實戰 Google 深度學習技術：使用 TensorFlow

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）。在機器學習、人工智慧領域有多年研究經驗，並在SIGIR、SIGKDD、ACL、ICDM、ICWSM等頂級國際會議上發表多篇學術論文。現為才雲科技聯合創始人、首席大數據科學家。

顧思宇

碩士畢業於北京理工大學，曾在MSRA、搜狗、騰訊等互聯網公司任職，在ICDM、SIGIR、ADKDD等會議上發表過多篇論文。致力於機器學習、訊息檢索、人工智慧等相關技術在產品上的實踐。

第1章 深度學習簡介

在類似AlphaGo、無人駕駛汽車等最新技術的背後，深度學習是推動這些技術發展的核心力量。"深度學習"是本書的核心概念。透過閱讀本章，讀者將從多個角度瞭解這一概念。

第2章 TensorFlow環境搭建

本章將介紹如何安裝TensorFlow環境以及在安裝好的環境中執行簡單的TensorFlow範例程式。

第3章 TensorFlow入門

本章將詳細地介紹TensorFlow基本概念。在本章的前3節中，將分別介紹TensorFlow 的計算模型、資料模型和執行模型。透過這三個角度對TensorFlow的介紹，讀者可以對TensorFlow的工作原理有一個大致的瞭解。在本章的最後一節中，將簡單介紹神經網路的主要計算流程，並介紹如何透過TensorFlow實作這些計算。

第4章 深層神經網路

在這一章中，將進一步介紹如何設計和最佳化神經網路，使得它能夠更好地對未知的樣本進行預測。

第5章 MNIST數字識別問題

第4章介紹了訓練神經網路模型時需要考慮的主要問題以及解決這些問題的常用方法。這一章將透過一個實際問題來驗證第4章中介紹的解決方法。本章將使用的資料集是MNIST手寫體數字識別資料集。在很多深度學習課程中，這個資料集都會被當作第一個案例。在驗證神經網路最佳化方法的同時，本章也會介紹使用TensorFlow訓練神經網路的最佳實踐。

第6章 影像識別與卷積神經網路

本章將主要透過卷積神經網路在影像識別上的應用來講解卷積神經網路的基本原理以及如何使用TensorFlow實作卷積神經網路。

第7章 影像資料處理

本章將介紹如何對影像資料進行預處理使訓練得到的神經網路模型盡可能不被無關因素所影響。但與此同時，複雜的預處理過程可能導致訓練效率的下降。為了減小預處理對於訓練速度的影響，在本章中也將詳細地介紹TensorFlow中多執行緒處理輸入資料的解決方案。

第8章 遞迴神經網路

本章中將介紹另外一種常用的神經網路結構 — 遞迴神經網路以及遞迴神經網路中的一個重要結構— 長短時記憶網路（long short-term memory，LSTM）。本章也將介紹遞迴神經網路在自然語言處理（natural language processing，NLP）問題以及時序分析問題中的應用，並提供具體的TensorFlow程式來解決一些經典的問題。

第9章 TensorBoard視覺化

訓練神經網路十分複雜，有時需要幾天甚至幾周的時間。為了更好的管理、除錯和最佳化神經網路的訓練過程，TensorFlow提供了一個視覺化工具TensorBoard。本章將詳細介紹TensorBoard的使用方法。

第10章 TensorFlow計算加速

本章將介紹如何透過TensorFlow利用GPU或/和分散式運算進行模型訓練。