TensorFlow:實戰Google深度學習框架(第2版)

TensorFlow:實戰Google深度學習框架(第2版)

《TensorFlow:實戰Google深度學習框架(第2版)》是2018年電子工業出版社出版的圖書,作者是鄭澤宇、梁博文、顧思宇。

基本介紹

  • 中文名: TensorFlow:實戰Google深度學習框架(第2版)
  • 作者:鄭澤宇、梁博文、顧思宇
  • 出版社: 電子工業出版社
  • 出版時間:2018年
  • 頁數:364 頁
  • 定價:89 元
  • 開本:16 開
  • ISBN: 9787121330667  
內容簡介,圖書目錄,

內容簡介

TensorFlow是谷歌2015年開源的主流深度學習框架,目前已得到廣泛套用。本書為TensorFlow入門參考書,旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略了煩瑣的數學模型推導,從實際套用問題出發,通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含深度學習的入門知識和大量實踐經驗,是走進這個前沿、熱門的人工智慧領域的優選參考書。第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow 1.4.0。在升級API的同時,第2版也補充了更多只有TensorFlow 1.4.0才支持的功能。另外,第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域套用的內容。本書適用於想要使用深度學習或TensorFlow的數據科學家、工程師,希望了解深度學習的大數據平台工程師,對人工智慧、深度學習感興趣的計算機相關從業人員及在校學生等。

圖書目錄

第1章 深度學習簡介 1
1.1 人工智慧、機器學習與深度學習 2
1.2 深度學習的發展歷程 6
1.3 深度學習的套用 10
1.3.1 計算機視覺 10
1.3.2 語音識別 13
1.3.3 自然語言處理 14
1.3.4 人機博弈 17
1.4 深度學習工具介紹和對比 19
小結 23
第2章 TensorFlow環境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 31
2.2.3 從原始碼編譯安裝 32
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 39
3.1 TensorFlow計算模型——計算圖 39
3.1.1 計算圖的概念 39
3.1.2 計算圖的使用 40
3.2 TensorFlow數據模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運行模型——會話 45
3.4 TensorFlow實現神經網路 47
3.4.1 TensorFlow遊樂場及神經網路簡介 47
3.4.2 前向傳播算法簡介 50
3.4.3 神經網路參數與TensorFlow變數 54
3.4.4 通過TensorFlow訓練神經網路模型 58
3.4.5 完整神經網路樣例程式 62
小結 64
第4章 深層神經網路 66
4.1 深度學習與深層神經網路 66
4.1.1 線性模型的局限性 67
4.1.2 激活函式實現去線性化 70
4.1.3 多層網路解決異或運算 73
4.2 損失函式定義 74
4.2.1 經典損失函式 75
4.2.2 自定義損失函式 79
4.3 神經網路最佳化算法 81
4.4 神經網路進一步最佳化 85
4.4.1 學習率的設定 85
4.4.2 過擬合問題 87
4.4.3 滑動平均模型 91
小結 92
第5章 MNIST數字識別問題 94
5.1 MNIST數據處理 94
5.2 神經網路模型訓練及不同模型結果對比 97
5.2.1 TensorFlow訓練神經網路 97
5.2.2 使用驗證數據集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變數管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實現 112
5.4.2 持久化原理及數據格式 117
5.5 TensorFlow最佳實踐樣例程式 126
小結 132
第6章 圖像識別與卷積神經網路 134
6.1 圖像識別問題簡介及經典數據集 135
6.2 卷積神經網路簡介 139
6.3 卷積神經網路常用結構 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經典卷積網路模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經網路遷移學習 160
6.5.1 遷移學習介紹 160
6.5.2 TensorFlow實現遷移學習 161
小結 168
第7章 圖像數據處理 170
7.1 TFRecord輸入數據格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程式 171
7.2 圖像數據處理 173
7.2.1 TensorFlow圖像處理函式 174
7.2.2 圖像預處理完整樣例 183
7.3 多執行緒輸入數據處理框架 185
7.3.1 佇列與多執行緒 186
7.3.2 輸入檔案佇列 190
7.3.3 組合訓練數據(batching) 193
7.3.4 輸入數據處理框架 196
7.4 數據集(Dataset) 199
7.4.1 數據集的基本使用方法 199
7.4.2 數據集的高層操作 202
小結 207
第8章 循環神經網路 208
8.1 循環神經網路簡介 208
8.2 長短時記憶網路(LSTM)結構 214
8.3 循環神經網路的變種 218
8.3.1 雙向循環神經網路和深層循環神經網路 218
8.3.2 循環神經網路的dropout 221
8.4 循環神經網路樣例套用 222
小結 226
第9章 自然語言處理 227
9.1 語言模型的背景知識 227
9.1.1 語言模型簡介 227
9.1.2 語言模型的評價方法 229
9.2 神經語言模型 232
9.2.1 PTB數據集的預處理 233
9.2.2 PTB數據的batching方法 236
9.2.3 基於循環神經網路的神經語言模型 238
9.3 神經網路機器翻譯 244
9.3.1 機器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機器翻譯文本數據的預處理 246
9.3.3 Seq2Seq模型的代碼實現 250
9.3.4 注意力機制 257
小結 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數據集(Dataset)作為Estimator輸入 284
小結 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡介 287
11.2 TensorFlow計算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節點 290
11.2.2 節點信息 297
11.3 監控指標可視化 301
11.4 高維向量可視化 309
小結 317
第12章 TensorFlow計算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學習訓練並行模式 324
12.3 多GPU並行 327
12.4 分散式TensorFlow 334
12.4.1 分散式TensorFlow原理 334
12.4.2 分散式TensorFlow模型訓練 338
小結 348

相關詞條

熱門詞條

聯絡我們