机读格式显示(MARC)

• 000 01883nam0 2200337 450

• 001 0000582341

• 005 20220814195700.0

• 010 __ |a 978-7-302-59865-7 |b 精装 |d CNY98.00

• 100 __ |a 20220520d2022 em y0chiy50 ea

• 101 1_ |a chi |c ger

• 102 __ |a CN |b 110000

• 105 __ |a ak z 000yy

• 106 __ |a r

• 200 1_ |a 概率深度学习 |A gai lü shen du xue xi |e 使用Python、Keras和TensorFlow Probability |f (德) 奥利弗·杜尔, 贝亚特·西克, 埃尔维斯·穆里纳著 |g 催亚奇, 唐田田, 但波译

• 210 __ |a 北京 |c 清华大学出版社 |d 2022.3

• 215 __ |a 336页 |c 图 |d 22cm

• 312 __ |a 英文题名取自版权页

• 330 __ |a 概率原理是深度学习的基础。在深度学习中，几乎所有的神经网络都是概率模型。这之中有两个强大的概率原理，它们分别是极大似然和贝叶斯。其中最大似然支配着所有传统的深度学习方法。将网络理解为采用最大似然原理训练得到的概率模型，可以帮助提高网络性能，就像谷歌从WaveNet提升到WaveNet++时所做的那样，或生成令人惊叹的应用程序，就像OpenAI在Glow中所做的那样，Glow可是一个生成逼真人脸图像的强大网络。当网络需要说“我不确定”时，贝叶斯方法就会发挥作用。奇怪的是，传统的神经网络无法做到这一点。本书的副标题是“使用 Python、 Keras和TensorFlow Probability”，它反映了这样一个事实：你确实应该亲自动手编写一些代码。

• 333 __ |a 机器学习者

• 500 10 |a Probabilistic deep learning: with Python、Keras and TensorFlow Probability |A Probabilistic Deep Learning: With Python、Keras And Tensorflow Probability |m Chinese

• 517 1_ |a 使用Python、Keras和TensorFlow Probability |A shi yongPython、KerasheTensorFlow Probability

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _1 |a 杜尔 |A du er |g (Durr, Oliver) |4 著

• 701 _1 |a 西克 |A xi ke |g (Sick, Beate) |4 著

• 701 _1 |a 穆里纳 |A mu li na |g (Murina, Elivis) |4 著

• 702 _0 |a 催亚奇 |A cui ya qi |4 译

• 702 _0 |a 唐田田 |A tang tian tian |4 译

• 702 _0 |a 但波 |A dan bo |4 译

• 801 _0 |a CN |b 江苏新华 |c 20220513

• 905 __ |a WXCSXY |d TP181/272