《TensorFlow入門與實戰》是2019年6月人民郵電出版社出版的圖書，作者是羅冬日。
基本介紹
- 書名：TensorFlow入門與實戰
- 作者：羅冬日
- ISBN：9787115477019
- 頁數：171頁
- 定價：49元
- 出版社：人民郵電出版社
- 出版時間：2019年6月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
TensorFlow是2015年年底開源的一套深度學習框架，是目前 活躍的深度學習框架。本書基於1.3版本，首先介紹了它的安裝和基本用法，然後討論了深料兆台度學習的基本概念，包括神經網路前向計算、損失函式、反向戲請只傳播計算和最佳化函式等，接著介謎請堡紹了卷積神經網路格符旬和循環神經網路，介紹了在大規模套用的場景下，如何實現分散式的深度學習訓練。
圖書目錄
本書適合深度學習的初學者學習和參考。
第 1章 初識TensorFlow 1
1.1 TensorFlow特點 1
1.2 其他深度學習框架 3
1.2.1 Caffe 3
1.2.2 MXNet 3
1.2.3 Torch 4
1.2.4 Theano 4
1.2.5 CNTK 5
第 2章 TensorFlow環境搭建 6
2.1 安裝環境介紹 6
2.1.1 CUDA簡介 6
2.1.2 cuDNN簡介 6
2.1.3 查看機器的GPU信息 7
2.2 安裝TensorFlow 8
2.2.1 安裝pip 9
2.2.2 通過pip安裝TensorFlow 9
2.2.3 源碼編譯安裝TensorFlow 10
2.3 NVIDIA驅動安裝 11
2.4 安裝CUDA和cuDNN 12
2.4.1 Linux下安裝CUDA 12
2.4.2 Linux下安裝cuDNN 13
2.4.3 Windows和Mac系統下安裝CUDA 14
2.4.4 Windows和Mac系統下安裝cuDNN 14
2.5 安裝測試 15
第3章 TensorFlow基礎 16
3.1 基本概念 16
3.1.1 張量 16
3.1.2 圖 17
3.1.3 操作 18
3.1.4 會話 19
3.2 變數 24
3.2.1 變數的初始化 24
3.2.2 變數的變形 25
3.2.3 數據類型和維度 26
3.2.4 共享變數和變數命名空間 27
3.3 模型的保存和載入 33
3.3.1 模型的保存 33
3.3.2 模型的載入 34
3.4 使用GPU 34
3.4.1 GPU設備 35
3.4.2 GPU顯存占用 36
3.5 數據讀取 36
3.5.1 使用placeholder填充方式讀取數據 37
3.5.2 從檔案讀入數據的方式 37
3.5.3 預先讀入記憶體的方式 48
3.6 利用TensorBoard進行數據可視化 49
3.6.1 在TensorBoard中查看圖結構 49
3.6.2 訓練過程中單一數據變化趨勢 51
3.6.3 訓練過程中數據分布可視化 53
3.6.4 其他使用技巧 56
第4章 深度神經網路基礎 58
4.1 神經元 58
4.2 簡單神經網路 59
4.3 深度神經網路 62
4.4 損失函式 63
4.5 梯度下降 64
4.6 反向傳播 66
4.6.1 求導鏈式法則 66
4.6.2 反向傳達慨應臘播算法思路 67
4.6.3 反向傳播算法的計算過程 68
4.7 敬愚最佳化函式 72
4.7.1 隨機梯度下降最佳化算法 72
4.7.2 基於衝量的最佳化算法 73
4.7.3 Adagrad最佳化算法 74
4.7.4 Adadelta最佳化算法 75
4.7.5 Adam最佳化算法 75
4.7.6 TensorFlow中的最佳化算法API 76
4.8 一個簡單的例子 77
第5章 卷積神經網路 83
5.1 簡介 83
5.2 什麼是卷積 84
5.3 卷積神經網路基礎 88
5.3.1 局部感知野 88
5.3.2 參數共享 89
5.3.3 多卷積核 91
5.3.4 池化 92
5.3.5 多層卷積 93
5.4 卷積神經網路的訓練 94
5.4.1 池化層反向傳播 95
5.4.2 卷積層反向傳播地閥贈頌 96
5.5 TensorFlow中的卷積神經網路 101
5.5.1 TensorFlow的卷積操作 101
5.5.2 TensorFlow的池化操作 103
5.6 用TensorFlow實現0和1數字識別 104
5.6.1 由圖片生成TFRecord檔案 104
5.6.2 構建卷積網路結構 106
5.6.3 訓練過程 110
5.6.4 卷積過程數據的變化 114
5.7 幾種經典的卷積神經網路 117
5.7.1 AlexNet 117
5.7.2 VGGNet 118
5.7.3 Inception Net 120
5.7.4 ResNet 121
第6章 循環神經網路 123
6.1 普通RNN 123
6.1.1 普通RNN結構 123
6.1.2 普通RNN的不足 125
6.2 LSTM單元 126
6.2.1 LSTM單元基本結構 127
6.2.2 增加peephole的LSTM單元 131
6.2.3 GRU單元 132
6.3 TensorFlow中的RNN 132
6.4 用LSTM+CTC實現語音識別 136
6.4.1 語音特徵介紹 136
6.4.2 計算流程描述 137
6.4.3 TensorFlow實現 139
6.5 在NLP中的套用 144
6.5.1 語言模型 144
6.5.2 詞向量 147
6.5.3 中文分詞 148
6.6 小結 159
第7章 TensorFlow分散式 160
7.1 單機多GPU訓練 160
7.2 多機多GPU分散式訓練 163
7.2.1 參數伺服器 163
7.2.2 in-graph和between-graph
模式 164
7.2.3 同步更新和異步更新 165
7.2.4 異步更新分散式示例 165
3.6.4 其他使用技巧 56
第4章 深度神經網路基礎 58
4.1 神經元 58
4.2 簡單神經網路 59
4.3 深度神經網路 62
4.4 損失函式 63
4.5 梯度下降 64
4.6 反向傳播 66
4.6.1 求導鏈式法則 66
4.6.2 反向傳播算法思路 67
4.6.3 反向傳播算法的計算過程 68
4.7 最佳化函式 72
4.7.1 隨機梯度下降最佳化算法 72
4.7.2 基於衝量的最佳化算法 73
4.7.3 Adagrad最佳化算法 74
4.7.4 Adadelta最佳化算法 75
4.7.5 Adam最佳化算法 75
4.7.6 TensorFlow中的最佳化算法API 76
4.8 一個簡單的例子 77
第5章 卷積神經網路 83
5.1 簡介 83
5.2 什麼是卷積 84
5.3 卷積神經網路基礎 88
5.3.1 局部感知野 88
5.3.2 參數共享 89
5.3.3 多卷積核 91
5.3.4 池化 92
5.3.5 多層卷積 93
5.4 卷積神經網路的訓練 94
5.4.1 池化層反向傳播 95
5.4.2 卷積層反向傳播 96
5.5 TensorFlow中的卷積神經網路 101
5.5.1 TensorFlow的卷積操作 101
5.5.2 TensorFlow的池化操作 103
5.6 用TensorFlow實現0和1數字識別 104
5.6.1 由圖片生成TFRecord檔案 104
5.6.2 構建卷積網路結構 106
5.6.3 訓練過程 110
5.6.4 卷積過程數據的變化 114
5.7 幾種經典的卷積神經網路 117
5.7.1 AlexNet 117
5.7.2 VGGNet 118
5.7.3 Inception Net 120
5.7.4 ResNet 121
第6章 循環神經網路 123
6.1 普通RNN 123
6.1.1 普通RNN結構 123
6.1.2 普通RNN的不足 125
6.2 LSTM單元 126
6.2.1 LSTM單元基本結構 127
6.2.2 增加peephole的LSTM單元 131
6.2.3 GRU單元 132
6.3 TensorFlow中的RNN 132
6.4 用LSTM+CTC實現語音識別 136
6.4.1 語音特徵介紹 136
6.4.2 計算流程描述 137
6.4.3 TensorFlow實現 139
6.5 在NLP中的套用 144
6.5.1 語言模型 144
6.5.2 詞向量 147
6.5.3 中文分詞 148
6.6 小結 159
第7章 TensorFlow分散式 160
7.1 單機多GPU訓練 160
7.2 多機多GPU分散式訓練 163
7.2.1 參數伺服器 163
7.2.2 in-graph和between-graph
模式 164
7.2.3 同步更新和異步更新 165
7.2.4 異步更新分散式示例 165
