深度學習原理與TensorFlow實踐 深度学习原理与TensorFlow实践

王琛, 胡振邦, 高傑

  • 出版商: 電子工業出版社
  • 出版日期: 2017-06-01
  • 定價: CNY $79.00
  • 售價: $474
  • 貴賓價: 9.5$450
  • 語言: 簡體中文
  • 頁數: 288
  • 裝訂: 平裝
  • ISBN: 7121312980
  • ISBN-13: 9787121312984
  • 相關標籤: 機器學習深度學習TensorFlow

立即出貨 (庫存 < 4)

買這商品的人也買了...

產品描述

《深度學習原理與TensorFlow實踐》內容提要
內容主要介紹了深度學習的基礎原理和TensorFlow系統基本使用方法,TensorFlow是目前機器學習、深度學習領域最優秀的計算系統之一,本書結合實例介紹了使用TensorFlow開發機器學習應用的詳細方法和步驟。同時著重於圖像識別的捲積神經網絡和用於自然語言處理的循環神經網絡的理論知識,及其TensorFlow實現方法,並結合實際場景和例子描述了深度學習技術的應用範圍與效果。


《深度學習原理與TensorFlow實踐》非常適合對機器學習、深度學習感興趣的讀者,或是對深度學習理論有所瞭解,希望嘗試更多工程實踐的讀者,抑或是對工程產品有較多經驗,希望學習深度學習理論的讀者。

作者簡介

喻儼,百納信息(海豚瀏覽器)研發副總裁。2007年加入微軟亞洲工程院,2011年加入百納信息負責海外業務線,從0到1做過多個項目,現致力於AI和大數據產品的研究與應用。

莫瑜,先後任職於微軟和海豚瀏覽器,從事搜索引擎、音樂檢索/哼唱搜索、內容分發推薦算法和對話機器人技術研發。長期以來持續關注和實踐大規模數據算法性能優化、搜索引擎、推薦系統和人工智能技術。

王琛,英國愛丁堡大學人工智能專業碩士,現為百納信息技術有限公司人工智能方向負責人。早年參加過信息學奧林匹克競賽獲得河北省第1名、全國三等獎,並保送進入中山大學。大學期間,在ACM競賽上也屢獲佳績。碩士畢業後就職於百度基礎架構部,參與大數據平台研發工作,對大數據分析處理、分佈式系統架構等方面都有比較深刻的理解。2014年加入百納,負責多個項目的研發,自2016年起負責人工智能方向的探索。

胡振邦,擁有博士學位,百納信息技術有限公司高級算法研究員,畢業於中國地質大學計算機學院地學信息工程專業。讀博期間,參與了關於遙感衛星圖像識別分析的863項目,並且是主要的研發人員。畢業以來,一直從事圖像識別方面的算法研發工作,主要方向包括目標檢測、圖文檢索、圖像分類與驗證等,在圖像處理、計算機視覺等方面都有深厚的積累和經驗。

高傑,是一位1980年出生於蘇北的“愛學習、能折騰、有情懷”的大叔。畢業於揚州中學特招班,1998年入學華中科技大學機械系,兼修管理、會計,自學計算機,2003年考入南京大學軟件學院,曾任德國西門子內部SAP諮詢師,還在中銀國際TMT投行、金山軟件集團投資部任過職,2015年與合夥人聯合創立了圖靈科技集團,與華爾街頂尖交易團隊一起致力於量化交易、算法模型和人工智能在金融領域的應用,目前這家公司管理著超過20億元的資產,是細分市場的領先公司。

目錄大綱

1深度學習簡介1 
1.1深度學習介紹1 
1.2深度學習的趨勢7 
1.3參考資料10 

2 TensorFlow系統介紹12 
2.1 TensorFlow誕生的動機12 
2.2 TensorFlow系統簡介14 
2.3 TensorFlow基礎概念16 
2.3.1計算圖16 
2.3.2 Session會話18 
2.4系統架構19 
2.5源碼結構21 
2.5.1後端執行引擎22 
2.5.2前端語言接口24 
2.6小結24 
2.7參考資料25 

3 Hello TensorFlow 26 
3.1環境準備26 
3.1.1 Mac OS安裝27 
3.1. 2 Linux GPU服務器安裝28 
3.1.3常用Python庫32 
3.2 Titanic題目實戰34 
3.2.1 Kaggle平台介紹34 
3.2.2 Titanic題目介紹35 
3.2.3數據讀入及預處理38 
3.2.4構建計算圖40 
3.2 .5構建訓練迭代過程44 
3.2.6執行訓練46 
3.2.7存儲和加載模型參數47 
3.2.8預測測試數據結果50 
3.3數據挖掘的技巧51 
3.3.1數據可視化52 
3.3.2特徵工程54 
3.3. 3多種算法模型57 
3.4 TensorBoard可視化58 
3.4.1記錄事件數據58 
3.4.2啟動TensorBorad服務60 
3.5數據讀取62 
3.5.1數據文件格式63 
3.5.2 TFRecord 63 
3.6 SkFlow、TFLearn與TF-Slim 67 
3.7小結69 
3.8參考資料69 

4 CNN“看懂”世界71 
4.1圖像識別的難題72 
4.2 CNNs的基本原理74 
4.2.1卷積的數學意義75 
4.2.2卷積濾波77 
4.2.3 CNNs中的捲積層81 
4.2.4池化(Pooling) 83 
4.2.5 ReLU 84 
4.2.6多層卷積86 
4.2.7 Dropout 86 
4.3經典CNN模型87 
4.3.1 AlexNet 88 
4.3.2 VGGNets 95 
4.3.3 GoogLeNet & Inception 98 
4.3.4 ResNets 106 
4.4圖像風格轉換109 
4.4.1量化的風格109 
4.4.2風格的濾鏡116 
4.5小結120 
4.6參考資料121 

5 RNN“能說會道” 123 
5.1文本理解和文本生成問題124 
5.2標準RNN模型128 
5.2.1 RNN模型介紹128 
5.2.2 BPTT算法130 
5.2.3靈活的RNN結構132 
5.2.4 TensorFlow實現正弦序列預測135 
5.3 LSTM模型138 
5.3.1長期依賴的難題138 
5.3.2 LSTM基本原理139 
5.3.3 TensorFlow構建LSTM模型142 
5.4更多RNN的變體144 
5.5語言模型146 
5.5.1 NGram語言模型146 
5.5.2神經網絡語言模型148 
5.5.3循環神經網絡語言模型150 
5.5.4語 言模型也能寫代碼152 
5.5.5改進方向163 
5.6對話機器人164 
5.6.1對話機器人的發展165 
5.6.2基於seq2seq的對話機器人169 
5.7小結181 
5.8參考資料182 

6 CNN+LSTM看圖說話183 
6.1 CNN+LSTM網絡模型與圖像檢測問題184 
6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹185 
6.1.2遮擋目標圖像檢測方法187 
6.1.3 ReInspect算法實現及模塊說明188 
6.1.4 ReInspect算法的實驗數據與結論204 
6.2 CNN+LSTM網絡模型與圖像摘要問題207 
6.2.1圖像摘要問題208 
6.2.2 NIC圖像摘要生成算法209 
6.2.3 NIC圖像摘要生成算法實現說明214 
6.2.4 NIC算法的實驗數據與結論243 
6.3小結249 
6.4參考資料250 

7損失函數與優化算法253 
7.1目標函數優化策略254 
7.1.1梯度下降算法254 
7.1.2 RMSProp優化算法256 
7.1.3 Adam優化算法257 
7.1.4目標函數優化算法小結258 
7.2類別採樣(Candidate Sampling)損失函數259 
7.2.1 softmax類別採樣損失函數261 
7.2.2噪聲對比估計 別採樣損失函數281 
7.2.3負樣本估計類別採樣損失函數286 
7.2.4類別採樣logistic損失函數286 
7.3小結287 
7.4參考資料288 
 

結語289