《TensorFlow技術解析與實戰》是2018年人民郵電出版社出版的圖書，圖書作者是李嘉璇。
基本介紹
- 書名：TensorFlow技術解析與實戰
- 作者：李嘉璇
- ISBN：978-7-115-45613-7
- 類別：人工智慧
- 頁數：296
- 定價：79.00
- 出版社：人民郵電出版社
- 出版時間：2018-04
- 裝幀：平裝
- 開本：16
圖書簡介,圖書目錄,
圖書簡介
TensorFlow?是谷歌公司開發的深度學習框架，也是目前深度學習的主流框架之一。本書從深度學習的基礎講起，深入TensorFlow框架原理、模型構建、原始碼分析和網路實現等各個方面。全書分為基礎篇、實戰篇和提高篇三部分。基礎篇講解人工智慧的入門知識，深度學習的方法，TensorFlow的基礎原理、系統架構、設計理念、編程模型、常用API、批標準化、模型的存儲與載入、佇列與執行緒，實現一個自定義操作，並進行TensorFlow原始碼解析，介紹卷積神經網路（CNN）和循環神經網路（RNN）的演化發展及其TensorFlow實現、TensorFlow的高級框架等知識；實戰篇講解如何用TensorFlow寫一個神經網路程式並介紹TensorFlow實現各種網路（CNN、RNN和自編碼網路等），並對MINIST數據集進行訓練，講解TensorFlow在人臉識別、自然語言處理、圖像和語音的結合、生成式對抗網路等方面的套用；提高篇講解TensorFlow的分散式原理、架構、模式、API，還會介紹TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes結合、TensorFlowOnSpark、TensorFlow移動端套用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow計算加速等其他特性。zui後，附錄中列出一些可供參考的公開數據集，並結合作者的項目經驗介紹項目管理的一些建議。
本書深入淺出，理論聯繫實際，實戰案例新穎，基於zui新的TensorFlow 1.1版本，涵蓋TensorFlow的新特性，非常適合對深度學習和TensorFlow感興趣的讀者閱讀。
圖書目錄
第一篇 基礎篇
第1章 人工智慧概述 2
1.1 什麼是人工智慧 2
1.2 什麼是深度學習 5
1.3 深度學習的入門方法 7
1.4 什麼是TensorFlow 11
1.5 為什麼要學TensorFlow 12
1.5.1 TensorFlow的特性 14
1.5.2 使用TensorFlow的公司 15
1.5.3 TensorFlow的發展 16
1.6 機器學習的相關賽事 16
1.6.1 ImageNet的ILSVRC 17
1.6.2 Kaggle 18
1.6.3 天池大數據競賽 19
1.7 國內的人工智慧公司 20
1.8 小結 22
第2章 TensorFlow環境的準備 23
2.1 下載TensorFlow 1.1.0 23
2.2 基於pip的安裝 23
2.2.1 Mac OS環境準備 24
2.2.2 Ubuntu/Linux環境準備 25
2.2.3 Windows環境準備 25
2.3 基於Java的安裝 28
2.4 從原始碼安裝 29
2.5 依賴的其他模組 30
2.5.1 numpy 30
2.5.2 matplotlib 31
2.5.3 jupyter 31
2.5.4 scikit-image 32
2.5.5 librosa 32
2.5.6 nltk 32
2.5.7 keras 33
2.5.8 tflearn 33
2.6 小結 33
第3章 可視化TensorFlow 34
3.1 PlayGround 34
3.1.1 數據 35
3.1.2 特徵 36
3.1.3 隱藏層 36
3.1.4 輸出 37
3.2 TensorBoard 39
3.2.1 SCALARS面板 40
3.2.2 IMAGES面板 41
3.2.3 AUDIO面板 42
3.2.4 GRAPHS面板 42
3.2.5 DISTRIBUTIONS面板 43
3.2.6 HISTOGRAMS面板 43
3.2.7 EMBEDDINGS面板 44
3.3 可視化的例子 44
3.3.1 降維分析 44
3.3.2 嵌入投影儀 48
3.4 小結 51
第4章 TensorFlow基礎知識 52
4.1 系統架構 52
4.2 設計理念 53
4.3 編程模型 54
4.3.1 邊 56
4.3.2 節點 57
4.3.3 其他概念 57
4.4 常用API 60
4.4.1 圖、操作和張量 60
4.4.2 可視化 61
4.5 變數作用域 62
4.5.1 variable_scope示例 62
4.5.2 name_scope示例 64
4.6 批標準化 64
4.6.1 方法 65
4.6.2 優點 65
4.6.3 示例 65
4.7 神經元函式及最佳化方法 66
4.7.1 激活函式 66
4.7.2 卷積函式 69
4.7.3 池化函式 72
4.7.4 分類函式 73
4.7.5 最佳化方法 74
4.8 模型的存儲與載入 79
4.8.1 模型的存儲與載入 79
4.8.2 圖的存儲與載入 82
4.9 佇列和執行緒 82
4.9.1 佇列 82
4.9.2 佇列管理器 85
4.9.3 執行緒和協調器 86
4.10 載入數據 87
4.10.1 預載入數據 87
4.10.2 填充數據 87
4.10.3 從檔案讀取數據 88
4.11 實現一個自定義操作 92
4.11.1 步驟 92
4.11.2 最佳實踐 93
4.12 小結 101
第5章 TensorFlow原始碼解析 102
5.1 TensorFlow的目錄結構 102
5.1.1 contirb 103
5.1.2 core 104
5.1.3 examples 105
5.1.4 g3doc 105
5.1.5 python 105
5.1.6 tensorboard 105
5.2 TensorFlow原始碼的學習方法 106
5.3 小結 108
第6章 神經網路的發展及其TensorFlow實現 109
6.1 卷積神經網路 109
6.2 卷積神經網路發展 110
6.2.1 網路加深 111
6.2.2 增強卷積層的功能 115
6.2.3 從分類任務到檢測任務 120
6.2.4 增加新的功能模組 121
6.3 MNIST的AlexNet實現 121
6.3.1 載入數據 121
6.3.2 構建網路模型 122
6.3.3 訓練模型和評估模型 124
6.4 循環神經網路 125
6.5 循環神經網路發展 126
6.5.1 增強隱藏層的功能 127
6.5.2 雙向化及加深網路 129
6.6 TensorFlow Model Zoo 131
6.7 其他研究進展 131
6.7.1 強化學習 132
6.7.2 深度森林 132
6.7.3 深度學習與藝術 132
6.8 小結 133
第7章 TensorFlow的高級框架 134
7.1 TFLearn 134
7.1.1 載入數據 134
7.1.2 構建網路模型 135
7.1.3 訓練模型 135
7.2 Keras 135
7.2.1 Keras的優點 136
7.2.2 Keras的模型 136
7.2.3 Keras的使用 137
7.3 小結 141
1.1 什麼是人工智慧 2
1.2 什麼是深度學習 5
1.3 深度學習的入門方法 7
1.4 什麼是TensorFlow 11
1.5 為什麼要學TensorFlow 12
1.5.1 TensorFlow的特性 14
1.5.2 使用TensorFlow的公司 15
1.5.3 TensorFlow的發展 16
1.6 機器學習的相關賽事 16
1.6.1 ImageNet的ILSVRC 17
1.6.2 Kaggle 18
1.6.3 天池大數據競賽 19
1.7 國內的人工智慧公司 20
1.8 小結 22
第2章 TensorFlow環境的準備 23
2.1 下載TensorFlow 1.1.0 23
2.2 基於pip的安裝 23
2.2.1 Mac OS環境準備 24
2.2.2 Ubuntu/Linux環境準備 25
2.2.3 Windows環境準備 25
2.3 基於Java的安裝 28
2.4 從原始碼安裝 29
2.5 依賴的其他模組 30
2.5.1 numpy 30
2.5.2 matplotlib 31
2.5.3 jupyter 31
2.5.4 scikit-image 32
2.5.5 librosa 32
2.5.6 nltk 32
2.5.7 keras 33
2.5.8 tflearn 33
2.6 小結 33
第3章 可視化TensorFlow 34
3.1 PlayGround 34
3.1.1 數據 35
3.1.2 特徵 36
3.1.3 隱藏層 36
3.1.4 輸出 37
3.2 TensorBoard 39
3.2.1 SCALARS面板 40
3.2.2 IMAGES面板 41
3.2.3 AUDIO面板 42
3.2.4 GRAPHS面板 42
3.2.5 DISTRIBUTIONS面板 43
3.2.6 HISTOGRAMS面板 43
3.2.7 EMBEDDINGS面板 44
3.3 可視化的例子 44
3.3.1 降維分析 44
3.3.2 嵌入投影儀 48
3.4 小結 51
第4章 TensorFlow基礎知識 52
4.1 系統架構 52
4.2 設計理念 53
4.3 編程模型 54
4.3.1 邊 56
4.3.2 節點 57
4.3.3 其他概念 57
4.4 常用API 60
4.4.1 圖、操作和張量 60
4.4.2 可視化 61
4.5 變數作用域 62
4.5.1 variable_scope示例 62
4.5.2 name_scope示例 64
4.6 批標準化 64
4.6.1 方法 65
4.6.2 優點 65
4.6.3 示例 65
4.7 神經元函式及最佳化方法 66
4.7.1 激活函式 66
4.7.2 卷積函式 69
4.7.3 池化函式 72
4.7.4 分類函式 73
4.7.5 最佳化方法 74
4.8 模型的存儲與載入 79
4.8.1 模型的存儲與載入 79
4.8.2 圖的存儲與載入 82
4.9 佇列和執行緒 82
4.9.1 佇列 82
4.9.2 佇列管理器 85
4.9.3 執行緒和協調器 86
4.10 載入數據 87
4.10.1 預載入數據 87
4.10.2 填充數據 87
4.10.3 從檔案讀取數據 88
4.11 實現一個自定義操作 92
4.11.1 步驟 92
4.11.2 最佳實踐 93
4.12 小結 101
第5章 TensorFlow原始碼解析 102
5.1 TensorFlow的目錄結構 102
5.1.1 contirb 103
5.1.2 core 104
5.1.3 examples 105
5.1.4 g3doc 105
5.1.5 python 105
5.1.6 tensorboard 105
5.2 TensorFlow原始碼的學習方法 106
5.3 小結 108
第6章 神經網路的發展及其TensorFlow實現 109
6.1 卷積神經網路 109
6.2 卷積神經網路發展 110
6.2.1 網路加深 111
6.2.2 增強卷積層的功能 115
6.2.3 從分類任務到檢測任務 120
6.2.4 增加新的功能模組 121
6.3 MNIST的AlexNet實現 121
6.3.1 載入數據 121
6.3.2 構建網路模型 122
6.3.3 訓練模型和評估模型 124
6.4 循環神經網路 125
6.5 循環神經網路發展 126
6.5.1 增強隱藏層的功能 127
6.5.2 雙向化及加深網路 129
6.6 TensorFlow Model Zoo 131
6.7 其他研究進展 131
6.7.1 強化學習 132
6.7.2 深度森林 132
6.7.3 深度學習與藝術 132
6.8 小結 133
第7章 TensorFlow的高級框架 134
7.1 TFLearn 134
7.1.1 載入數據 134
7.1.2 構建網路模型 135
7.1.3 訓練模型 135
7.2 Keras 135
7.2.1 Keras的優點 136
7.2.2 Keras的模型 136
7.2.3 Keras的使用 137
7.3 小結 141
