題的提?。夯赥extRank(選學) 179

                        8.2 ?更多的Word Embedding方法——fastText和預訓練詞向量 181

                        8.2.1 ?fastText的原理與基礎算法 182

                        8.2.2 ?fastText訓練以及與TensorFlow 2.X的協同使用 183

                        8.2.3 ?使用其他預訓練參數做TensorFlow詞嵌入矩陣(中文) 189

                        8.3 ?針對文本的卷積神經網絡模型:字符卷積 191

                        8.3.1 ?字符(非單詞)文本的處理 191

                        8.3.2 ?卷積神經網絡文本分類模型的實現:conv1d(一維卷積) 199

                        8.4 ?針對文本的卷積神經網絡模型:詞卷積 200

                        8.4.1 ?單詞的文本處理 201

                        8.4.2 ?卷積神經網絡文本分類模型的實現:conv2d(二維卷積) 203

                        8.5 ?使用卷積對文本分類的補充內容 206

                        8.5.1 ?漢字的文本處理 207

                        8.5.2 ?其他的一些細節 209

                        8.6 ?本章小結 210

                        第9章 ?從拼音到漢字——語音識別中的轉換器 211

                        9.1 ?編碼器的核心:注意力模型 212

                        9.1.1 ?輸入層——初始詞向量層和位置編碼器層 212

                        9.1.2 ?自注意力層(重點) 214

                        9.1.3 ?ticks和LayerNormalization 218

                        9.1.4 ?多頭自注意力 219

                        9.2 ?構建編碼器架構 222

                        9.2.1 ?前饋層的實現 223

                        9.2.2 ?編碼器的實現 224

                        9.3 ?實戰編碼器——漢字拼音轉化模型 228

                        9.3.1 ?漢字拼音數據集處理 228

                        9.3.2 ?漢字拼音轉化模型的確定 230

                        9.3.3 ?模型訓練部分的編寫 234

                        9.3.4 ?推斷函數的編寫 235

                        9.4 ?本章小結 237

                        第10章 ?實戰——基于MFCC和CTC的語音漢字轉換 238

                        10.1 ?語音識別的理論基礎1——MFCC 238

                        10.2 ?語音識別的理論基礎2——CTC 245

                        10.3 ?實戰——語音漢字轉換 247

                        10.3.1 ?數據集THCHS-30簡介 247

                        10.3.2 ?數據集的提取與轉化 248

                        10.4 ?本章小結 256
                      • 內容簡介:
                        本書使用新的TensorFlow 2作為語音識別的基本框架,引導讀者入門并掌握基于深度學習的語音識別基本理論、概念以及實現實際項目。全書內容循序漸進,從搭建環境開始,逐步深入理論、代碼及應用實踐,是語音識別技術圖書的**。 本書分為10章,內容包括語音識別概況與開發環境搭建、TensorFlow和Keras、深度學習的理論基礎、卷積層與MNIST實戰、TensorFlow Datasets和TensorBoard詳解、ResNet模型、使用循環神經網絡的語音識別實戰、有趣的詞嵌入實戰、語音識別中的轉換器實戰、語音漢字轉換實戰。 本書內容詳盡、示例豐富,適合作為語音識別和深度學習初學者的參考書,同時非常適合作為高等院校和培訓機構人工智能及相關專業師生的參考教材。
                      • 作者簡介:
                        王曉華,計算機專業講師,長期講授面向對象程序設計、數據結構、Hadoop程序設計等研究生和本科生相關課程;主要研究方向為云計算、數據挖掘。曾主持和參與多項國家和省級科研課題,獨立科研項目獲省級成果認定,發表過多篇論文,擁有一項國家專利。著有《Spark MLlib機器學習實踐》《TensorFlow深度學習應用實踐》《OpenCV TensorFlow深度學習與計算機視覺實戰》《TensorFlow 2.0卷積神經網絡實戰》《TensorFlow Keras自然語言處理實戰》等圖書。
                      • 目錄:
                        第1章 ?語音識別之路 1

                        1.1 ?何謂語音識別 1

                        1.2 ?語音識別為什么難——語音識別的發展歷程 2

                        1.2.1 ?高斯混合-隱馬爾科夫時代 3

                        1.2.2 ?循環神經網絡-隱馬爾科夫時代 4

                        1.2.3 ?基于深度學習的端到端語音識別時代 5

                        1.3 ?語音識別商業化之路的三個關鍵節點 5

                        1.4 ?語音識別的核心技術與行業發展趨勢 7

                        1.5 ?搭建環境1:安裝Python 8

                        1.5.1 ?Anaconda的下載與安裝 8

                        1.5.2 ?Python編譯器PyCharm的安裝 11

                        1.5.3 ?使用Python計算softmax函數 14

                        1.6 ?搭建環境2:安裝TensorFlow 2.1 15

                        1.6.1 ?安裝TensorFlow 2.1的CPU版本 15

                        1.6.2 ?安裝TensorFlow 2.1的GPU版本 15

                        1.6.3 ?練習——Hello TensorFlow 18

                        1.7 ?實戰——基于特征詞的語音喚醒 19

                        1.7.1 ?步:數據的準備 19

                        1.7.2 ?第二步:數據的處理 20

                        1.7.3 ?第三步:模型的設計 21

                        1.7.4 ?第四步:模型的數據輸入方法 22

                        1.7.5 ?第五步:模型的訓練 24

                        1.7.6 ?第六步:模型的結果和展示 25

                        1.8 ?本章小結 25

                        第2章 ?TensorFlow和Keras 26

                        2.1 ?TensorFlow和Keras 26

                        2.1.1 ?模型 27

                        2.1.2 ?使用Keras API實現鳶尾花分類(順序模式) 27

                        2.1.3 ?使用Keras函數式編程實現鳶尾花分類(重點) 30

                        2.1.4 ?使用保存的Keras模式對模型進行復用 33

                        2.1.5 ?使用TensorFlow標準化編譯對iris模型進行擬合 34

                        2.1.6 ?多輸入單一輸出TensorFlow 編譯方法(選學) 38

                        2.1.7 ?多輸入多輸出TensorFlow 編譯方法(選學) 41

                        2.2 ?全連接層詳解 43

                        2.2.1 ?全連接層的定義與實現 43

                        2.2.2 ?使用TensorFlow自帶的API實現全連接層 44

                        2.2.3 ?打印顯示已設計的Model結構和參數 48

                        2.3 ?懶人的福音——Keras模型庫 49

                        2.3.1 ?ResNet50模型和參數的載入 50

                        2.3.2 ?使用ResNet50作為特征提取層建立模型 52

                        2.4 ?本章小結 54

                        第3章 ?深度學習的理論基礎 55

                        3.1 ?BP神經網絡簡介 55

                        3.2 ?BP神經網絡兩個基礎算法詳解 59

                        3.2.1 ?小二乘法詳解 59

                        3.2.2 ?道士下山的故事:梯度下降算法 61

                        3.3 ?反饋神經網絡反向傳播算法 63

                        3.3.1 ?深度學習基礎 64

                        3.3.2 ?鏈式求導法則 65

                        3.3.3 ?反饋神經網絡原理與公式推導 66

                        3.3.4 ?反饋神經網絡的激活函數 71

                        3.3.5 ?反饋神經網絡的Python實現 72

                        3.4 ?本章小結 76

                        第4章 ?卷積層與MNIST實戰 77

                        4.1 ?卷積運算的基本概念 77

                        4.1.1 ?卷積運算 78

                        4.1.2 ?TensorFlow中卷積函數實現詳解 79

                        4.1.3 ?池化運算 82

                        4.1.4 ?softmax激活函數 83

                        4.1.5 ?卷積神經網絡原理 84

                        4.2 ?編程實戰:MNIST手寫體識別 86

                        4.2.1 ?MNIST數據集 86

                        4.2.2 ?MNIST數據集特征和標簽介紹 88

                        4.2.3 ?TensorFlow 2.X編程實戰:MNIST數據集 90

                        4.2.4 ?使用自定義的卷積層實現MNIST識別 95

                        4.3 ?本章小結 98

                        第5章 ?TensorFlow Datasets和TensorBoard詳解 99

                        5.1 ?TensorFlow Datasets簡介 99

                        5.1.1 ?Datasets數據集的安裝 101

                        5.1.2 ?Datasets數據集的使用 101

                        5.2 ?Datasets數據集的使用——FashionMNIST 103

                        5.2.1 ?FashionMNIST數據集下載與展示 104

                        5.2.2 ?模型的建立與訓練 106

                        5.3 ?使用Keras對FashionMNIST數據集進行處理 108

                        5.3.1 ?獲取數據集 108

                        5.3.2 ?數據集的調整 109

                        5.3.3 ?使用Python類函數建立模型 109

                        5.3.4 ?Model的查看和參數打印 111

                        5.3.5 ?模型的訓練和評估 112

                        5.4 ?使用TensorBoard可視化訓練過程 114

                        5.4.1 ?TensorBoard文件夾的設置 115

                        5.4.2 ?TensorBoard的顯式調用 115

                        5.4.3 ?TensorBoard的使用 118

                        5.5 ?本章小結 121

                        第6章 ?從冠軍開始:ResNet 122

                        6.1 ?ResNet基礎原理與程序設計基礎 123

                        6.1.1 ?ResNet誕生的背景 123

                        6.1.2 ?模塊工具的TensorFlow實現——不要重復造輪子 126

                        6.1.3 ?TensorFlow高級模塊layers用法簡介 126

                        6.2 ?ResNet實戰:CIFAR-100數據集分類 134

                        6.2.1 ?CIFAR-100數據集簡介 134

                        6.2.2 ?ResNet殘差模塊的實現 136

                        6.2.3 ?ResNet網絡的實現 139

                        6.2.4 ?使用ResNet對CIFAR-100數據集進行分類 142

                        6.3 ?ResNet的兄弟——ResNeXt 143

                        6.3.1 ?ResNeXt誕生的背景 143

                        6.3.2 ?ResNeXt殘差模塊的實現 145

                        6.3.3 ?ResNeXt網絡的實現 146

                        6.3.4 ?ResNeXt和ResNet的比較 148

                        6.4 ?本章小結 149

                        第7章 ?使用循環神經網絡的語音識別實戰 150

                        7.1 ?使用循環神經網絡的語音識別 150

                        7.2 ?長短期記憶網絡 151

                        7.2.1 ?Hochreiter、Schmidhuber和LSTM 152

                        7.2.2 ?循環神經網絡與長短時間序列 153

                        7.2.3 ?LSTM的處理單元詳解 154

                        7.2.4 ?LSTM的研究發展 157

                        7.2.5 ?LSTM的應用前景 158

                        7.3 ?GRU層詳解 159

                        7.3.1 ?TensorFlow中的GRU層詳解 160

                        7.3.2 ?單向不行,那就雙向 160

                        7.4 ?站在巨人肩膀上的語音識別 161

                        7.4.1 ?使用TensorFlow自帶的模型進行文本分類 162

                        7.4.2 ?用VGGNET替換ResNet是否可行 164

                        7.5 ?本章小結 165

                        第8章 ?梅西-阿根廷 意大利=?:有趣的詞嵌入實戰 166

                        8.1 ?文本數據處理 167

                        8.1.1 ?數據集介紹和數據清洗 167

                        8.1.2 ?停用詞的使用 169

                        8.1.3 ?詞向量訓練模型Word2Vec使用介紹 172

                        8.1.4 ?文本主題的提?。夯赥F-IDF(選學) 175

                        8.1.5 ?文本主題的提?。夯赥extRank(選學) 179

                        8.2 ?更多的Word Embedding方法——fastText和預訓練詞向量 181

                        8.2.1 ?fastText的原理與基礎算法 182

                        8.2.2 ?fastText訓練以及與TensorFlow 2.X的協同使用 183

                        8.2.3 ?使用其他預訓練參數做TensorFlow詞嵌入矩陣(中文) 189

                        8.3 ?針對文本的卷積神經網絡模型:字符卷積 191

                        8.3.1 ?字符(非單詞)文本的處理 191

                        8.3.2 ?卷積神經網絡文本分類模型的實現:conv1d(一維卷積) 199

                        8.4 ?針對文本的卷積神經網絡模型:詞卷積 200

                        8.4.1 ?單詞的文本處理 201

                        8.4.2 ?卷積神經網絡文本分類模型的實現:conv2d(二維卷積) 203

                        8.5 ?使用卷積對文本分類的補充內容 206

                        8.5.1 ?漢字的文本處理 207

                        8.5.2 ?其他的一些細節 209

                        8.6 ?本章小結 210

                        第9章 ?從拼音到漢字——語音識別中的轉換器 211

                        9.1 ?編碼器的核心:注意力模型 212

                        9.1.1 ?輸入層——初始詞向量層和位置編碼器層 212

                        9.1.2 ?自注意力層(重點) 214

                        9.1.3 ?ticks和LayerNormalization 218

                        9.1.4 ?多頭自注意力 219

                        9.2 ?構建編碼器架構 222

                        9.2.1 ?前饋層的實現 223

                        9.2.2 ?編碼器的實現 224

                        9.3 ?實戰編碼器——漢字拼音轉化模型 228

                        9.3.1 ?漢字拼音數據集處理 228

                        9.3.2 ?漢字拼音轉化模型的確定 230

                        9.3.3 ?模型訓練部分的編寫 234

                        9.3.4 ?推斷函數的編寫 235

                        9.4 ?本章小結 237

                        第10章 ?實戰——基于MFCC和CTC的語音漢字轉換 238

                        10.1 ?語音識別的理論基礎1——MFCC 238

                        10.2 ?語音識別的理論基礎2——CTC 245

                        10.3 ?實戰——語音漢字轉換 247

                        10.3.1 ?數據集THCHS-30簡介 247

                        10.3.2 ?數據集的提取與轉化 248

                        10.4 ?本章小結 256
                      查看詳情
                      相關圖書 / 更多
                      TensorFlow語音識別實戰
                      Teaching the Secunda Lex: Deuteronomy and Church Reform at Lyon in the Age of Charlemagne(教授“二次立法”:《申命記》與里昂地區的查理曼改革)
                      劉寅
                      TensorFlow語音識別實戰
                      TensorFlow深度學習項目實戰
                      [美]盧卡·馬薩羅(Luca Massaron)(美)阿爾貝托·博斯凱蒂(Alb
                      TensorFlow語音識別實戰
                      TestStand工業自動化測試管理(典藏版)
                      胡典鋼
                      TensorFlow語音識別實戰
                      TensorFlow Lite移動端深度學習
                      朱元濤
                      TensorFlow語音識別實戰
                      TensorFlow 2深度學習實戰
                      崔煒;張良均
                      TensorFlow語音識別實戰
                      TensorFlow 2 人工神經網絡學習手冊
                      [印度]P.薩朗 編著
                      TensorFlow語音識別實戰
                      TensorFlow Lite移動設備深度學習從入門到實踐
                      張元勇
                      TensorFlow語音識別實戰
                      TensorFlow機器學習(原書第2版)
                      [美]克里斯·馬特曼(Chris Mattmann) 著
                      TensorFlow語音識別實戰
                      TensorFlow深度學習實戰(微課視頻版)
                      呂云翔 王志鵬 劉卓然 主編;歐陽植昊 郭志鵬 王淥汀 閆坤 杜宸洋 關捷雄 華昱云 陳妙然 副主編
                      TensorFlow語音識別實戰
                      TestDaF德語德??荚囍黝}詞匯例句
                      陳小飛
                      TensorFlow語音識別實戰
                      TensorFlow深度學習——手把手教你掌握100個精彩案例(Python版)(人工智能科學與技術叢書)
                      柯博文 著
                      TensorFlow語音識別實戰
                      Terraform 實戰
                      [美]斯科特·溫克勒(Scott Winkler)
                      您可能感興趣 / 更多
                      TensorFlow語音識別實戰
                      谷歌JAX深度學習從零開始學
                      王曉華
                      TensorFlow語音識別實戰
                      移動機器人原理與技術
                      王曉華
                      TensorFlow語音識別實戰
                      Spark 3.0大數據分析與挖掘:基于機器學習
                      王曉華 羅凱靖
                      TensorFlow語音識別實戰
                      廣告學專業畢業設計指導手冊
                      王曉華;黃玉波
                      TensorFlow語音識別實戰
                      傳播學研究方法
                      王曉華 郭良文 主編
                      TensorFlow語音識別實戰
                      深度學習案例精粹:基于TensorFlow與Keras
                      王曉華
                      TensorFlow語音識別實戰
                      審判大漢奸
                      王曉華
                      TensorFlow語音識別實戰
                      TensorFlow知識圖譜實戰
                      王曉華
                      TensorFlow語音識別實戰
                      TensorFlow人臉識別實戰
                      王曉華
                      TensorFlow語音識別實戰
                      Keras實戰:基于TensorFlow2.2的深度學習實踐
                      王曉華
                      TensorFlow語音識別實戰
                      TensorFlow+Keras自然語言處理實戰
                      王曉華
                      TensorFlow語音識別實戰
                      TensorFlow 2.0深度學習從零開始學
                      王曉華
                      实拍会所推油54分钟免费观看