Tensorflow:實戰Google深度學習框架 TensorFlow:实战Google深度学习框架

才雲科技Caicloud, 鄭澤宇, 顧思宇

  • 出版商: 電子工業出版社
  • 出版日期: 2017-03-01
  • 定價: CNY $79.00
  • 售價: $474
  • 貴賓價: 9.5$450
  • 語言: 簡體中文
  • 頁數: 283
  • 裝訂: 平裝
  • ISBN: 7121309599
  • ISBN-13: 9787121309595
  • 相關標籤: 機器學習深度學習TensorFlow

立即出貨

買這商品的人也買了...

產品描述

《Tensorflow:實戰Google深度學習框架》內容提要
TensorFlow是谷歌2015年開源的主流深度學習框架,目前已在谷歌、優步(Uber)、小米等科技公司廣泛應用。《Tensorflow實戰》為使用TensorFlow深度學習框架的入門參考書,旨在幫助讀者以最快、最有效的方式上手TensorFlow和深度學習。書中省略了深度學習繁瑣的數學模型推導,從實際應用問題出發,通過具體的TensorFlow樣例程序介紹如何使用深度學習解決這些問題。《Tensorflow實戰》包含了深度學習的入門知識和大量實踐經驗,是走進這個最新、最火的人工智能領域的首選參考書。

編輯推薦

《Tensorflow:實戰Google深度學習框架》編輯推薦
√作者為前谷歌專家,現Tensorflow創業新星,醉心深度學習研究。
√ Tensorflow已從前瞻性黑科技成長為主流方案,本書旨在面向生產與商業場景,徹底貫通原理與實踐。
√ BAT一線團隊與各大基於AI、ML的技術公司爭相讚譽力薦,本書與Tensorflow一道走向事實標準。
√深入技術原理,走訪主創團隊,結合真實項目,傾力呈現一手資料,深度剖析一線實戰。

媒體推薦

本書作者以美國大學讀研的學識、Google全職算法專家的經驗,從0到1系統地講解了深度學習以及全球很受歡迎深度學習框架TensorFlow,並提供了多種場景的應用實例,是深度學習應用領域的開創性著作。
北京數問科技有限公司創始人CEO、Carnegie Mellon University計算機博士,向光

本書由淺入深,介紹了TensorFlow在典型場景中的應用實踐,提供分佈式訓練等大量實例,是Tensorflow開發者和深度學習愛好者的必備參考資料。
小米深度學習工程師,陳迪豪

作者簡介

鄭澤宇,現為才雲科技(Caicloud.io)聯合創始人、首席大數據科學家。針對分佈式TensorFlow上手難、管理難、監控難、上線難等問題,他帶領團隊成功開發了國內首個成熟的分佈式TensorFlow深度學習平台(TensorFlow as a Service)。基於此平台,才雲大數據團隊為安防、電商、金融、物流等多個行業提供有針對性的人工智能解決方案。歸國創業之前,鄭澤宇曾任美國谷歌高級工程師。從2013 年加入谷歌,鄭澤宇作為主要技術人員參與並領導了多個大數據項目。由他提出並主導的產品聚類項目用於銜接谷歌購物和谷歌知識圖譜(knowledge graph)數據,使得知識卡片形式的廣告逐步取代傳統的產品列表廣告,開啟了谷歌購物廣告在搜索頁面投遞的新紀元。鄭澤宇於2011年5月獲得北京大學計算機學士學位,並榮獲北京大學信息科學技術學院十佳優秀畢業論文、北京大學優秀畢業生。2013年5月獲得美國Carnegie Mellon University(CMU)大學計算機碩士學位,並獲得西貝爾獎學金(Siebel Scholarship)。鄭澤宇在機器學習、人工智能領域有多年研究經驗,並在SIGIR、SIGKDD、ACL、ICDM、ICWSM等國際會議上發表多篇學術論文。

目錄大綱

第1章深度學習簡介1 

1.1人工智能、機器學習與深度學習2 

1.2深度學習的發展歷程7 

1.3深度學習的應用10 

1.3.1計算機視覺10 

1.3.2語音識別14 

1.3.3自然語言處理15 

1.3 .4人機博弈18 

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32 

2.2.3從源代碼編譯安裝33 

2.3 TensorFlow測試樣例37 

小結38 

第3章TensorFlow入門40 

3.1 TensorFlow計算模型——計算圖40 

3.1.1計算圖的概念40 

3.1 .2計算圖的使用41 

3.2 TensorFlow數據模型——張量43 

3.2.1張量的概念43 

3.2.2張量的使用45 

3.3 TensorFlow運行模型——會話46 

3.4 TensorFlow實現神經網絡48 

3.4.1 TensorFlow遊樂場及神經網絡簡介48 

3.4.2前向傳播算法簡介51 

3.4.3神經網絡參數與TensorFlow變量54 

3.4.4通過TensorFlow訓練神經網絡模型58 

3.4.5完整神經網絡樣例程序62 

小結65 

第4章深層神經網絡66 

4.1深度學習與深層神經網絡66 

4.1.1線性模型的局限性67 

4.1.2激活函數實現去線性化70 

4.1.3多層網絡解決異或運算73 

4.2損失函數定義74 

4.2. 1經典損失函數75 

4.2.2自定義損失函數79 

4.3神經網絡優化算法81 

4.4神經網絡進一步優化84 

4.4.1學習率的設置85 

4.4.2過擬合問題87 

4.4.3滑動平均模型90 

小結92 

第5章MNIST數字識別問題94 

5.1 MNIST數據處理94 

5.2神經網絡模型訓練及不同模型結果對比97 

5.2.1 TensorFlow訓練神經網絡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變量管理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最佳實踐樣例程序126 

小結132 

第6章圖像識別與卷積神經網絡134 

6.1圖像識別問題簡介及經典數據集135 

6.2卷積神經網絡簡介139 

6.3卷積神經網絡常用結構142 

6.3.1卷積層142 

6.3.2池化層147 

6.4經典卷積網絡模型149 

6.4.1 LeNet-5模型150 

6.4.2 Inception-v3模型156 

6.5卷積神經網絡遷移學習160 

6.5.1遷移學習介紹160 

6.5.2 TensorFlow實現遷移學習161 

小結169 

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樣例程序171 

7.2圖像數據處理173 

7.2.1 TensorFlow圖像處理函數174 

7.2.2圖像預處理完整樣例183 

7.3多線程輸入數據處理框架185 

7.3.1隊列與多線程186 

7.3.2輸入文件隊列190 

7.3.3組合訓練數據(batching) 193 

7.3.4輸入數據處理框架196 

小結198 

第8章循環神經網絡200 

8.1循環神經網絡簡介200 

8.2長短時記憶網絡(LTSM)結構206 

8.3循環神經網絡的變種212 

8.3.1雙向循環神經網絡和深層循環神經網絡212 

8.3.2循環神經網絡的dropout 214 

8.4循環神經網絡樣例應用215 

8.4.1自然語言建模216 

8.4.2時間序列預測225 

小結230 

第9章TensorBoard可視化232 

9.1 TensorBoard簡介232 

9.2 TensorFlow計算圖可視化234 

9.2.1命名空間與TensorBoard圖上節點234 

9.2.2節點信息241 

9.3監控指標可視化246 

小結252 

第10章TensorFlow計算加速253 

10.1 TensorFlow使用GPU 253 

10.2深度學習訓練並行模式258 

10.3多GPU並行261 

10.4分佈式TensorFlow 268 

10.4.1分佈式TensorFlow原理269 

10.4.2分佈式TensorFlow模型訓練272 

10.4.3使用Caicloud運行分佈式TensorFlow 282 

小結287