TensorFlow 2.0深度學習從零開始學 ( 簡體 字) |
| 作者：王曉華 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 52726
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：6/1/2020 |
| 頁數： |
| 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：9787302552734 |
| 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：作為主流的深度學習框架，TensorFlow引領了深度學習和人工智能領域的全面發展和成長壯大。它的出現使得深度學習的學習門檻被大大降低，不僅是數據專家，就連普通的程序設計人員甚至于相關專業的學生都可以用來開發新的AI程序而不需要深厚的編程功底。
然而這并不代表TensorFlow已經完美。由于代碼設計的歷史原因以及開源框架的通病，隨著時間的積累TensorFlow在其框架內部積累了大量的過時和不推薦使用的API，這極大地影響了TensorFlow的性能，因此在廣泛聽取使用者和代碼項目組成員的意見后，TensorFlow 2.0橫空出世。
本書也是因為TensorFlow 2.0的出現而推出的一本包含基礎與進階內容的書。
整體而言，為了吸引用戶，TensorFlow 2.0 從簡單、強大、可擴展3個層面進行了重新設計。特別是在簡單化方面，TensorFlow 2.0 提供更簡化的API、注重Keras、結合了Eager Execution。
“簡化API、減少冗余并改進文檔和示例”是TensorFlow 2.0的主要任務，其更新重點放在簡單和易用性上，主要進行了以下更新：
? 使用Keras和Eager Execution，輕松建立簡單的模型并執行；
? 在任何平臺上實現生產環境的模型部署；
? 為研究提供強大的實驗工具；
? 通過清除不推薦使用的API和減少重復來簡化API。
除此之外，在整體架構方面，TensorFlow 2.0吸收和歸并了新的設計模式和想法，以及參考其他深度學習框架所采用的積極后臺模型調整了新的框架。
TensorFlow 2.0架構統一了所有保留的組件和模塊，并將其完整打包成一個綜合平臺，將訓練和部署分成2個完整的模塊，而通用的是對于模型本身的存儲和參數的存儲。簡單化的新框架更是帶來了更加簡潔的工作流，即：
（1）使用tf.data加載數據。使用輸入管道讀取訓練數據，輸入管道使用tf.data創建。利用tf.feature_column描述特征，如分段和特征交叉。此外還支持內存數據的便捷輸入（如NumPy）。
（2）使用tf.keras構建、訓練并驗證模型。Keras與TensorFlow部分緊密集成，因此用戶可以隨時訪問TensorFlow的函數，如線性或邏輯回歸、梯度上升樹、隨機森林等也可以直接使用（使用tf.estimatorAPI實現）。如果不想從頭開始訓練模型，用戶也可以很快利用遷移學習來訓練使用TensorFlow Hub模塊的Keras或Estimator模型。
（3）快速執行運行和調試過程，然后使用tf.function充分利用圖形的優勢。在默認情況下，TensorFlow 2.0按快速執行方式運行，以便于順利調試。此外，tf.function注釋可以方便地將Python程序轉換為TensorFlow圖形。此過程保留了1.x TensorFlow基于圖形執行的所有優點：性能優化，遠程執行以及方便序列化、導出和部署的能力，同時實現了在Python中表達程序的靈活性和易用性。
（4）使用分布式策略進行分布式訓練。對于大型機器學習訓練任務，分布式策略API可以輕松地在不同硬件配置上分配和訓練模型，無須更改模型的定義。由于TensorFlow支持各種硬件加速器，如CPU、GPU和TPU，因此用戶可以將訓練負載分配到單節點/多加速器以及多節點/多加速器配置上（包括TPU Pod）。這個API支持多種群集化配置，也提供了在本地或云環境中部署Kubernetes群集訓練的模板。
（5）導出到Saved Model。TensorFlow將對Saved Model進行標準化。作為TensorFlow服務的一部分，Saved Model將成為TensorFlow Lite、TensorFlow.js、TensorFlow Hub等格式的可互換格式。
其中的data和Keras都是TensorFlow 2.0新引入并指定使用的API。
data API使得數據讀取和輸入模型訓練變得非常容易，由程序讀寫不同格式數據時的“事無巨細”，變為僅僅使用一個for循環就可以輕松完成數據的讀取和輸入，讓我們打開一個大型或者超大型數據集就像打開一個文本txt文件一樣簡單。
Keras API使得上手TensorFlow 2.0更容易。更為重要的是，Keras提供了幾個模型構建API（Sequential、Functional以及Subclassing），因此用戶可以選擇正確的抽象化（Abstraction）級別，以及非常簡便地編寫符合項目需要的深度學習模型。
本書有何特色
1. 介紹全面，講解詳盡
本書全面地講解TensorFlow 2.0的新框架設計思想和模型的編寫，詳細介紹TensorFlow 2.0的安裝、使用以及TensorFlow 2.0官方所推薦的Keras編程方法與技巧等。
2. 作者經驗豐富，代碼編寫細膩
本書的代碼編寫由低到高，針對各個環節都有詳盡的說明，使得讀者能夠充分了解和掌握代碼各個模塊的編寫方法和技巧，是一本非常好的TensorFlow 2.0學習教程。
作者是長期奮戰在科研和工業界的一線算法設計和程序編寫人員，實戰經驗豐富，對代碼中可能會出現的各種問題和“坑”有豐富的處理經驗，能夠使得讀者少走很多彎路。
3. 理論扎實，深入淺出
在代碼設計的基礎上，本書還深入淺出地介紹深度學習需要掌握的一些基本理論知識，通過大量的公式與圖示結合的方式對理論進行介紹。
4. 提供完善的技術支持和售后服務
本書提供了專門的技術支持郵箱：booksaga@163.com。讀者在閱讀本書過程中有任何疑問都可以通過該郵箱獲得幫助。
本書內容及知識體系
本書是基于TensorFlow 2.0的新架構模式和框架，完整介紹TensorFlow 2.0使用方法和一些進階教程，主要內容如下：
第1章詳細介紹TensorFlow 2.0的安裝方法以及對應的運行環境的安裝，并且通過一個簡單的例子驗證TensorFlow 2.0的安裝效果。在本章中，還將介紹TensorFlow 2.0硬件的采購。切記，一塊能夠運行TensorFlow 2.0 GPU版本的顯卡能讓學習效率事半功倍。
從第2章開始是本書的重點部分，這一章從Eager的引入開始介紹TensorFlow 2.0的編程方法和步驟，并結合Keras進行TensorFlow 2.0模型設計的完整步驟，以及自定義層的方法。第2章的內容看起來很簡單，但是是本書的基礎內容和核心精華，讀者一定要反復閱讀，認真掌握所有內容和代碼的編寫。
第3章是有關Keras的介紹。Keras是TensorFlow 2.0中新引入的一個高級API。本章從簡單的例子開始，循序漸進地介紹使用Keras進行程序設計的方法和步驟，同時還將介紹深度學習中一個非常重要的模塊，即全連接神經網絡。
第4章是理論部分，初步涉及一些深度學習的基本理論和算法。
使用卷積神經網絡去識別物體是深度學習的一個經典內容，在第5章中詳細介紹卷積神經網絡的原理和各個模型的使用和自定義內容，以及如何借助卷積神經網絡（CNN）算法構建一個簡單的CNN模型進行MNIST數字識別。此章和第3章同為本書的重點內容，能夠極大地協助讀者對TensorFlow 2.0框架的使用和程序的編寫。
第6、7章是TensorFlow 2.0中一些高級API的介紹。通過使用集成在TensorFlow中的數據獲取類和創建專用TFRecord的方法，TensorFlow 2.0在數據讀取方面可以說是如虎添翼，極大地幫助讀者解決數據的獲取問題。模型訓練的可視化是TensorFlow一項特有的功能，利用這個功能能夠幫助讀者更好地了解模型的訓練過程和可能會遇到的問題。
第8章介紹ResNet的基本思想和內容。ResNet是一個具有里程碑性質的框架，標志著粗獷的卷積神經網絡設計向著精確化和模塊化的方向轉化。ResNet本身的程序編寫非常簡單，但是其中蘊含的設計思想卻是跨越性的。
第9章介紹具有“注意力”的多種新型網絡模型，是未來的發展方向。在不同的維度和方面上加上“注意力”是需要讀者加上所有注意力的地方。
第10章使用經典的卷積神經網絡去解決文本分類的問題。實際上，除了傳統的圖像處理，使用卷積神經網絡還能夠對文本進行分類，一般采用的是循環神經網絡。文本分類也可以引申到更多的序列化問題，這也是未來深度學習研究的方向。
示例代碼、數據及開發環境下載
本書示例代碼、數據及開發環境下載地址請掃描下方二維碼獲得。
如果下載有問題或需要技術支持，請聯系booksaga@163.com，郵件主題為“TensorFlow 2.0深度學習從零開始學”。
適合閱讀本書的讀者
? TensorFlow深度學習的初學者
? 深度學習應用開發的程序員
? 高等院校相關專業的師生
? 專業培訓機構的師生
作 者
2020年3月 |
內容簡介：隨著人工智能的發展以及TensorFlow在人工智能方面的火熱應用，越來越多的大學逐步開設深度學習和人工智能課程。本書既是一本為讀者量身定制的TensorFlow 2.0入門教材，也是針對需要學習TensorFlow 2.0新內容的讀者提供的基礎與進階知識的深入型教材。
本書分為10章，主要內容包括TensorFlow 2.0開發環境、TensorFlow 2.0新特性、TensorFlow與Keras的使用、TensorFlow 2.0語法基礎、卷積層詳解與MNIST實戰、Dataset使用詳解、TensorFlow Datasets和TensorBoard詳解、ResNet及其實戰、注意力機制、卷積神經網絡實戰。
本書內容詳盡、示例豐富，是廣大對TensorFlow 2.0感興趣的讀者必備的參考書，同時也非常適合大中專院校師生學習閱讀，還可作為高等院校計算機及相關專業的教材使用。 |
目錄：第1章TensorFlow2.0的安裝 1
1.1Python基本安裝和用法 1
1.1.1Anaconda的下載與安裝 1
1.1.2Python編譯器PyCharm的安裝 4
1.1.3使用Python計算softmax函數 7
1.2TensorFlow2.0GPU版本的安裝 8
1.2.1檢測Anaconda中的TensorFlow版本 8
1.2.2TensorFlow2.0GPU版本基礎顯卡推薦和前置軟件安裝 9
1.3HelloTensorFlow2.0 12
1.4本章小結 13
第2章TensorFlow2.0令人期待的變化 14
2.1新的架構、新的運行、新的開始 14
2.1.1API精簡 15
2.1.2EagerExecution 15
2.1.3取消全局變量 15
2.1.4使用函數而不是會話 15
2.1.5棄用collection 16
2.2配角轉成主角：從TensorFlowEagerExecution轉正談起 16
2.2.1Eager簡介與調用 17
2.2.2讀取數據 18
2.3使用TensorFlow2.0模式進行線性回歸的一個簡單例子 20
2.3.1模型的工具與數據的生成 20
2.3.2模型的定義 20
2.3.3損失函數的定義 21
2.3.4梯度函數的更新計算 21
2.4TensorFlow2.0進階—AutoGraph和tf.function 23
2.5本章小結 26
第3章TensorFlow和Keras 27
3.1模型！模型！模型！還是模型 27
3.2使用KerasAPI實現鳶尾花分類的例子（順序模式） 28
3.2.1數據的準備 29
3.2.2數據的處理 30
3.2.3梯度更新函數的寫法 31
3.2.4使用Keras函數式編程實現鳶尾花分類的例子（重點） 32
3.2.5使用保存的Keras模式對模型進行復用 35
3.2.6使用TensorFlow2.0標準化編譯對iris模型進行擬合 35
3.3多輸入單一輸出TensorFlow2.0編譯方法（選學） 40
3.3.1數據的獲取與處理 40
3.3.2模型的建立 41
3.3.3數據的組合 41
3.4多輸入多輸出TensorFlow2.0編譯方法（選學） 44
3.5全連接層詳解 46
3.5.1全連接層的定義與實現 46
3.5.2使用TensorFlow2.0自帶的API實現全連接層 47
3.5.3打印顯示TensorFlow2.0設計的模型結構和參數 51
3.6本章小結 53
第4章TensorFlow2.0語法基礎 54
4.1BP神經網絡簡介 54
4.2BP神經網絡的兩個基礎算法 58
4.2.1最小二乘法（LS算法） 58
4.2.2道士下山的故事—梯度下降算法 61
4.3反饋神經網絡反向傳播算法 63
4.3.1深度學習基礎 63
4.3.2鏈式求導法則 64
4.3.3反饋神經網絡原理與公式推導 66
4.3.4反饋神經網絡原理的激活函數 72
4.3.5反饋神經網絡原理的Python實現 73
4.4本章小結 78
第5章卷積層與MNIST實戰 79
5.1卷積運算 79
5.1.1卷積運算的基本概念 80
5.1.2TensorFlow2.0中卷積函數的實現 81
5.1.3池化運算 83
5.1.4softmax激活函數 84
5.1.5卷積神經網絡原理 86
5.2TensorFlow2.0編程實戰：MNIST手寫體識別 89
5.2.1MNIST數據集 89
5.2.2MNIST數據集特征和標注 91
5.2.3TensorFlow2.0編程實戰：MNIST數據集 93
5.2.4使用自定義的卷積層實現MNIST識別 97
5.3本章小結 101
第6章TensorFlow2.0Dataset使用詳解 102
6.1DatasetAPI基本結構和內容 102
6.1.1DatasetAPI數據種類 103
6.1.2DatasetAPI基礎使用 104
6.2DatasetAPI高級用法 105
6.2.1DatasetAPI數據轉換方法 107
6.2.2讀取圖片數據集的例子 110
6.3使用TFRecordAPI創建和使用數據集 111
6.3.1TFRecord的基本概念 112
6.3.2TFRecord的創建 113
6.3.3TFRecord的讀取 118
6.4TFRecord實戰：帶有處理模型的完整例子 124
6.4.1創建數據集 125
6.4.2創建解析函數 125
6.4.3創建數據模型 126
6.4.4創建讀取函數 126
6.5本章小結 128
第7章TensorFlowDatasets和TensorBoard詳解 129
7.1TensorFlowDatasets簡介 129
7.1.1Datasets數據集的安裝 131
7.1.2Datasets數據集的使用 131
7.2Datasets數據集的使用—FashionMNIST 133
7.2.1FashionMNIST數據集下載與顯示 134
7.2.2模型的建立與訓練 136
7.3使用Keras對FashionMNIST數據集進行處理 138
7.3.1獲取數據集 138
7.3.2數據集的調整 139
7.3.3使用Python類函數建立模型 139
7.3.4模型的查看和參數的打印 141
7.3.5模型的訓練和評估 142
7.4使用TensorBoard可視化訓練過程 144
7.4.1TensorBoard的文件夾設置 145
7.4.2顯式地調用TensorBoard 146
7.4.3使用TensorBoard 148
7.5本章小結 152
第8章從冠軍開始：ResNet 153
8.1ResNet基礎原理與程序設計基礎 153
8.1.1ResNet誕生的背景 154
8.1.2模塊工具的TensorFlow實現—不要重復發明輪子 157
8.1.3TensorFlow高級模塊layers的用法 157
8.2ResNet實戰：CIFAR-100數據集分類 165
8.2.1CIFAR-100數據集 165
8.2.2ResNet殘差模塊的實現 168
8.2.3ResNet網絡的實現 170
8.2.4使用ResNet對CIFAR-100數據集進行分類 173
8.3ResNet的兄弟—ResNeXt 175
8.3.1ResNeXt誕生的背景 175
8.3.2ResNeXt殘差模塊的實現 177
8.3.3ResNeXt網絡的實現 178
8.3.4ResNeXt和ResNet的比較 180
8.4本章小結 180
第9章注意力機制 181
9.1何為“注意力” 181
9.2注意力機制的兩種常見形式 182
9.2.1HardAttention（硬性注意力） 183
9.2.2SoftAttention（軟性注意力） 183
9.3注意力機制的兩種實現形式 183
9.3.1SpatialAttention（空間注意力） 184
9.3.2ChannelAttention（通道注意力） 185
9.4注意力機制的兩種經典模型 186
9.4.1最后的冠軍—SENet 186
9.4.2結合Spatial和Channel的CBAM模型 189
9.4.3注意力的前沿研究—基于細粒度的圖像注意力機制 194
9.5本章小結 196
第10章卷積神經網絡實戰：識文斷字也可以 197
10.1文本數據處理 198
10.1.1數據集介紹和數據清洗 198
10.1.2停用詞的使用 201
10.1.3詞向量訓練模型word2vec的使用 203
10.1.4文本主題的提取：基于TF-IDF（選學） 207
10.1.5文本主題的提取：基于TextRank（選學） 211
10.2針對文本的卷積神經網絡模型—字符卷積 214
10.2.1字符（非單詞）文本的處理 214
10.2.2卷積神經網絡文本分類模型的實現—Conv1D（一維卷積） 222
10.3針對文本的卷積神經網絡模型—詞卷積 224
10.3.1單詞的文本處理 224
10.3.2卷積神經網絡文本分類模型的實現—Conv2D（二維卷積） 227
10.4使用卷積對文本分類的補充內容 230
10.4.1漢字的文本處理 230
10.4.2其他的細節 233
10.5本章小結 233 |
| 序： |
