-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

TensorFlow:實戰Google深度學習框架(第2版)

( 簡體 字)
作者:鄭澤宇,梁博文,顧思宇類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:電子工業出版社TensorFlow:實戰Google深度學習框架(第2版) 3dWoo書號: 48471
詢問書籍請說出此書號!

缺書
NT售價: 445

出版日:1/1/2018
頁數:364
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121330667
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

推 薦 序 1
“互聯網+”的大潮催生了諸如“互聯網+外賣”、“互聯網+打車”、“互聯網+家政”等眾多商業模式的創新和創業佳話。而當“互聯網+”已被寫入教科書并成為傳統行業都在積極踐行的發展道路時,過去一年科技界的聚光燈卻被人工智能和深度學習所創造的一個個奇跡所占據。從AlphaGo肆虐圍棋界,到人工智能創業大軍的崛起,都預示著我們即將步入“AI+”的時代:“AI+教育”、“AI+媒體”、“AI+醫學”、“AI+配送”、“AI+農業”,等等,將會層出不窮。
AI在近期的爆發離不開數據“質”和“量”的提升,離不開高性能計算平臺的發展,更離不開算法的進步,而深度學習則成為了推動算法進步中的一個主力軍。TensorFlow作為谷歌開源的深度學習框架,包含了谷歌過去10年間對于人工智能的探索和成功的商業應用。谷歌的自動駕駛、搜索、購物、廣告、云計算等產品,都無時無刻不在利用類似TensorFlow的深度學習算法將數據的價值最大化,從而創造巨大的商業價值。
TensorFlow作為一個開源框架,在極短時間內迅速圈粉并已成為github.com上耀眼的明星。然而,掌握深度學習需要較強的理論功底,用好TensorFlow又需要足夠的實踐和解析。開源項目和代碼本身固然重要,但更重要的是使用者的經驗和領域知識,以及如何將底層技術或工具采用最佳實踐和模式來解決現實問題。我與作者共事多年,瀏覽本書后深深體會到該作品是作者在谷歌多年分布式深度學習實踐經驗和其理論才學的濃縮,也相信這本從入門到高級實踐的讀物能夠為每個讀者帶來一個精神盛宴,并幫助計算機技術從業者在各自的業務領域打開新的思路、插上新的翅膀。
——張鑫
杭州才云科技有限公司聯合創始人CEO、美國卡耐基梅隆大學計算機博士

推 薦 序 2
深度學習帶來的技術革命波及甚廣,學術界同樣早已從中受益,將深度學習廣泛應用到各個學科領域。深度學習源自“古老”的神經網絡技術,既標志著傳統神經網絡的卷土重來,也借由AlphaGo碾壓人類圍棋一役,開啟了AI爆炸式發展的大幕。機器學習為人工智能指明道路,而深度學習則讓機器學習真正落地。作為高等教育工作者,讓學生了解和跟上最新技術發展的意義不言而喻。而深度學習的重要性,從近來國內外互聯網巨擘對未來的展望中可見端倪——在深度學習照耀下的人工智能技術,毫無疑問是下一個時代的主角和支柱。
然而,目前深度學習的相關資料,尤其是像TensorFlow這種引領未來趨勢的新技術的學習資料,普遍存在明顯缺憾。
其一,中文資料非常少,而且信息零散、不成系統。這篇文章里講一個算法,那個博客里介紹一個應用,很難讓學生形成一個完整的、全局的概念體系。
其二,已有的深度學習資料大多偏重理論,對概率、統計等數學功底有很高的要求,不易激發學生的興趣。
而這些現存問題,也正是我對澤宇這部著作寄予厚望的原因——這是一本非常適合高校學生走近深度學習的入門讀物。因為它從實際問題出發,可以激發讀者的興趣,讓讀者可以快速而直觀地享受到解決問題的成就感。同時,此書理論與實踐并重,既介紹了深度學習的基本概念,為更加深入地研究深度學習奠定基礎;又給出了具體的TensorFlow樣例代碼,讓讀者可以將學習成果直接運用到實踐中。
我非常相信也衷心希望,有志參與深度學習未來大潮的莘莘學子,能憑借此書更快速、更扎實地開啟深度學習之旅,并通過TensorFlow來實現深度學習常用算法,從而登堂入室,最終成為AI的真正駕馭者。
——張銘
北京大學信息科學技術學院教授


2017年初,我曾為本書第1版寫過一篇“推薦序”。后來鄭澤宇邀請我共同完成第2版的寫作,我從讀者變成了作者,又有了許多新的感受。因此我想借著重新寫序的機會,跟讀者分享一下寫作第2版的心路點滴。我在自然語言處理領域工作多年,這次負責撰寫第9章自然語言處理的相關內容,本以為會是得心應手,然而事實上,寫作的過程遠比我想象中困難得多。最困難的地方在于,寫作進行的時候無法及時得到讀者的反饋,不能把握讀者的心聲——理論部分介紹多少比較合適?關于語料預處理的內容會不會令讀者感到枯燥?模型的實現應該使用基本模塊來搭建還是直接調用TensorFlow中的庫?注意力機制有那么多變體,到底應該介紹哪一個才符合讀者的期望?這些都是我在寫作過程中反復思考的問題。最后書中呈現的內容,大致是我認真揣測讀者的心思后,想到的在特定領域搭建應用時所要用到的最精簡的知識。希望這些知識能為讀者進一步學習和實踐打下良好的基礎。
TensorFlow的庫非常豐富。除了基礎的網絡結構之外,很多最新的研究成果都會被迅速提交到TensorFlow的庫中。而為了提供最大的靈活度,每一個結構又常常提供許多配置參數。如果將這些庫、參數都一一列出,那么本書無異于一本枯燥的API說明文檔,這是我們不希望看到的。因此我們本著只介紹API中最實用、最核心部分的原則,希望能幫助讀者快速上手。同時我們鼓勵讀者多多查閱官方文檔,也許你想實現的某個功能已經包含在TensorFlow官方庫中了。
在這里,我想感謝鄭澤宇的邀請,讓我全心投入,感受到了寫書的樂趣與不易,于我自己也是一個巨大的提升。還要感謝我的同事高勤和江鵬在寫作過程中為我提供的寶貴意見。同時,衷心感謝在本書第1版的官方網站上留言的熱心讀者們,你們的建議成就了更好的第2版內容。希望讀者們繼續多提建議,包括希望看到哪些內容可以更詳細、更深入,哪些內容可以精簡,以及未來版本可以加入哪些內容等。讀者們的支持永遠是我們持續改進的動力!
——梁博文
2017年12月

前 言
“深度學習”這個詞在過去的一年之中已經轟炸了媒體、技術博客甚至朋友圈。這也許正是你會讀到本書的原因之一。數十年來,人工智能技術雖不斷發展,但像深度學習這樣在學術界和工業界皆具顛覆性的技術實在是十年難遇。可惜的是,理解和靈活運用深度學習并不容易,尤其是其復雜的數學模型,讓不少感興趣的同學很快“從入門到放棄”。在本書第1版前,很難找到從實戰出發的深度學習和TensorFlow參考書,這也是筆者在工作之余熬夜撰寫這本書的動力。筆者本人作為一枚標準碼農、創業黨,希望這本書能夠幫助碼農和準碼農們繞過深度學習復雜的數據公式,快速上手深度學習,解決工作、學習中的實際問題。
2016年初,筆者和小伙伴們從美國谷歌辭職,回到祖國并在杭州聯合創辦了才云科技(Caicloud.io),為企業提供人工智能平臺和解決方案。回國之初,很多企業對于TensorFlow都顯示出了濃厚的興趣,然而在深度交流之后,發現TensorFlow雖然是一款非常容易上手的工具,但是深度學習的技術并不是每一家企業都能掌握的。為了讓更多的人和企業可以享受到深度學習技術帶來的福利,筆者與電子工業出版社的張春雨編輯一拍即合,開始了本書的撰寫工作。
使用TensorFlow實現深度學習是本書介紹的重點。本書將從TensorFlow的安裝開始,依次介紹TensorFlow的基本概念、使用TensorFlow實現全連接深層神經網絡、卷積神經網絡和循環神經網絡等深度學習算法,以及TensorFlow并行化輸入數據處理流程、TensorBoard可視化工具、TensorFlow高層封裝、帶GPU的分布式TensorFlow使用方法。在介紹使用TensorFlow實現不同深度學習算法的同時,也介紹了這些算法背后的理論,并列舉了這些算法可以解決的具體問題。本書避開了枯燥復雜的數學公式,從實際問題出發,在實踐中介紹深度學習的概念和TensorFlow的用法。
本書第1版出版之后,筆者收到了廣大讀者的踴躍來信。信中既充分肯定了第1版對他們學習TensorFlow和深度學習的幫助,又提出了對更新TensorFlow版本和其他新內容的期待,這正是筆者開始撰寫第2版的強大動力。第1版中大部分示例都是與計算機視覺相關的,為了更好地介紹與自然語言處理相關的內容,筆者特別邀請了在Google翻譯組工作了5年的梁博文來撰寫這部分內容。第2版中將有專門的一個章節介紹語言模型、Seq2Seq模型、注意力(attention)模型等自然語言應用。
TensorFlow是一個飛速發展的工具。第1版在寫作時的最新版本為0.9.0,然而到第1版出版時,谷歌已經推出了TensorFlow的第一個正式版1.0.0。相比第1版中使用的TensorFlow 0.9.0,TensorFlow 1.0.0以后的版本對API也進行了大量調整,之前的大量示例代碼已經無法正常運行。第2版在更新示例API版本的同時,對TensorFlow 0.9.0之后推出的重要新功能也進行了詳細介紹,希望能夠幫助讀者更好地使用TensorFlow。
為了讓廣大讀者更好地理解和使用書中的示例代碼,我們為大家提供了一個完全公開的GitHub代碼庫來維護TensorFlow不同版本的示例程序。該代碼庫的網址為https://github.com/caicloud/tensorflow-tutorial。筆者衷心地希望各位讀者能夠從本書中獲益,這也是對我們最大的支持和鼓勵。對于書中出現的任何錯誤或者不準確的地方,歡迎大家批評指正,并發送郵件至zeyu@caicloud.io。
讀者也可以登錄博文視點官網http://www.broadview.com.cn,下載本書代碼或提交勘誤信息。一旦勘誤信息被作者或編輯確認,即可獲得博文視點獎勵積分,用于兌換電子書。讀者可以隨時瀏覽圖書頁面,查看已發布的勘誤信息。
致謝
在此我要特別感謝為此書做出貢獻的每一個人。
首先,我要感謝所有的讀者。在第1版出版之后,我收到了大量的讀者來信。這些信中表達了對本書內容的喜愛,同時也給出了非常多的寶貴建議。廣大讀者的支持和鼓勵正是我完成第2版的最大動力。在此,我再次感謝每一位讀者,希望第2版中更多的干貨值得大家投入寶貴的精力去閱讀。
其次,我要感謝加入第2版寫作的作者梁博文。在繁重的Google日常工作的同時,梁博文經常深夜撰寫自然語言處理的相關內容并調試示例代碼,非常辛苦。正是因為梁博文的辛勤付出,才讓第2版中的內容更加全面。
最后,我要再次感謝在第1版寫作過程中給予過我大力支持的所有人。沒有他們的支持也就沒有這本書的誕生——
在緊張的創業之余,才云科技CEO張鑫給了我極大的支持和鼓勵,讓我有足夠的時間投入到此書第1版的撰寫工作中。
我也要感謝我的妻子溫苗苗以及我的父母、岳父岳母,沒有他們一直以來的支持和幫助,我不可能完成此書的寫作。每當遇到困難的時候,長輩們的鼓勵是我前進的最大動力。
最后,我還要感謝所有為本書付出心血的電子工業出版社的編輯們。無論在本書的定位,還是在具體的文字推敲、編輯加工、版式設計上,張春雨、劉佳禾和孫奇俏都給予了巨大的幫助。
——鄭澤宇
2017年12月
內容簡介:

TensorFlow是谷歌2015年開源的主流深度學習框架,目前已得到廣泛應用。本書為TensorFlow入門參考書,旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略了煩瑣的數學模型推導,從實際應用問題出發,通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含深度學習的入門知識和大量實踐經驗,是走進這個前沿、熱門的人工智能領域的優選參考書。第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow 1.4.0。在升級API的同時,第2版也補充了更多只有TensorFlow 1.4.0才支持的功能。另外,第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。本書適用于想要使用深度學習或TensorFlow的數據科學家、工程師,希望了解深度學習的大數據平臺工程師,對人工智能、深度學習感興趣的計算機相關從業人員及在校學生等。

目錄:

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 6
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 13
1.3.3 自然語言處理 14
1.3.4 人機博弈 17
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 31
2.2.3 從源代碼編譯安裝 32
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 39
3.1 TensorFlow計算模型——計算圖 39
3.1.1 計算圖的概念 39
3.1.2 計算圖的使用 40
3.2 TensorFlow數據模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運行模型——會話 45
3.4 TensorFlow實現神經網絡 47
3.4.1 TensorFlow游樂場及神經網絡簡介 47
3.4.2 前向傳播算法簡介 50
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 64
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 85
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 91
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 168
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
7.4 數據集(Dataset) 199
7.4.1 數據集的基本使用方法 199
7.4.2 數據集的高層操作 202
小結 207
第8章 循環神經網絡 208
8.1 循環神經網絡簡介 208
8.2 長短時記憶網絡(LSTM)結構 214
8.3 循環神經網絡的變種 218
8.3.1 雙向循環神經網絡和深層循環神經網絡 218
8.3.2 循環神經網絡的dropout 221
8.4 循環神經網絡樣例應用 222
小結 226
第9章 自然語言處理 227
9.1 語言模型的背景知識 227
9.1.1 語言模型簡介 227
9.1.2 語言模型的評價方法 229
9.2 神經語言模型 232
9.2.1 PTB數據集的預處理 233
9.2.2 PTB數據的batching方法 236
9.2.3 基于循環神經網絡的神經語言模型 238
9.3 神經網絡機器翻譯 244
9.3.1 機器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機器翻譯文本數據的預處理 246
9.3.3 Seq2Seq模型的代碼實現 250
9.3.4 注意力機制 257
小結 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數據集(Dataset)作為Estimator輸入 284
小結 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡介 287
11.2 TensorFlow計算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節點 290
11.2.2 節點信息 297
11.3 監控指標可視化 301
11.4 高維向量可視化 309
小結 317
第12章 TensorFlow計算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學習訓練并行模式 324
12.3 多GPU并行 327
12.4 分布式TensorFlow 334
12.4.1 分布式TensorFlow原理 334
12.4.2 分布式TensorFlow模型訓練 338
小結 348
序: