 |
-- 會員 / 註冊 --
|
 |
|
|
|
TensorFlow：實戰Google深度學習框架 ( 簡體 字) |
| 作者：才云科技Caicloud,鄭澤宇,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 |  3dWoo書號： 46247
詢問書籍請說出此書號！【缺書】
【不接受訂購】 |
| 出版日：3/1/2017 |
| 頁數：300 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
【不接受訂購】 | | ISBN：9787121309595 |
| 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：“深度學習”這個詞在過去的一年之中已經轟炸了媒體、技術博客甚至到朋友圈。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著實十年難遇。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“從入門到放棄”。更糟糕的是，因為深度學習技術的飛速發展，而寫書、出版的過程又非常復雜，不論是英文還是中文，都很難找到從實戰出發的深度學習參考書。關于當前最新最火的深度學習框架TensorFlow的書籍更是空缺。這正是我在工作之余，熬夜寫這本書的動力。作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，通過本書的大量樣例代碼快速上手深度學習，解決工作、學習中的實際問題。
2016年初，作者和小伙伴們從美國谷歌辭職，回到祖國杭州聯合創辦了才云科技（Caicloud.io），為企業提供大數據深度學習，在作者回國之初，很多企業都展示出了對于TensorFlow濃厚的興趣。然而在深度交流之后，作者發現雖然TensorFlow是一款非常容易上手的工具，但是深度學習的技術目前并不是每一個企業都掌握的。為了讓更多的個人和企業可以享受到深度學習技術帶來的福利，作者與電子工業出版社的張春雨主編一拍即合，開始了本書的撰寫工作。
使用TensorFlow實現深度學習是本書重點介紹的對象。本書將從TensorFlow的安裝開始，逐一介紹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。在介紹使用TensorFlow實現不同的深度學習算法的同時，作者也深入淺出地介紹了這些深度學習算法背后的理論，并給出了這些算法可以解決的具體問題。在本書中，作者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。在本書中，作者還介紹了TensorFlow并行化輸入數據處理流程、TensorBoard可視化工具以及帶GPU的分布式TensorFlow使用方法。
TensorFlow是一個飛速發展的工具。本書在寫作時最新的版本為0.9.0，然而到本書出版時，谷歌已經推出了TensorFlow 1.0.0。
致謝
在此我特別感謝為此書做出貢獻的每一個人。感謝每一位讀者，希望書里的干貨值得您寶貴的精力投入。要記得好評哦，親！
首先，我要感謝才云科技（Caicloud.io）小伙伴們對我的大力支持。在緊張的創業環境中，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本書中。特別感謝為此書完成校驗以及代碼整理工作的數據工程師易明軒，為此書提出寶貴意見的大數據科學家何輝輝以及才云科技TensorFlow as a Service的產品開發者李恩華。
然后，我要感謝我的妻子溫苗苗。作為本書的第一讀者和美國卡內基梅隆大學（Carnegie Mellon University）計算機專業博士，從最開始的內容安排到寫作語言細節，與她的討論給我帶來很多靈感。
我要感謝我的父母、岳父母，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，我要感謝電子工業出版社的張春雨編輯。無論在該書的定位上還是在具體的文字細節上，張編輯都給了我非常多的建議。兵貴神速，寫書亦是如此。沒有張春雨精確的策劃和及時的敦促，我也很難一鼓作氣完成此書。
鄭澤宇
2017年1月 |
內容簡介：TensorFlow 是谷歌2015 年開源的主流深度學習框架，目前已在谷歌、優步（Uber）、京東、小米等科技公司廣泛應用。《TensorFlow：實戰Google深度學習框架》為使用TensorFlow 深度學習框架的入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow 和深度學習。書中省略了深度學習繁瑣的數學模型推導，從實際應用問題出發，通過具體的TensorFlow 樣例程序介紹如何了使用深度學習解決這些問題。《TensorFlow：實戰Google深度學習框架》包含了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首選參考書。讀者對象：對人工智能、深度學習感興趣的計算機相關從業人員，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、機器學習感興趣的在校學生，希望找深度學習相關崗位的求職人員，等等。 |
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 7
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 14
1.3.3 自然語言處理 15
1.3.4 人機博弈 18
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 32
2.2.3 從源代碼編譯安裝 33
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 40
3.1 TensorFlow計算模型——計算圖 40
3.1.1 計算圖的概念 40
3.1.2 計算圖的使用 41
3.2 TensorFlow數據模型——張量 43
3.2.1 張量的概念 43
3.2.2 張量的使用 45
3.3 TensorFlow運行模型——會話 46
3.4 TensorFlow實現神經網絡 48
3.4.1 TensorFlow游樂場及神經網絡簡介 48
3.4.2 前向傳播算法簡介 51
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 65
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 84
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 90
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 169
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
小結 198
第8章 循環神經網絡 200
8.1 循環神經網絡簡介 200
8.2 長短時記憶網絡（LTSM）結構 206
8.3 循環神經網絡的變種 212
8.3.1 雙向循環神經網絡和深層循環神經網絡 212
8.3.2 循環神經網絡的dropout 214
8.4 循環神經網絡樣例應用 215
8.4.1 自然語言建模 216
8.4.2 時間序列預測 225
小結 230
第9章 TensorBoard可視化 232
9.1 TensorBoard簡介 232
9.2 TensorFlow計算圖可視化 234
9.2.1 命名空間與TensorBoard圖上節點 234
9.2.2 節點信息 241
9.3 監控指標可視化 246
小結 252
第10章 TensorFlow計算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度學習訓練并行模式 258
10.3 多GPU并行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型訓練 272
10.4.3 使用Caicloud運行分布式TensorFlow 282
小結 287 |
| 序： |
|
