從來沒有這麼明白過:TensorFlow 上車就學會

李錫涵、李卓桓、朱金鵬 著

立即出貨 (庫存 > 10)

  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-1
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-2
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-3
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-4
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-5
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-6
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-7
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-8
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-9
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-10
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-11
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-12
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-13
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-14
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-15
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-16
  • 從來沒有這麼明白過:TensorFlow 上車就學會-preview-17
從來沒有這麼明白過:TensorFlow 上車就學會-preview-1

買這商品的人也買了...

相關主題

商品描述

TensorFlow2降低機器學習門檻,使機器學習無處不在!
TensorFlow 2是你最該學習的AI套件,將Keras整合之後,一次學TensorFlow就學會Keras不用學兩次,用史上最強的人工智慧工具改變世界!

▌簡單明瞭、快速入門 ▌
本書簡單明瞭,可以讓初學者迅速進入TensorFlow的殿堂,讓你在起跑點就獲得渦輪一般的加速。

▌谷歌開發者專家 ▌
本書由谷歌開發者專家(機器學習領域)的大師級撰寫,將畢生功力以淺顯易懂的文字,引領初學者進入TensorFlow的殿堂,成為新一代機器學習大師。

▌易讀易懂、脈絡清晰 ▌
本書深入淺出,排版精美,十分易讀易懂。全書結構嚴謹、脈絡清晰,讓讀者可以輕鬆駕馭TensorFlow。

難得完整又詳細的TensorFlow 2的書籍,五大篇章包含:
    基礎篇:使用深度學習中常用的卷積神經網路、循環神經網路等網路結構為例,介紹 TensorFlow建立和訓練模型的方式。
    部屬篇:介紹在伺服器、嵌入式設備和瀏覽器等平台部署 TensorFlow模型的方法。
    大規模訓練篇:介紹了在 TensorFlow中進行分散式訓練和使用TPU訓練的方法,這也是TensorFlow獨享的,讓你能用比GPU更快速的TPU進行神經網路訓練
    擴展篇:介紹了多種 TensorFlow 生態系統內的常用及前端工具
    高級篇:為進階開發者介紹了 TensorFlow程式開發的更多深入細節及技巧。

如果你是TensorFlow 1.x的使用者,一定要升到2.x,再加上好用的Keras,一定以成為你開發AI專案的好幫手。

作者簡介

李錫涵

谷歌開發者專家(機器學習領域)
曾獲全國青少年信息學奧林匹克聯賽一等獎,美國大學生數學建模競賽特等獎。曾在多智能體會議AAMAS和自然語言處理會議COLING上發表學術論文。
現研究方向為強化學習在優化領域的實際應用。
開源在線入門手冊《簡單粗暴TensorFlow 2》作者。

李卓桓

谷歌開發者專家(機器學習領域)。
現任PreAngel合夥人,Plug and Play Ventures Partner,關注種子期AI創業項目。
曾任優酷網首席科學家、水木清華BBS站長、ChinaRen系統工程師。
擁有豐富的互聯網創業投資和編程經驗,著有《Linux網絡編程》《反垃圾郵件完全手冊》《智能問答與深度學習》《Chatbot從0到1:對話式交互設計實踐指南》等技術書。
GitHub 8000+ Star 開源項目 Wechaty 作者。

朱金鵬

前谷歌開發者專家(機器學習領域)
從事Android系統和運行時設計開發9年,在Android系統、運行時、機器學習等領域都有較深入的研究和探索。積極參與谷歌技術社區活動並進行技術分享。

目錄大綱

0 TensorFlow 概述

第一篇 基礎篇

01 TensorFlow 的安裝與環境設定
1.1 一般安裝步驟
1.2 GPU 版本 TensorFlow 安裝指南
1.3 第一個程式 
1.4 IDE 設定 
1.5* TensorFlow 所需的硬體規格

02 TensorFlow 基礎
2.1 TensorFlow 1+1
2.2 自動求導機制 
2.3 基礎範例:線性回歸 

03 TensorFlow 模型建立與訓練
3.1 模型與層 
3.2 基礎範例:多層感知器 
3.3 卷積神經網路
3.4 循環神經網路 
3.5 深度強化學習
3.6* Keras Pipeline 
3.7* 自訂層、損失函數和評估指標

04 TensorFlow 常用模組
4.1 tf.train.Checkpoint:變數的保存與恢復
4.2 TensorBoard:訓練過程視覺化
4.3 tf.data:資料集的建置與前置處理 
4.4 TFRecord:TensorFlow 資料集儲存格式
4.5* @tf.function:圖執行模式 
4.6* tf.TensorArray:TensorFlow 動態陣列
4.7* tf.config:GPU 的使用與分配 

第二篇 部署篇

05 TensorFlow 模型匯出
5.1 使用 SavedModel 完整匯出模型 
5.2 Keras 自有的模型匯出格式

06 TensorFlow Serving
6.1 TensorFlow Serving 安裝 
6.2 TensorFlow Serving 模型部署 
6.3 在用戶端呼叫以 TensorFlow Serving 部署的模型

07 TensorFlow Lite
7.1 模型轉換 
7.2 TensorFlow Lite Android 部署
7.3 TensorFlow Lite Quantized 模型轉換
7.4 小結

08 TensorFlow.js
8.1 TensorFlow.js 環境設定
8.2 TensorFlow.js 模型部署 
8.3* TensorFlow.js 模型訓練與性能比較 

第三篇 大規模訓練篇

09 TensorFlow 分散式訓練
9.1 單機多卡訓練:MirroredStrategy 
9.2 多機訓練:MultiWorkerMirroredStrategy 

10 使用 TPU 訓練 TensorFlow 模型
10.1 TPU 簡介
10.2 TPU 環境設定 
10.3 TPU 基本用法

第四篇 擴展篇

11 TensorFlow Hub 模型重複使用
11.1 TF Hub 網站 
11.2 TF Hub 安裝與重複使用
11.3 TF Hub 模型二次訓練範例 

12 TensorFlow Datasets 資料集載入

13 Swift for TensorFlow
13.1 S4TF 環境設定
13.2 S4TF 基礎使用

14 TensorFlow Quantum:混合量子-經典機器學習
14.1 量子計算基本概念 
14.2 混合量子-經典機器學習 

第五篇 高級篇

15 圖執行模式下的 TensorFlow 2
15.1 TensorFlow 1+1
15.2 自動求導機制與最佳化器 
15.3 基礎範例:線性回歸 

16 tf.GradientTape 詳解
16.1 基本使用 
16.2 監視機制 
16.3 高階求導 
16.4 持久保持記錄與多次求導 
16.5 圖執行模式 
16.6 性能最佳化 
16.7 實例:對神經網路的各層變數獨立求導 

17 TensorFlow 性能最佳化
17.1 關於計算性能的許多重要事實
17.2 模型開發:擁抱張量運算
17.3 模型訓練:資料前置處理和預先載入 
17.4 模型類型與加速潛力的關係
17.5 使用針對特定 CPU 指令集最佳化的 TensorFlow
17.6 性能最佳化策略 

18 Android 端側 Arbitrary Style Transfer 模型部署
18.1 Arbitrary Style Transfer 模型解析
18.2 Arbitrary Style Transfer 模型部署
18.3 小結

A.強化學習簡介
A.1 從動態規劃說起 
A.2 加入隨機性和機率的動態規劃
A.3 環境資訊無法直接獲得的情況
A.4 從直接演算法到疊代演算法 
A.5 大規模問題的求解 
A.6 小結 

B.使用Docker 部署TensorFlow 環境

C.在雲端使用 TensorFlow
C.1 在 Colab 中使用 TensorFlow
C.2 在 GCP 中使用 TensorFlow

D 部署自己的互動式 Python 開發環境 JupyterLab
E 參考資料與推薦閱讀
F 術語中英對照