TensorFlow 2.X項目實戰 ( 簡體 字) |
| 作者：李金洪 | 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： 53680
詢問書籍請說出此書號！【缺書】
NT售價： 595 元 |
| 出版日：10/1/2020 |
| 頁數：524 |
| 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：9787121397066 |
| 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 是目前使用最廣泛的機器學習框架，能滿足廣大用戶的需求。如今TensorFlow已經更新到2.X 版本，具有更強的易用性。
本書特色
1. 基于2.X 版本，提供了大量的編程經驗
本書中的實例全部基于TensorFlow 2.1 版本，同時也包括了許多該版本的使用技巧和經驗。
2. 覆蓋了TensorFlow 的大量接口
TensorFlow 是一個非常龐大的框架，內部有很多接口可以滿足不同用戶的需求。合理使用現有接口可以在開發過程中得到事半功倍的效果。然而，由于TensorFlow 的代碼迭代速度太快，
有些接口的配套文檔并不是很全。作者花了大量的時間與精力，對一些實用接口的使用方法進行摸索與整理，并將這些方法寫到書中。
3. 提供了高度可重用代碼，公開了大量的商用代碼片段
本書實例中的代碼大多來自作者的商業項目，這些代碼的易用性、穩定性、可重用性都很強。讀者可以將這些代碼提取出來直接用在自己的項目中，加快開發進度。
4. 書中的實戰案例可應用于真實場景
本書中大部分實例都是當前應用非常廣泛的通用任務，包括圖片分類、目標識別文本分類、圖像生成、識別未知分類等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務
數據集快速實現AI 功能。
5. 從工程角度出發，覆蓋工程開發全場景
本書以工程實現為目標，全面覆蓋開發實際AI 項目中所涉及的知識，并全部配有實例，包括開發數據集、訓練模型、特征工程、開發模型、分布式訓練。其中，特征工程部分全面講解
了TensorFlow 中的特征列接口。該接口可以使數據在特征處理階段就以圖的方式進行加工，從而保證了在訓練場景下和使用場景下模型的輸入統一。
6. 提供了大量前沿論文鏈接地址，便于讀者進一步深入學習
本書使用的AI 模型，參考了一些前沿的技術論文，并做了一些結構改進。這些實例具有很高的科研價值。讀者可以參考這些論文，進一步深入學習更多的前沿知識，再配合本書的實例
進行充分理解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。
7. 注重方法與經驗的傳授
本書在講解知識時，更注重傳授方法與經驗。全書共有幾十個“提示”標簽，其中的內容都是含金量很高的成功經驗分享與易錯事項總結，有關于經驗技巧的，也有關于風險規避的，
可以幫助讀者在學習的路途上披荊斬棘，快速進步。
/
本書讀者對象
? 人工智能愛好者
人工智能開發工程師
? 人工智能專業的高校學生
使用TensorFlow 框架的工程師
? 人工智能專業的教師
集成人工智能的開發人員
? 人工智能初學者
/
關于作者
本書的內容由李金洪主筆編寫，書中的大部分代碼由許青幫忙調試和整理，在此表示感謝。
許青，NLP 算法工程師，南京航空航天大學碩士畢業，取得若干計算機視覺相關專利，作
為核心開發人員參與過多個領域的AI 項目。
李金洪
2020 年6 月 |
內容簡介：本書基于TensorFlow 2.1 版本進行編寫。書中內容分為4 篇。第1 篇包括TensorFlow 的安裝、使用方法。這部分內容可以使讀者快速上手TensorFlow 工具。第2 篇包括數據集制作、特征工程等數據預處理工作，以及與數值分析相關的模型（其中包括wide_deep 模型、梯度提升樹、知識圖譜、帶有JANET 單元的RNN 等模型）。第3 篇從自然語言處理、計算機視覺兩個應用方向介紹了基礎的算法原理和主流的模型。具體包括：TextCNN 模型、帶有注意力機制的模型、帶有動態路由的RNN 模型、BERTology 系列模型、EfficientNet系列模型、Anchor-Free 模型、YOLO V3 模型等。第4 篇介紹了生成式模型和零次學習兩種技術，其中系統地介紹了信息熵、歸一化、f-GAN、最優傳輸、Sinkhorn 算法，以及變分自編碼、DeblurGAN、AttGAN、DIM、VSC 等模型。本書結構清晰、案例豐富、通俗易懂、實用性強，適合對人工智能、TensorFlow 感興趣的讀者作為自學教程。另外，本書也適合社會培訓學校作為培訓教材，還適合計算機相關專業作為教學參考書。
|
目錄：=======第1 篇 準備
第1 章 學習準備 /.. 2
1.1 什么是TensorFlow 框架 /. 2
1.2 如何學習本書 /... 3
/
第2 章 快速上手TensorFlow /.. 5
2.1 配置TensorFlow 環境 /. 5
2.2 訓練模型的兩種方式 / 13
2.2.1 “靜態圖”方式 /...13
2.2.2 “動態圖”方式 /...14
2.3 實例1：用靜態圖訓練模型，使其能夠從一組數據中找到y?2x 規律 15
2.4 實例2：用動態圖訓練一個具有保存檢查點功能的回歸模型 24
/
第3 章 TensorFlow 2.X 編程基礎 /.. 28
3.1 動態圖的編程方式 /. 28
3.1.1 實例3：在動態圖中獲取參數 /...28
3.1.2 實例4：在靜態圖中使用動態圖 /...31
3.1.3 什么是自動圖 /..32
3.2 掌握估算器框架接口的應用 / 33
3.3 實例7：將估算器模型轉化成靜態圖模型 49
3.4 實例8：用估算器框架實現分布式部署訓練 54
3.5 掌握tf.keras 接口的應用 /... 58
3.6 分配運算資源與使用分布策略 .. 72
3.7 用tfdbg 調試TensorFlow 模型 ... 75
3.8 用自動混合精度加速模型訓練 .. 75
/
=======第2 篇 基礎
第4 章 用TensorFlow 制作自己的數據集 80
4.1 數據集的基本介紹 /. 80
4.2 實例11：將模擬數據制作成內存對象數據集 .. 82
4.3 實例12：將圖片制作成內存對象數據集 .. 88
4.4 實例13：將Excel 文件制作成內存對象數據集 ... 94
4.5 實例14：將圖片文件制作成TFRecord 數據集 ... 98
4.6 實例15：將內存對象制作成Dataset 數據集 .. 104
4.7 實例16：將圖片文件制作成Dataset 數據集 .. 117
4.7.1 代碼實現：讀取樣本文件的目錄及標簽 .. 117
4.8 實例17：在動態圖中讀取Dataset 數據集 .. 123
4.9 實例18：在不同場景中使用數據集 125
4.10 tf.data.Dataset 接口的更多應用 .. 129
/
第5 章 數值分析與特征工程 / 130
5.1 什么是特征工程 /... 130
5.1.1 特征工程的作用 /. 130
5.1.2 特征工程的方法 /. 131
5.1.3 離散數據特征與連續數據特征 / 131
5.1.4 連續數據與離散數據的相互轉換 / 132
5.2 什么是特征列接口 /.. 132
5.2.1 實例19：用feature_column 模塊處理連續值特征列 .. 132
5.2.2 實例20：將連續值特征列轉換成離散值特征列 . 136
5.2.3 實例21：將離散文本特征列轉換為one-hot 編碼與詞向量 ... 139
5.2.4 實例22：根據特征列生成交叉列 . 147
5.2.5 了解序列特征列接口 /. 148
5.2.6 實例23：使用序列特征列接口對文本數據預處理 . 149
5.3 實例24：用wide_deep 模型預測人口收入 153
5.4 實例25：梯度提升樹（TFBT）接口的應用 .. 170
5.5 實例26：基于知識圖譜的電影推薦系統 173
5.6 實例27：預測飛機發動機的剩余使用壽命 182
/
=======第3 篇 進階
第6 章 自然語言處理 /... 200
6.1 BERT 模型與NLP 的發展階段 200
6.2 實例28：用TextCNN 模型分析評論者是否滿意 .. 201
6.2.1 什么是卷積神經網絡 /. 201
6.2.2 模型任務與數據集介紹 /. 202
6.2.3 熟悉模型：了解TextCNN 模型 /.. 202
6.2.4 數據預處理：用preprocessing 接口制作字典 .. 203
6.2.5 代碼實現：生成NLP 文本數據集 206
6.2.6 代碼實現：定義TextCNN 模型 /.. 208
6.2.7 運行程序 / 210
6.3 實例29：用帶有注意力機制的模型分析評論者是否滿意 210
6.4 實例30：用帶有動態路由的RNN 模型實現文本分類任務 . 224
6.5 NLP 中的常見任務及數據集 236
6.6 了解Transformers 庫 /... 239
6.7 實例31：用管道方式完成多種NLP 任務 .. 243
6.8 Transformers 庫中的自動模型類（TFAutoModel） ... 255
6.9 Transformers 庫中的BERTology 系列模型 . 259
6.10 Transformers 庫中的詞表工具 269
6.11 BERTology 系列模型 /. 281
6.12 用遷移學習訓練BERT 模型來對中文分類 ... 300
/
第7 章 機器視覺處理 /... 307
7.1 實例34：使用預訓練模型識別圖像 307
7.2 了解EfficientNet 系列模型 /. 311
7.3 實例36：在估算器框架中用tf.keras 接口訓練ResNet 模型，識別圖片中是橘子還是蘋果 /.. 325
7.3.1 樣本準備 / 325
7.3.2 代碼實現：準備訓練與測試數據集 .. 326
7.3.3 代碼實現：制作模型輸入函數 / 326
7.3.4 代碼實現：搭建ResNet 模型 /.. 327
7.3.5 代碼實現：訓練分類器模型 / 328
7.3.6 運行程序：評估模型 /. 329
7.3.7 擴展：全連接網絡的優化 / 330
7.3.8 在微調過程中如何選取預訓練模型 .. 330
7.4 基于圖片內容的處理任務 /.. 331
7.5 實例37：用YOLO V3 模型識別門牌號 . 341
/
=======第4 篇 高級
第8 章 生成式模型——能夠輸出內容的模型 . 364
8.1 快速了解信息熵（information entropy） 364
8.2 通用的無監督模型——自編碼與對抗神經網絡 . 372
8.3 實例38：用多種方法實現變分自編碼神經網絡 373
8.4 常用的批量歸一化方法 /.. 386
8.5 實例39：構建DeblurGAN 模型，將模糊照片變清晰 .. 388
8.6 全面了解WGAN 模型 / 404
8.7 實例40：構建AttGAN 模型，對照片進行加胡子、加頭簾、加眼鏡、變年輕等修改/.. 411
8.8 散度在神經網絡中的應用 /.. 440
8.9 實例42：用最大化互信息（DIM）模型做一個圖片搜索器 453
/
第9 章 識別未知分類的方法——零次學習 . 464
9.1 了解零次學習 /... 464
9.2 零次學習中的常見難點 /.. 469
9.3 帶有視覺結構約束的直推ZSL（VSC 模型） 472
9.4 詳解Sinkhorn 迭代算法 /.. 481
9.5 實例43：用VSC 模型識別圖片中的鳥屬于什么類別 .. 490
9.5.1 模型任務與樣本介紹 /. 490
9.5.2 用遷移學習的方式獲得訓練集分類模型 .. 492
9.5.3 用分類模型提取圖片的視覺特征 / 492
9.5.4 代碼實現：訓練VSC 模型，將類屬性特征轉換成類視覺特征 . 493
9.5.5 代碼實現：基于W 距離的損失函數 494
9.5.6 加載數據并進行訓練 /. 495
9.5.7 代碼實現：根據特征距離對圖片進行分類 .. 496
9.6 提升零次學習精度的方法 /.. 497
9.6.1 分析視覺特征的質量 /. 497
9.6.2 分析直推式學習的效果 /. 499
9.6.3 分析直推模型的能力 /. 499
9.6.4 分析未知類別的聚類效果 / 500
9.6.5 清洗測試數據集 /. 502
9.6.6 利用可視化方法進行輔助分析 / 503
后記——讓技術更好地商業化落地 /. 505 |
| 序： |
