TensorFlow:实战Google深度学习框架
- 体积：10.85 MB
- 语言：中文
- 日期：2017-11-14
- 推荐：人
简介：TensorFlow是谷歌2015年开源的主流深度学习框架，目前已在谷歌、优步（Uber）、小米等科技公司广泛应用。《Tensorflow：实战Google深度学习框架》为使用TensorFlow深度学习框架的入门参考书，旨在帮助读者以最快、最有效的方式上手TensorFlow和深度学习。书中省略了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题。《Tensorflow：实战Google深度学习框架》包含了深度学习的入门知识和大量实践经验，是走进这个最新、最火的人工智能领域的首选参考书。
这些资源你可能感兴趣
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已在谷歌、优步（Uber）、京东、小米等科技公司广泛应用。《TensorFlow：实战Google深度学习框架》为使用TensorFlow深度学习框架的入门参考书，旨在帮助读者以更快、更有效的方式上手TensorFlow和深度学习。书中省略了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题。《TensorFlow：实战Google深度学习框架》包含了深度学习的入门知识和大量实践经验，是走进这个更新、更火的人工智能领域的推荐参考书。
编辑推荐
《Tensorflow：实战Google深度学习框架》编辑推荐
√ 作者为前谷歌专家，现Tensorflow创业新星，醉心深度学习研究。
√ Tensorflow已从前瞻性黑科技成长为主流方案，本书旨在面向生产与商业场景，彻底贯通原理与实践。
√ BAT一线团队与各大基于AI、ML的技术公司争相赞誉力荐，本书与Tensorflow一道走向事实标准。
√ 深入技术原理，走访主创团队，结合真实项目，倾力呈现一手资料，深度剖析一线实战。
作者简介
郑泽宇，现为才云科技（Caicloud.io）联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，他带领团队成功开发了国内首个成熟的分布式TensorFlow深度学习平台（TensorFlow as a Service）。基于此平台，才云大数据团队为安防、电商、金融、物流等多个行业提供有针对性的人工智能解决方案。归国创业之前，郑泽宇曾任美国谷歌高级工程师。从2013 年加入谷歌，郑泽宇作为主要技术人员参与并领导了多个大数据项目。由他提出并主导的产品聚类项目用于衔接谷歌购物和谷歌知识图谱（knowledge graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。郑泽宇于2011年5月获得北京大学计算机学士学位，并荣获北京大学信息科学技术学院十佳优秀毕业论文、北京大学优秀毕业生。2013年5月获得美国 Carnegie Mellon University（CMU）大学计算机硕士学位，并获得西贝尔奖学金 (Siebel Scholarship)。郑泽宇在机器学习、人工智能领域有多年研究经验，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等国际会议上发表多篇学术论文。
目录
第1章深度学习简介1
1.1人工智能、机器学习与深度学习2
1.2深度学习的发展历程7
1.3深度学习的应用10
1.3.1计算机视觉10
1.3.2语音识别14
1.3.3自然语言处理15
1.3.4人机博弈18
1.4深度学习工具介绍和对比19
小结23
第2章TensorFlow环境搭建25
2.1TensorFlow的主要依赖包25
2.1.1Protocol Buffer25
2.1.2Bazel27
2.2TensorFlow安装29
2.2.1使用Docker安装30
2.2.2使用pip安装32
2.2.3从源代码编译安装33
2.3TensorFlow测试样例37
小结38
第3章TensorFlow入门40
3.1TensorFlow计算模型——计算图40
3.1.1计算图的概念40
3.1.2计算图的使用41
3.2TensorFlow数据模型——张量43
3.2.1张量的概念43
3.2.2张量的使用45
3.3TensorFlow运行模型——会话46
3.4TensorFlow实现神经网络48
3.4.1TensorFlow游乐场及神经网络简介48
3.4.2前向传播算法简介51
3.4.3神经网络参数与TensorFlow变量54
3.4.4通过TensorFlow训练神经网络模型58
3.4.5完整神经网络样例程序62
小结65
第4章深层神经网络66
4.1深度学习与深层神经网络66
4.1.1线性模型的局限性67
4.1.2激活函数实现去线性化70
4.1.3多层网络解决异或运算73
4.2损失函数定义74
4.2.1经典损失函数75
4.2.2自定义损失函数79
4.3神经网络优化算法81
4.4神经网络进一步优化84
4.4.1学习率的设置85
4.4.2过拟合问题87
4.4.3滑动平均模型90
小结92
第5章MNIST数字识别问题94
5.1MNIST数据处理94
5.2神经网络模型训练及不同模型结果对比97
5.2.1TensorFlow训练神经网络97
5.2.2使用验证数据集判断模型效果102
5.2.3不同模型效果比较103
5.3变量管理107
5.4TensorFlow模型持久化112
5.4.1持久化代码实现112
5.4.2持久化原理及数据格式117
5.5TensorFlow最佳实践样例程序126
小结132
第6章图像识别与卷积神经网络134
6.1图像识别问题简介及经典数据集135
6.2卷积神经网络简介139
6.3卷积神经网络常用结构142
6.3.1卷积层142
6.3.2池化层147
6.4经典卷积网络模型149
6.4.1LeNet—5模型150
6.4.2Inception—v3模型156
6.5卷积神经网络迁移学习160
6.5.1迁移学习介绍160
6.5.2TensorFlow实现迁移学习161
小结169
第7章图像数据处理170
7.1TFRecord输入数据格式170
7.1.1TFRecord格式介绍171
7.1.2TFRecord样例程序171
7.2图像数据处理173
7.2.1TensorFlow图像处理函数174
7.2.2图像预处理完整样例183
7.3多线程输入数据处理框架185
7.3.1队列与多线程186
7.3.2输入文件队列190
7.3.3组合训练数据（batching）193
7.3.4输入数据处理框架196
小结198
第8章循环神经网络200
8.1循环神经网络简介200
8.2长短时记忆网络（LTSM）结构206
8.3循环神经网络的变种212
8.3.1双向循环神经网络和深层循环神经网络212
8.3.2循环神经网络的dropout214
8.4循环神经网络样例应用215
8.4.1自然语言建模216
8.4.2时间序列预测225
小结230
第9章TensorBoard可视化232
9.1TensorBoard简介232
9.2TensorFlow计算图可视化234
9.2.1命名空间与TensorBoard图上节点234
9.2.2节点信息241
9.3监控指标可视化246
小结252
第10章TensorFlow计算加速253
10.1TensorFlow使用GPU253
10.2深度学习训练并行模式258
10.3多GPU并行261
10.4分布式TensorFlow268
10.4.1分布式TensorFlow原理269
10.4.2分布式TensorFlow模型训练272
10.4.3使用Caicloud运行分布式TensorFlow282
小结287
本书评论