TensorFlow智能算法與應用 ( 簡體 字) |
| 作者：胡鶴 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51441
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：7/1/2019 |
| 頁數：230 |
| 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：9787121368998 |
| 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：2017年12月15日，美國宇航局宣布首次發現在2千多光年之外的一個名為“開普勒90”的恒星周圍有8顆行星組成的行星系統，構成了另一個“太陽系”。值得注意的是，這個重大的天文發現并不是由人類直接發現的，而是借助了谷歌公司的TensorFlow系統實現的智能算法，對開普勒望遠鏡獲得的海量恒星亮度數據進行分析而得到的。該智能算法成功地學會了如何從海量天文數據中搜尋疑似的系外行星信號，對于系外行星信號的判斷正確率達到了96%以上。該算法最終成功幫助人類定位出“開普勒90”太陽系。TensorFlow已經在不知不覺中改變了我們的世界。澳大利亞的科學家用TensorFlow開發的圖像識別模型，在數萬張的海洋航拍照片中，可以快速并且準確地找到珍惜的海牛。也有科學家利用TensorFlow把語音處理技術用到鳥類保護上，他們在叢林里安裝了很多話筒，采集鳥類的聲音，智能模型就可以很準確地估算出鳥類在一片森林中的數量，從而可以更加精準地對鳥類實行保護。
國內很多公司都在應用TensorFlow開發智能應用，京東內部搭建了TensorFlow訓練平臺，用于開發圖像、自然語言相關的模型，并且把它們用到客服廣告等領域。小米也在嘗試類似的技術路線，支持他們生態線上各種特殊的應用。網易的有道筆記、有道翻譯官也使用了TensorFlow視覺和語言的模型。中國電信在其營業廳APP應用中開發了充值卡掃描項目，使用TensorFlow搭建了CNN + LSTM + CTC的識別模型，使得用戶打開攝像頭對準充值卡密碼輕松一掃即可完成充值。隨著國家《新一代人工智能發展規劃》的推動，在可預期的將來，還會有越來越多的公司和科研單位投入到TensorFlow的應用中來。
本書采用實例驅動的方式介紹TensorFlow框架下的智能算法開發。介紹重要的知識點（如線性回歸模型、邏輯回歸模型、CNN、RNN、LSTM、GAN等內容）時，緊接著就有對應代碼來驗證和解釋算法的構造與運行過程。對這些經典的智能算法，本書提供了多種TensorFlow的框架技術實現案例，包括TensorFlow原生模型、TensorFlow Estimator模型和TensorFlow Keras模型等。通過對比不同的實現技術，可以更好地理解TensorFlow開發智能算法的技術路線。“工欲善其事，必先利其器”，學習人工智能最主要的任務就是理解智能算法的基礎原理，掌握其實現技術并能夠應用到自己的項目中去。本書的目的是力求通過官方權威資料，理論與實戰項目相結合，使讀者在練習中熟練掌握利用TensorFlow快速開發智能算法，并能夠將算法轉化為實際應用和項目。本書的定位就是為想在人工智能應用領域學習和工作的人士提供助力，本書適合智能算法初學者入門學習，同時也適合作為計算機及相關專業學生的教材和上機指導書。
為了讓廣大讀者更好地理解和使用書中的示例代碼，作者為大家提供了一個完全公開的GitHub代碼庫來維護本書的示例程序。該代碼庫的網址為https://github.com/ luckh2/tensorflow-algo。衷心地希望各位讀者能夠從本書中獲益，這也是對我最大的支持和鼓勵。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luckh2@163.com。最后我想感謝家人的陪伴和支持，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，感謝電子工業出版社張迪老師的鼓勵和幫助。感謝在寫作過程中給予過我大力支持的所有人，沒有你們的支持也就沒有這本書的誕生。
作 者
2019年6月 |
內容簡介：TensorFlow是目前最受關注的機器學習框架，其模塊化設計非常適合大數據環境下智能算法的開發與應用。本書介紹了使用TensorFlow進行智能算法的實踐，包括經典的機器學習算法和深度學習算法實現。本書力求做到理論與實踐平衡統一，在相關理論上深入淺出，輔以多種TensorFlow實現技術對理論進行具體實踐，有助于讀者快速理解與掌握智能算法的精髓和TensorFlow技術的要點。本書共4篇。入門篇介紹學習環境搭建和TensorFlow框架的基本使用；基礎篇介紹傳統智能算法及其TensorFlow的實現；進階篇介紹深度神經網絡方法和CNN、RNN、LSTM、GRU等基礎的深度學習算法；應用篇介紹GAN學習算法和TensorFlowHub遷移學習。 |
目錄：入 門 篇
第1章 學習環境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數據基礎 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函數運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎對象 26
1.5.2 Pandas選擇數據 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數據結構 39
2.3 TensorFlow計算-數據流圖 40
2.3.1 常量節點（Constant） 42
2.3.2 占位符節點（Placeholder） 42
2.3.3 變量節點（Variable） 43
2.3.4 操作節點（Operation） 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進階 49
3.1 TensorFlow數據處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子游戲 61
3.2 TensorFlow共享變量 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變量域 63
3.3 TensorFlow模型配置 64
基 礎 篇
第4章 線性回歸算法 69
4.1 BOSTON 數據集 70
4.2 TensorFlow模型 72
4.2.1 準備數據 72
4.2.2 定義模型 72
4.2.3 訓練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準備數據 77
4.3.4 定義模型 78
4.3.5 訓練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 最小二乘到交叉熵 86
5.3 MNIST數據集 88
5.4 TensorFlow模型 88
5.4.1 準備數據 89
5.4.2 定義模型 89
5.4.3 訓練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準備數據 92
5.5.2 定義模型 93
5.5.3 訓練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準備數據 95
5.6.2 定義模型 96
5.6.3 訓練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰 103
進 階 篇
第7章 神經網絡與深度學習算法 113
7.1 神經網絡 113
7.1.1 激活函數 114
7.1.2 編程實戰 119
7.2 神經網絡訓練 123
7.2.1 訓練困難分析 124
7.2.2 編程實戰 124
7.3 多類別神經網絡 133
7.3.1 邏輯回歸與深度網絡 133
7.3.2 權重可視化 135
7.4 神經網絡嵌入 136
7.4.1 一維數軸排列 137
7.4.2 二維數軸排列 137
7.4.3 傳統類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經網絡（CNN） 141
8.1 卷積神經網絡簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰 145
8.5 池化操作 149
8.6 池化實戰 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經網絡實戰 151
8.9 Estimalor卷積神經網絡實戰 155
8.10 Keras卷積神經網絡實戰 159
第9章 循環神經網絡（RNN） 162
9.1 循環神經網絡簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環神經網絡 164
9.4 static_rnn循環神經網絡 165
9.5 dynamic_rnn循環神經網絡 167
9.6 TensorFlow循環神經網絡實戰 169
9.7 Estimator循環神經網絡實戰 173
9.8 Keras循環神經網絡實戰 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器（AutoEncoder） 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器（SAE） 187
10.4.1 關聯權重 190
10.4.2 分階段訓練 192
10.4.3 無監督預訓練 194
10.5 降噪自動編碼器（DAE） 198
10.6 變分自動編碼器（VAE） 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數字 203
應 用 篇
第11章 生成式對抗網絡 207
11.1 生成式對抗網絡簡介 207
11.2 GAN工作原理 207
11.3 GAN改進模型 209
11.4 GAN模型實戰 212
11.5 GAN訓練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進行遷移學習 223
12.1 圖像遷移學習 223
12.2 文本遷移學習 224
12.3 完整的文本分類器 225
12.4 遷移學習分析 228 |
| 序： |
