TensorFlow：实战Google深度学习框架（第2版）正版现货

图书标准信息

• 作者 郑泽宇
• 出版社 电子工业出版社
• 出版时间 2018-01
• 版次 1
• ISBN 9787121330667
• 定价 89.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 364页
• 字数 490千字

【内容简介】

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。本书为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。本书适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等。

【作者简介】

郑泽宇，2011年获北京大学计算机学士学位，2013年获卡内基梅隆大学计算机硕士学位，前谷歌高级工程师，现为才云科技(Caicloud.io)联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，带领团队成功开发国内首个成熟的分布式TensorFlow深度学习平台，在机器学习、人工智能领域有着丰富的经验。梁博文，谷歌工程师。2011年获北京大学计算机学士学位，2013年获哥伦比亚大学计算机硕士学位，同年加入谷歌翻译组，参与并领导了多个项目，负责了3个语言的翻译模型的研发工作，在自然语言处理方面有丰富经验，在统计翻译模型、神经网络翻译模型、语料数据清洗等方面均有深入研究。

【目录】

第1章  深度学习简介1

1.1  人工智能、机器学习与深度学习2

1.2  深度学习的发展历程6

1.3  深度学习的应用10

1.3.1  计算机视觉10

1.3.2  语音识别13

1.3.3  自然语言处理14

1.3.4  人机博弈17

1.4  深度学习工具介绍和对比19

小结23

第2章  TensorFlow环境搭建25

2.1  TensorFlow的主要依赖包25

2.1.1  Protocol Buffer25

2.1.2  Bazel27

2.2  TensorFlow安装29

2.2.1  使用Docker安装30

2.2.2  使用pip安装31

2.2.3  从源代码编译安装32

2.3  TensorFlow测试样例37

小结38

第3章  TensorFlow入门39

3.1  TensorFlow计算模型——计算图39

3.1.1  计算图的概念39

3.1.2  计算图的使用40

3.2  TensorFlow数据模型——张量42

3.2.1  张量的概念42

3.2.2  张量的使用44

3.3  TensorFlow运行模型——会话45

3.4  TensorFlow实现神经网络47

3.4.1  TensorFlow游乐场及神经网络简介47

3.4.2  前向传播算法简介50

3.4.3  神经网络参数与TensorFlow变量54

3.4.4  通过TensorFlow训练神经网络模型58

3.4.5  完整神经网络样例程序62

小结64

第4章  深层神经网络66

4.1  深度学习与深层神经网络66

4.1.1  线性模型的局限性67

4.1.2  激活函数实现去线性化70

4.1.3  多层网络解决异或运算73

4.2  损失函数定义74

4.2.1  经典损失函数75

4.2.2  自定义损失函数79

4.3  神经网络优化算法81

4.4  神经网络进一步优化85

4.4.1  学习率的设置85

4.4.2  过拟合问题87

4.4.3  滑动平均模型91

小结92

第5章  MNIST数字识别问题94

5.1  MNIST数据处理94

5.2  神经网络模型训练及不同模型结果对比97

5.2.1  TensorFlow训练神经网络97

5.2.2  使用验证数据集判断模型效果102

5.2.3  不同模型效果比较103

5.3  变量管理107

5.4  TensorFlow模型持久化112

5.4.1  持久化代码实现112

5.4.2  持久化原理及数据格式117

5.5  TensorFlow最佳实践样例程序126

小结132

第6章  图像识别与卷积神经网络134

6.1  图像识别问题简介及经典数据集135

6.2  卷积神经网络简介139

6.3  卷积神经网络常用结构142

6.3.1  卷积层142

6.3.2  池化层147

6.4  经典卷积网络模型149

6.4.1  LeNet-5模型150

6.4.2  Inception-v3模型156

6.5  卷积神经网络迁移学习160

6.5.1  迁移学习介绍160

6.5.2  TensorFlow实现迁移学习161

小结168

第7章  图像数据处理170

7.1  TFRecord输入数据格式170

7.1.1  TFRecord格式介绍171

7.1.2  TFRecord样例程序171

7.2  图像数据处理173

7.2.1  TensorFlow图像处理函数174

7.2.2  图像预处理完整样例183

7.3  多线程输入数据处理框架185

7.3.1  队列与多线程186

7.3.2  输入文件队列190

7.3.3  组合训练数据（batching）193

7.3.4  输入数据处理框架196

7.4  数据集（Dataset）199

7.4.1  数据集的基本使用方法199

7.4.2  数据集的高层操作202

小结207

第8章  循环神经网络208

8.1  循环神经网络简介208

8.2  长短时记忆网络（LSTM）结构214

8.3  循环神经网络的变种218

8.3.1  双向循环神经网络和深层循环神经网络218

8.3.2  循环神经网络的dropout221

8.4  循环神经网络样例应用222

小结226

第9章  自然语言处理227

9.1  语言模型的背景知识227

9.1.1  语言模型简介227

9.1.2  语言模型的评价方法229

9.2  神经语言模型232

9.2.1  PTB数据集的预处理233

9.2.2  PTB数据的batching方法236

9.2.3  基于循环神经网络的神经语言模型238

9.3  神经网络机器翻译244

9.3.1  机器翻译背景与Seq2Seq模型介绍245

9.3.2  机器翻译文本数据的预处理246

9.3.3  Seq2Seq模型的代码实现250

9.3.4  注意力机制257

小结261

第10章  TensorFlow高层封装262

10.1  TensorFlow高层封装总览262

10.2  Keras介绍267

10.2.1  Keras基本用法267

10.2.2  Keras高级用法272

10.3  Estimator介绍277

10.3.1  Estimator基本用法278

10.3.2  Estimator自定义模型280

10.3.3  使用数据集（Dataset）作为Estimator输入284

小结286

第11章  TensorBoard可视化287

11.1  TensorBoard简介287

11.2  TensorFlow计算图可视化289

11.2.1  命名空间与TensorBoard图上节点290

11.2.2  节点信息297

11.3  监控指标可视化301

11.4  高维向量可视化309

小结317

第12章  TensorFlow计算加速318

12.1  TensorFlow使用GPU318

12.2  深度学习训练并行模式324

12.3  多GPU并行327

12.4  分布式TensorFlow334

12.4.1  分布式TensorFlow原理334

12.4.2  分布式TensorFlow模型训练338

小结348