面向機器智能的 TensorFlow 實踐 面向机器智能的TensorFlow实践

山姆·亞伯拉罕 (Sam Abrahams), 丹尼亞爾·哈夫納 (Danijar Hafner), 埃里克·厄威特 (Erik Erwitt), 阿裡爾·斯卡爾皮內里 (Ariel Scarpinelli)

立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

本書共有4部分,分9章。

第壹部分

對TensorFlow的歷史脈絡進行了簡要的梳理,介紹在安裝TensorFlow時應當考慮的因素,並給出了詳細的TensorFlow安裝指南;

第二部分

深入介紹TensorFlowAPI的基礎知識;

第三部分

關註一種更為復雜的深度學習模型,首先對模型進行描述,然後介紹如何用可視化的數據流圖表示所要創建的模型,以及如何利用TensorFlow有效地構建這些模型;

第四部分

探討TensorFlowAPI中新推出的特性,內容包括如何準備用於部署的模型、一些有用的編程模式,以及其他精選主題。

目錄大綱

譯者序
前言
第一部分開啟TensorFlow之旅
第1章引言2 
1.1無處不在的數據2 
1.2深度學習2 
1.3 TensorFlow:一個現代的機器學習庫3 
1.4 TensorFlow:技術概要3 
1.5何為TensorFlow4 
1.5. 1解讀來自官網的單句描述4 
1.5.2單句描述未體現的內容6 
1.6何時使用TensorFlow7 
1.7 TensorFlow的優勢8 
1.8使用TensorFlow所面臨的挑戰9 
1.9高歌猛進9 


第2章安裝TensorFlow10 
2.1選擇安裝環境10 
2.2 Jupyter Notebook與matplotlib12 
2.3創建Virtualenv環境12 
2.4 TensorFlow的簡易安裝13 
2.5源碼構建及安裝實例:在64位Ubuntu Linux上安裝GPU版TensorFlow14 
2.5.1安裝依賴庫14 
2.5.2安裝Bazel15 
2.5.3安裝CUDA軟件(僅限NVIDIA GPU)16 
2.5.4從源碼構建和安裝TensorFlow18 
2.6安裝Jupyter Notebook20 
2.7安裝matplotlib20 
2.8測試TensorFlow、Jupyter Notebook及matplotlib21 
2.9本章小結23 

 


第二部分TensorFlow與機器學習基礎


第3章TensorFlow基礎26 
3.1數據流圖簡介2 6 
3.1.1數據流圖基礎26 
3.1.2節點的依賴關係29 
3.2在TensorFlow中定義數據流圖33 
3.2.1構建第一個TensorFlow數據流圖33 
3.2.2張量思維39 
3.2.3張量的形狀43 
3.2.4 TensorFlow的Operation44 
3.2.5 TensorFlow的Graph對象46 
3.2.6 TensorFlow Session48 
3.2.7利用佔位節點添加輸入52 
3.2.8 Variable對象53 
3.3通過名稱作用域組織數據流圖56 
3.4練習:綜合運用各種組件61 
3.4.1構建數據流圖63 
3.4.2運行數據流圖66 
3.5本章小結71 


第4章機器學習基礎72 
4.1有監督學習簡介72 
4.2保存訓練檢查點74 
4.3線性回歸76 
4.4對數機率回歸78 
4.5 softmax分類83 
4.6多層神經網絡85 
4.7梯度下降法與誤差反向傳播算法88 

 


第三部分用TensorFlow實現更高級的深度模型


第5章目標識別與分類96 
5.1卷積神經網絡97 
5.2卷積100 
5.2.1輸入和卷積核100 
5.2.2跨度102 
5.2.3邊界填充104 
5.2.4數據格式104 
5.2.5深入探討卷積核105 
5.3常見層107 
5.3.1卷積層 108 
5.3.2激活函數108 
5.3.3池化層111 
5.3.4歸一化113 
5.3.5高級層114 
5.4圖像與TensorFlow116 
5.4.1加載圖像116 
5.4.2圖像格式117 
5.4.3圖像操作121 
5.4 .4顏色127 
5.5 CNN的實現129 
5.5.1 Stanford Dogs數據集129 
5.5.2將圖像轉為TFRecord文件130 
5.5.3加載圖像133 
5.5.4模型134 
5.5.5訓練136 
5.5.6用TensorBoard調試濾波器137 
5.6本章小結139 


第6章循環神經網絡與自然語言處理140 
6.1循環神經網絡簡介140 
6.1.1時序的世界140 
6.1.2近似任意程序141 
6.1.3隨時間反向傳播142 
6.1.4序列的編碼和解碼143 
6.1.5實現第一個循環神經網絡145 
6.1.6梯度消失與梯度爆炸145 
6.1.7長短時記憶網絡147 
6.1.8 RNN結構的變種148 
6.2詞向量嵌入149 
6.2.1準備維基百科語料庫151 
6.2.2模型結構155 
6.2.3噪聲對比分類器156 
6.2.4訓練模型156 
6.3序列分類157 
6.3.1 Imdb影評數據集158 
6.3.2使用詞向量嵌入159 
6.3.3序列標註模型159 
6.3.4來自最後相 活性值的softmax層161 
6.3.5梯度裁剪162 
6.3.6訓練模型163 
6.4序列標註164 
6.4.1 OCR數據集164 
6.4.2時間步之間共享的soft-max層166 
6.4.3訓練模型169 
6.4 .4雙向RNN171 
6.5預測編碼174 
6.5.1字符級語言建模174 
6.5.2 ArXiv摘要API175 
6.5.3數據預處理177 
6.5.4預測編碼模型178 
6.5.5訓練模型182 
6.5.6生成相似序列185 
6.6本章小結188 

 


第四部分其他提示、技術與特性


第7章產品環境中模型的部署190 
7.1搭建TensorFlow服務開發環境190 
7.1.1 Docker鏡像190 
7.1.2 Bazel工作區191 
7.2導出訓練好的模型192 
7.3定義服務器接口195 
7.4實現推斷服務器197 
7.5客戶端應用201 
7.6產品準備203 
7.7本章小結203 


第8章輔助函數、代碼結構和類204 
8.1確保目錄結構存在204 
8.2下載函數204 
8.3磁盤緩存修飾器205 
8.4屬性字典206 
8.5惰性屬性修飾器207 
8.6覆蓋數據流圖修飾器209 


第9章結語:其他資源212