TensorFlow 大模型開發實踐 (制作 + 優化 + 應用)

TensorFlow 大模型開發實踐 (制作 + 優化 + 應用) 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2025-08-01
  • 定價: $594
  • 售價: 8.5 折 $505 (限時優惠至 2025-12-31)
  • 語言: 簡體中文
  • 頁數: 303
  • ISBN: 7302698597
  • ISBN-13: 9787302698593
  • 相關分類: TensorFlow

    • 立即出貨 (庫存 < 4)

  • TensorFlow 大模型開發實踐 (制作 + 優化 + 應用)-preview-1
  • TensorFlow 大模型開發實踐 (制作 + 優化 + 應用)-preview-2
  • TensorFlow 大模型開發實踐 (制作 + 優化 + 應用)-preview-3
TensorFlow 大模型開發實踐 (制作 + 優化 + 應用)-preview-1

買這商品的人也買了...

相關主題

商品描述

"TensorFlow大模型開發實踐（制作+優化+應用）》循序漸進地講解了TensorFlow 大模型開發的核心知識，並通過具體實例演練了開發TensorFlow 大模型程序的方法和流程。全書共14 章，分別講解了TensorFlow 數據集制作、使用機器學習算法制作 TensorFlow 模型、保存和加載模型、使用深度學習算法制作 TensorFlow 模型、TensorBoard 模型可視化、模型訓練與調優詳解、基本的模型優化操作、TensorFlow Transform（TFT）：模型數據規範化處理、TensorFlow Data Validation（TFDV）：驗證模型數據、Model Remediation：模型修復、ResponsibleAI 和Fairness Indicators：評估和改進模型的公平性、Neural Structured Learning（NSL）：改進模型的學習能力和泛化能力、TensorFlow Serving：優化模型部署、移動機器人智能物體識別系統（TensorFlow Lite+TensorFlow+Android+iOS）。 《TensorFlow大模型開發實踐（制作+優化+應用）》適用於想了解TensorFlow 基礎開發的讀者，想要進一步學習大模型開發、模型優化、模型應用和模型架構的讀者，同時，也可以作為大專院校相關專業的師生用書和培訓學校的教材。 "

作者簡介

劉陳,計算機碩士學歷，現就職於浪潮信息。開發經驗豐富，精通Python、機器學習、深度學習、Android、鴻蒙等開發技術，能夠熟練運用多種大模型開發技術。

目錄大綱

第1章 TensorFlow 數據集制作

1.1 使用tf.data 處理數據集

1.1.1 制作數據集並訓練和評估

1.1.2 將tf.data 作為驗證數據集進行訓練

1.2 將模擬數據制作成內存對象數據集 

1.2.1 可視化內存對象數據集

1.2.2 改進的方案

1.3 將圖片制作成數據集

1.3.1 制作簡易圖片數據集

1.3.2 制作手勢識別數據集

1.4 TFRecord 數據集制作

1.4.1 將圖片制作為TFRecord 數據集

1.4.2 將CSV 文件保存為TFRecord 文件

1.4.3 讀取TFRecord 文件的內容 

 

第2章 使用機器學習算法制作TensorFlow 模型

2.1 制作線性回歸模型

2.1.1 線性回歸介紹

2.1.2 使用Keras 實現線性回歸模型

2.2 制作邏輯回歸模型

2.2.1 Logistic Regression 算法介紹 

2.2.2 使用信用卡欺詐數據集制作模型

2.3 使用二元決策樹算法制作模型 

2.3.1 二元決策樹介紹 

2.3.2 使用二元決策樹制作模型 

2.4 k 近鄰算法 

2.4.1 k 近鄰算法介紹

2.4.2 對服裝圖像進行分類 

 

第3章 保存和加載模型

3.1 保存和加載整個模型 

3.1.1 保存為SavedModel 格式

3.1.2 保存為Keras H5 格式

3.2 保存配置信息 

3.2.1 序列化模型或函數式API 模型的配置 

3.2.2 自定義模型的配置

3.3 只保存和加載模型的權重值 

3.3.1 在內存中遷移權重的API 

3.3.2 保存加載權重的API（TensorFlow檢查點格式）

3.3.3 保存加載權重的API（HDF5 格式）

 

第4章 使用深度學習算法制作TensorFlow 模型

4.1 TensorFlow 卷積神經網絡

4.1.1 卷積神經網絡基本結構

4.1.2 制作一個卷積神經網絡模型

4.2 TensorFlow 循環神經網絡

4.2.1 文本分類 

4.2.2 制作一個循環神經網絡模型 

4.3 TensorFlow 生成式對抗網絡 

4.3.1 生成模型和判別模型 

4.3.2 使用生成對抗網絡制作MNIST 識別模型 

 

第5章 TensorBoard 模型可視化

5.1 指標參數

5.1.1 訓練回歸模型並可視化 

5.1.2 記錄自定義scalars 

5.2 在TensorBoard 中顯示圖像數據

5.2.1 可視化單個圖像 

5.2.2 可視化多個圖像

5.2.3 可視化顯示任意圖像數據 

5.3 檢查TensorFlow 圖

5.3.1 模型圖的可視化 

5.3.2 可視化函數的圖 

 

第6章 模型訓練與調優詳解

6.1 模型訓練函數model.fit()

6.1.1 第一個訓練模型的簡單例子

6.1.2 底層優化 

6.1.3 樣本權重和分類權重

6.1.4 自定義設置評估步驟

6.2 損失函數和優化算法 

6.2.1 損失函數和優化算法的概念

6.2.2 TensorFlow 損失函數 

6.2.3 常見的優化算法

6.3 訓練方式 

6.3.1 常用的訓練方式 

6.3.2 小批量隨機梯度下降 

6.3.3 批量歸一化

6.3.4 丟棄 

6.4 模型驗證和調優 

6.4.1 訓練集、驗證集和測試集

6.4.2 交叉驗證 

6.4.3 超參數調優 

 

第7章 基本的模型優化操作

7.1 優化模型的好處

7.2 利用現成模型提高性能

7.3 TensorFlow 模型優化工具包

7.4 模型優化實戰 

 

第8章 TensorFlow Transform（TFT）：模型數據規範化處理

8.1 TensorFlow Transform 介紹 

8.2 數據預處理

8.3 特征工程

8.4 轉換流水線

8.5 與TensorFlow 集成

 

第9章 TensorFlow Data Validation（TFDV）：驗證模型數據

9.1 數據驗證概述

9.2 數據驗證

 

第10章 Model Remediation：模型修復

10.1 模型修復基礎

10.2 MinDiff 模型修復實戰

 

第11章 Responsible AI 和Fairness Indicators：評估和改進模型的公平性11.1 負責任人工智能基礎

11.2 負責任人工智能工具

11.3 使用公平性指標評估模型的

公平性

 

第12章 Neural Structured Learning（NSL）：改進模型的學習能力和泛化能力

12.1 NSL 基礎

12.2 在深度學習模型中集成NSL

12.3 NSL 的訓練過程

12.4 NSL 模型優化

12.5 NSL 實戰

 

第13章 TensorFlow Serving：優化模型部署

13.1 TensorFlow Serving 基礎

13.2 TensorFlow Serving 架構概述

13.3 構建TensorFlow Serving

13.4 TensorFlow Serving 實戰

 

第14章 移動機器人智能物體識別系統（TensorFlow Lite+TensorFlow+Android+iOS）

14.1 背景介紹

14.2 物體識別

14.3 系統介紹

14.4 準備模型

14.5 基於Android 的機器人智能檢測器

14.6 基於iOS 的機器人智能檢測器

14.7 調試運行 

 

 

類似商品

最後瀏覽商品 (8)