 |
-- 會員 / 註冊 --
|
 |
|
|
|
TensorFlow從零開始學 ( 簡體 字) |
| 作者：侯倫青,王飛,鄧昕 等 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 52436
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：3/1/2020 |
| 頁數：200 |
| 光碟數：0 |
|
站長推薦：   |
| 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：9787121379741 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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：TensorFlow 是一個開源的機器學習庫，在所有機器學習庫中目前是使用最多的。基于TensorFlow 提供的一系列工作流程，我們可以用 Python、JavaScript 或 Swift 等語言來開發和訓練模型，并在云端、本地、瀏覽器中或移動設備上輕松地部署模型。TensorFlow 擁有豐富的開源項目和資料文檔，并且有很大的用戶群體及社區，從 TensorFlow 2.0 開始，易用性又得到了大幅的提升，因此，無論對于科研還是生產，TensorFlow 都是一個非常不錯的選擇。
為什么寫作本書
在 2019 年 9 月的谷歌開發者大會上，谷歌公司發布了 TensorFlow 2.0 RC 版，TensorFlow 2.0 相對于 1.x 版本來說做了很大的改進，尤其在易用性上。雖然說這種巨大的改進讓很多 TensorFlow的老用戶感到有點措手不及，但是對于初次接觸 TensorFlow 的用戶來說，這卻是福音，因為TensorFlow 2.0 的入門要比 1.x 容易很多。現有的基于 TensorFlow 1.x 的書籍和教程已經不再適用了，本書的主要目的是讓 TensorFlow 的初學者快速地了解和掌握這一工具，并能搭建常用的神經網絡模型。
2018 年年初，本書作者就開始在公眾號“磐創 AI”上推出一系列的機器學習、深度學習相關的文章。其中，TensorFlow、PyTorch 等多個系列的文章收到了讀者好評及建議。本書即基于此而成。
本書的讀者對象
本書適合初學 TensorFlow，并且深度學習基礎較為薄弱的讀者。本書作者從“磐創 AI”公眾號的運營經驗來看，入門類文章的閱讀量較大，說明從基礎知識開始學習深度學習的讀者基數較大。因此，本書從深度學習的基礎知識開始講起，旨在以原理與實戰相結合的方式，帶著讀者學習和掌握 TensorFlow 2.0。
本書配套的 GitHub 項目地址為 https://github.com/lqhou/TensorFlow2.0-Book。該倉庫包含書中所有的代碼，以及給讀者推薦的參考資料和學習書籍。本書是一本 TensorFlow 入門書，可以讓讀者快速上手 TensorFlow，并動手實現深度學習的算法。然而，深度學習的知識點很多，也很復雜，大家要想進一步提升，還得在本書的基礎上結合其他相關資料和書籍學習。
本書主要內容
本書共 7 章。
第 1 章“機器學習基礎”介紹了機器學習相關的基礎知識，幫助初學者快速了解相關的方法和概念。本章是學習后續章節內容的基礎。
第 2 章“ TensorFlow 基礎”介紹了 TensorFlow 2.0 的基礎知識和使用方法，包括 TensorFlow CPU 和 GPU 版本的安裝、TensorFlow 常見的基本概念，以及常用的高級 API 的使用等。
第 3 章“前饋神經網絡”從最簡單的神經網絡模型講起，由淺入深地介紹神經網絡的結構和計算，介紹了常用的激活函數和損失函數，以及反向傳播算法的完整計算過程。
第 4 章“卷積神經網絡”介紹了卷積神經網絡的基本結構和特征，通過實戰項目介紹如何使用 TensorFlow 搭建基本的卷積神經網絡模型，解決實際問題。
第 5 章“循環神經網絡”首先介紹簡單循環神經網絡及其常用結構，接著介紹了基于門控制的循環神經網絡，以及注意力機制等。
第 6 章“深度強化學習”介紹了強化學習的基本概念和方法，結合代碼介紹了三種基本的強化學習算法，最后在此基礎上介紹了兩種深度強化學習算法。
第 7 章“項目實戰”包含了 5 個實戰項目：兩個 CNN 項目、兩個 RNN 項目，以及一個DRL 項目。每個實戰項目都詳細介紹了從數據預處理到模型訓練和使用的完整流程。
答疑和交流
由于作者水平有限，書中難免存在一些錯誤和不足之處，敬請大家給予批評指正。大家可以訪問電子工業出版社的博文視點社區（www.broadview.com.
cn），以及專享答疑群（見右側二維碼），在這里給本書提交勘誤，與本書作者
交流。
侯倫青
2020 年 1 月 |
內容簡介：本書是一本閱讀起來特別輕松、學習一點都不費勁的TensorFlow入門書。本書基于TensorFlow 2.0版本，從機器學習和TensorFlow的基礎開始，針對初學者只選擇實際應用中的必需最小知識量，對前饋神經網絡、卷積神經網絡、循環神經網絡、深度強化學習進行了淺顯易懂且快速有效的闡述，其中包括了很多具體的TensorFlow示例，最后一章的項目實戰能夠教會初學者使用深度學習解決實際問題，從而進入人工智能這一前沿的熱門領域。本書適合初學TensorFlow，并且深度學習的理論和實踐基礎較為薄弱的讀者群體，也適合希望了解深度學習的大數據平臺工程師，以及對人智能、深度學習感興趣的計算機相關從業人員及在校學生等閱讀，特別適合作為高等院校計算機或人工智能專業師生的參考教材。
|
目錄：第 1 章 機器學習基礎 / 1
1.1 人工智能：是機遇也是挑戰 / 2
1.2 機器學習 / 2
1.2.1 什么是機器學習 / 2
1.2.2 用機器學習解決問題的一般流程 / 4
1.2.3 數據預處理 / 6
1.2.4 特征工程 / 7
1.2.5 模型的評估和選擇 / 10
1.3 深度學習的發展歷程及應用 / 16
1.3.1 深度學習的發展歷程 / 16
1.3.2 深度學習的應用 / 18
1.4 本章練習 / 20
第 2 章 TensorFlow 基礎 / 21
2.1 TensorFlow 2.0 簡介 / 22
2.1.1 TensorFlow 的基本概念 / 22
2.1.2 從 1.x 到 2.0 的變化 / 25
2.1.3 TensorFlow 2.0 的架構 / 26
2.2 TensorFlow 2.0 的安裝 / 27
2.3 TensorFlow 2.0 的使用 / 33
2.3.1 “tf.data”API / 33
2.3.2 “tf.keras”API / 40
2.4 使用 GPU 加速 / 47
2.4.1 安裝配置 GPU 環境 / 47
2.4.2 使用 TensorFlow-GPU / 53
2.5 本章小結 / 55
第 3 章 前饋神經網絡 / 56
3.1 神經網絡 / 57
3.1.1 感知器模型 / 57
3.1.2 多層神經網絡 / 58
3.2 激活函數 / 61
3.2.1 Logistic 函數 / 61
3.2.2 Tanh 函數 / 61
3.2.3 ReLU 函數 / 62
3.3 損失函數和輸出單元 / 63
3.3.1 損失函數的選擇 / 63
3.3.2 輸出單元的選擇 / 64
3.4 小試牛刀：MNIST 手寫數字識別 / 65
3.4.1 MNIST 數據集 / 66
3.4.2 數據處理 / 67
3.4.3 簡單前饋神經網絡的實現 / 70
3.5 本章小結 / 72
3.6 本章練習 / 72
第 4 章 卷積神經網絡 / 73
4.1 卷積神經網絡的基本特征與
基本結構 / 74
4.2 卷積層 / 76
4.2.1 什么是卷積 / 76
4.2.2 滑動步長和零填充 / 79
4.2.3 卷積層的基本結構 / 81
4.3 池化層 / 83
4.4 小試牛刀： CNN 實現圖像分類 / 84
4.5 本章小結 / 92
4.6 本章練習 / 92
第 5 章 循環神經網絡 / 93
5.1 簡單循環神經網絡 / 94
5.1.1 循環神經網絡的基本
結構 / 95
5.1.2 循環神經網絡的運算過程和
參數更新 / 96
5.2 常用循環神經網絡 / 100
5.2.1 多層循環神經網絡 / 101
5.2.2 雙向循環神經網絡 / 101
5.2.3 TensorFlow 實現循環神經
網絡 / 102
5.3 長期依賴問題及其優化 / 107
5.4 門控循環神經網絡 / 110
5.4.1 長短期記憶網絡 / 110
5.4.2 門控循環單元 / 114
5.4.3 TensorFlow 實現 LSTM 和
GRU / 115
5.5 循環神經網絡的應用 / 116
5.5.1 文本分類 / 116
5.5.2 序列標注 / 117
5.5.3 機器翻譯 / 118
5.6 注意力模型 / 119
5.7 本章小結 / 121
5.8 本章練習 / 121
第 6 章 深度強化學習 / 122
6.1 從 AlphaGo 看深度強化學習 / 123
6.2 強化學習基礎知識 / 126
6.2.1 強化學習問題 / 126
6.2.2 馬爾可夫決策過程 / 128
6.2.3 最優價值函數和貝爾曼
方程 / 130
6.3 有模型的強化學習方法 / 131
6.3.1 價值迭代 / 132
6.3.2 策略迭代 / 132
6.4 無模型的強化學習方法 / 133
6.4.1 蒙特卡羅方法 / 133
6.4.2 時序差分學習 / 136
6.4.3 值函數近似 / 139
6.4.4 策略搜索 / 139
6.5 強化學習算法 / 141
6.5.1 Q-Learning 算法 / 141
6.5.2 Monte Carlo Policy Gradient
算法 / 146
6.5.3 Actor-Critic 算法 / 150
6.6 深度強化學習算法 / 154
6.6.1 Deep Q-Networks（DQN） / 154
6.6.2 Deep Deterministic Policy
Gradient（DDPG） / 156
6.7 本章小結 / 157
6.8 本章練習 / 157
第 7 章 項目實戰 / 158
7.1 CNN 實戰項目一：Chars74K / 158
7.2 CNN 實戰項目二：CIFAR-10 / 166
7.3 RNN實戰項目一：新聞文本分類 / 174
7.4 RNN 實戰項目二：聊天機器人 / 180
7.5 DRL 實戰項目：DQN / 189 |
| 序： |
|
