《TensorFlow全棧開發工程實踐——做一個全智全能算法工程師》，是2023年6月中國水利水電出版社出版的圖書，作者王艷銘，主要是基於Python語言講解TensorFlow開發的原理、技巧，AI崗位的常用算法，以及實際開發案例。
基本介紹
- 中文名：《TensorFlow全棧開發工程實踐——做一個全智全能算法工程師》
- 作者：王艷銘
- 語言：中文
- 出版時間：2023年6月
- 出版社：中國水利水電出版社
- 出版地：北京
- 頁數：396 頁
- 字數：583千字
- ISBN：9787522615950
- 類別：人工智慧
- 定價：102 元
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,作者簡介,
內容簡介
《TensorFlow 全棧開發工程實踐——做一個全智全能算法工程師》共分為 8 章，主要內容包括與人工智慧相關的數學知識，Python 語言所特有的語法和技巧，Docker 模型透明無縫地發布的實現，業界優秀的 Git 代碼版本管理工具，模型開發環境的配置，高級人工智慧開發工程師常用的 IDE 開發工具，經典神經網路模型的剖析和分解，RPC 遠程調用的實現，訓練樣本的序化組織結構TFRecord，模型的訓練、保存和封裝發布，模型訓練的 GPU 配置和機制策略的部署，模型從訓練到發布的完整示例等。
《TensorFlow 全棧開發工程實踐——做一個全智全能算法工程師》適合有計算機專業和數學專業背景的初、中級開發者閱讀，以便快速掌握和駕馭人工智慧全棧技術， 也適合作為在職人工智慧模型開發人員查詢時使用的手冊級工具用書，還適合作為中職學校、高等院校及培訓機構計算機人工智慧和大數據等相關專業的教學用書。
封面
圖書目錄
第 1 章 爛熟於心的基礎知識 1
1.1 快速惡補必要的數學知識 1
1.1.1 線性代數提供了一種看待世界的抽象視角 1
1.1.2 機率論用面積度量世界萬物的存在 15
1.1.3 微積分運算解決了一定條件下直線到曲線的矛盾 22
1.1.4 資訊理論的產物：交叉熵 27
1.2 Python 語言沒有想像的那樣簡單 ·······29
1.2.1 Python 模組的導入和引用·········29
1.2.2 Python 中那些奇怪符號的用法 ····34
1.2.3 僅 Python 才有的神奇代碼 44
1.2.4 Python 代碼高級綜合案例 46
1.3 選擇 TensorFlow 1.X 還是 2.X 的理由 54
1.3.1 TensorFlow 概述 54
1.3.2 TensorFlow 1.X 與 TensorFlow 2.X 的區別 57
1.3.3 TensorFlow 1.X 和 TensorFlow2.X 的手寫數字識別 60
本章小結 65
第 2 章 模型工程化必備的技能 ···················66
2.1 模型轉換為雲服務的橋樑：Docker ·······66
2.1.1 映像、容器和隔離 67
2.1.2 Docker Compose 74
2.1.3 大規模使用 Docker 79
2.2 Git 版本管理系統 81
2.2.1 安裝 Git 82
2.2.2 搭建代碼數據倉庫 85
2.2.3 Git 的流行僅因為多了一個“分支” 92
2.2.4 刪除檔案、檔案重命名、去除提交和恢復檔案 97
2.2.5 遠程版本管理 100
2.2.6 Git 版本合併容錯 110
本章小結 112
第 3 章 TensorFlow 的安裝和配置 1 14
3.1 Windows 開發環境的配置 114
3.1.1 Anaconda 114
3.1.2 CUDA 和 cuDNN 116
3.1.3 PyCharm 119
3.2 Linux 開發環境的配置 122
3.2.1 Virtualenv 和 Docker 125
3.2.2 Jupyter NoteBook 126
3.2.3 Vim 132
3.3 Python 常用的科學計算和機器學習庫 137
3.3.1 NumPy 137
3.3.2 Matplotlib 143
3.3.3 Pandas 149
3.3.4 Python SciPy 157
3.3.5 Scikit-Learn 159
本章小結 166
第 4 章 雲端部署 TensorFlow 模型 170
4.1 RPC 原理 170
4.2 遠程調用通信機制 172
4.2.1 發布服務 173
4.2.2 使用 Python 實現 RPC 服務 176
4.2.3 使用 JSON 實現序化和反序化 182
4.3 TensorFlow Serving 發布服務 185
4.3.1 TensorFlow Serving 的安裝 ·····186
4.3.2 TensorFlow Serving 的 Docker環境 187
4.3.3 客戶端遠程調用 TensorFlowServing 服務 188
4.3.4 TensorFlow Serving 簡化版的實現 190
4.3.5 使用 gRPC 調用服務 193
本章小結 195
第 5 章 TensorFlow 基礎 196
5.1 基本概念與框架 196
5.1.1 TensorFlow 的基本概念 198
5.1.2 使用 Eager Execution 進行簡單線性回歸訓練 200
5.1.3 估算器框架接口 204
5.1.4 tf.keras 接口 210
5.1.5 CNN 卷積核的多樣性 216
5.1.6 循環神經網路 219
5.2 TensorFlow 的 GPU 資源分配和策略 235
5.2.1 為整個程式指定 GPU 卡 235
5.2.2 個性化定製 GPU 資源 237
5.2.3 使用 GPU 分布策略 238
5.3 TensorFlow 訓練模型的保存與載入 246
5.3.1 用靜態數據流圖保存、二次訓練和載入模型 246
5.3.2 用 Build 方式保存模型 249
5.3.3 訓練模型的保存與載入 251
5.4 TFRecord 259
5.4.1 tf.Example 的數據類型 259
5.4.2 讀取序化檔案形成數據集 262
5.4.3 對圖像進行序化處理 263
5.4.4 對樣本圖像的批量複雜處理 265
5.4.5 VarLenFeature 和 FixedLenFeature的區別 267
5.4.6 將 CSV 檔案轉換為TFRecord 272
5.4.7 將 XML 檔案轉換為TFRecord 273
本章小結 275
第 6 章 經典神經網路模型 278
6.1 AlexNet：AI 潮起 278
6.1.1 AlexNet 模型結構 278
6.1.2 AlexNet 帶來的新技術 279
6.1.3 AlexNet 基於 TensorFlow 2.0的實現 281
6.2 VGGNet：更小的卷積造就更深的網路 285
6.2.1 VGGNet 模型架構 285
6.2.2 VGGNet 中的創新點 287
6.2.3 VGGNet 基於 TensorFlow 2.0的實現 288
6.3 GoogleNet：走向更深更寬的網路 ······292
6.3.1 GoogleNet 模型結構 292
6.3.2 GoogleNet 中的創新點 293
6.3.3 GoogleNet v1 基於 TensorFlow2.0 的實現 294
6.4 ResNet：殘差網路獨領風騷 299
6.4.1 ResNet 模型結構 299
6.4.2 ResNet 基於 TensorFlow 2.0的實現 301
6.5 SENet：視覺注意力機制的起點 305
6.5.1 SENet 模型結構 306
6.5.2 SENet_ResNet 的 TensorFlow 2.0實現 306
6.6 Self-Attention：自注意力 311
6.7 Vision Transformer：注意力引爆視覺任務 312
本章小結 314
第 7 章 目標檢測 315
7.1 RCNN 目標檢測算法 315
7.2 SPPNet 目標檢測算法 317
7.2.1 空間金字塔池化層 317
7.2.2 SPPNet 算法的流程 318
7.3 Fast RCNN 目標檢測算法 319
7.3.1 RoI Pooling 層 319
7.3.2 Fast RCNN 算法與 RCNN 算法的區別 320
7.3.3 Fast RCNN 算法的流程 320
7.4 Faster RCNN 目標檢測算法 321
7.4.1 Region Proposal Network 模組 321
7.4.2 anchor 321
7.4.3 Faster RCNN 算法的流程 323
7.4.4 Faster RCNN 算法基於TensorFlow 2.0 的實現 324
7.5 SSD 目標檢測算法 329
7.5.1 多尺度特徵預測 329
7.5.2 邊界框的定製 330
7.5.3 空洞卷積 331
7.5.4 SSD 算法的訓練過程與細節 332
7.5.5 SSD 算法的優缺點 333
7.6 YOLO 目標檢測算法 333
7.6.1 YOLO v1 算法 333
7.6.2 YOLO v2 算法 338
7.6.3 YOLO v3 算法 341
7.6.4 YOLO v4 ：trick 集大成者 343
本章小結 351
第 8 章 深度學習綜合實踐案例 353
8.1 肺結節檢測系統研發案例 353
8.1.1 胸片數據標註 354
8.1.2 訓練過程 361
8.2 食品、醫藥類相關新聞抓取案例 369
8.2.1 語料樣本和分詞工具 369
8.2.2 GRU 循環神經網路模型 371
8.2.3 gRPC 遠程調用訓練後模型 376
做個孤夜獨行的技術人 380
參考文獻 382
作者簡介
王艷銘，CSIAM中國工業與套用數學學會成員。知名網際網路公司信息軟體技術架構設計師，政府大數據研究院研發實驗技術顧問，研發部署和大數據平台建設首席算法研發團隊組長。獲得多項相關人工智慧創新技術專利，如《通過超參數設定用圖像的方法(CNN)解決情感分析》等。擅長Python、C/C++語言及TensorFlow 和PyTorch人工智慧開發框架，對大數據和Al 算法理論有深入的研究。
