精通TensorFlow

图书标准信息

• 作者 Fandango 著；Armando、刘波 何希平 译
• 出版社 机械工业出版社
• 出版时间 2019-01
• 版次 1
• ISBN 9787111614364
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 315页
• 字数 462千字
• 丛书 深度学习系列

【内容简介】

TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。 

 《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的高级功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。 

 您还能够学习TensorFlow1.x的高级功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。 

 《精通TensorFlow》可帮助您深入了解TensorFlow，使您成为解决人工智能问题的专家。总之，在学习本书之后，可掌握TensorFlow和Keras的产品，并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。

【作者简介】

Armando Fandango利用自己在深度学习、计算方法和分布式计算方面的专业知识，创造了人工智能（AI）产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司，其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司，这家非盈利机构主要帮助美国退役军人掌握AI技能。 

 Armando出版了2本专著，并在国际期刊和会议上发表了他的研究成果。

【目录】

译者序 

原书序 

原书前言 

第 1章　TensorFlow 101 // 1 

1.1　什么是 TensorFlow // 1 

1.2　TensorFlow内核 // 2 

1.2.1　简单的示例代码 -Hello TensorFlow // 2 

1.2.2　张量 // 3 

1.2.3　常量 // 4 

1.2.4　操作 // 5 

1.2.5　占位符 // 6 

1.2.6　从 Python对象创建张量 // 7 

1.2.7　变量 // 9 

1.2.8　由库函数生成的张量 // 10 

1.2.9　通过 tf.get_variable( )获取变量 // 13 

1.3　数据流图或计算图 // 14 

1.3.1　执行顺序和延迟加载 // 15 

1.3.2　跨计算设备执行计算图 -CPU和 GPU // 15 

1.3.3　多个计算图 // 18 

1.4　TensorBoard // 19 

1.4.1　TensorBoard最小的例子 // 19 

1.4.2　TensorBoard的细节 // 21 

1.5　总结 // 21 

第 2章　TensorFlow的高级库 // 22 

2.1　TF Estimator // 22 

2.2　TF Slim // 24 

2.3　TFLearn // 25 

2.3.1　创建 TFLearn层 // 26 

2.3.2　创建 TFLearn模型 // 30 

2.3.3　训练 TFLearn模型 // 30 

2.3.4　使用 TFLearn模型 // 30 

2.4　PrettyTensor // 31 

2.5　Sonnet // 32 

2.6　总结 // 34 

第 3章　Keras101 // 35 

3.1　安装 Keras // 35 

3.2　Keras的神经网络模型 // 36 

3.2.1　在 Keras中创建模型的过程 // 36 

3.3　创建 Keras模型 // 36 

3.3.1　用于创建 Keras模型的序列化 API // 36 

3.3.2　用于创建 Keras模型的功能性 API // 37 

3.4　Keras的层 // 37 

3.4.1　Keras内核层 // 37 

3.4.2　Keras卷积层 // 38 

3.4.3　Keras池化层 // 38 

3.4.4　Keras局连接层 // 39 

3.4.5　Keras循环层 // 39 

3.4.6　Keras嵌入层 // 39 

3.4.7　Keras合并层 // 39 

3.4.8　Keras高级激活层 // 40 

3.4.9　Keras归一化层 // 40 

3.4.10　Keras噪声层 // 40 

3.5　将网络层添加到 Keras模型中 // 40 

3.5.1　利用序列化 API将网络层添加到 Keras模型中 // 40 

3.5.2　利用功能性 API将网络层添加到 Keras模型中 // 41 

3.6　编译 Keras模型 // 41 

3.7　训练 Keras模型 // 42 

3.8　使用 Keras模型进行预测 // 42 

3.9　Keras中的其他模块 // 43 

3.10　基于 MNIST数据集的 Keras顺序模型示例 // 43 

3.11　总结 // 45 

第 4章　基于TensorFlow的经典机器学习算法 // 47 

4.1　简单的线性回归 // 48 

4.1.1　数据准备 // 49 

4.1.2　建立简单的回归模型 // 50 

4.1.3　使用训练好的模型进行预测 // 55 

4.2　多元回归 // 55 

4.3　正则化回归 // 58 

4.3.1　Lasso正则化 // 59 

4.3.2　岭正则化 // 62 

4.3.3　弹性网正则化 // 64 

4.4　使用 Logistic回归进行分类 // 65 

4.4.1　二分类的 Logistic回归 // 65 

4.4.2　多类分类的 Logistic回归 // 66 

4.5　二分类 // 66 

4.6　多分类 // 69 

4.7　总结 // 73 

第 5章　基于 TensorFlow和 Keras的神经网络和多层感知机 // 74 

5.1　感知机 // 74 

5.2　多层感知机 // 76 

5.3　用于图像分类的多层感知机 // 77 

5.3.1　通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77 

5.3.2　通过 Keras构建用于 MNIST分类的多层感知机 // 83 

5.3.3　通过 TFLearn构建用于 MNIST分类的多层感知机 // 85 

5.3.4　多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86 

5.4　用于时间序列回归的多层感知机 // 86 

5.5　总结 // 89 

第 6章　基于TensorFlow和Keras的 RNN // 90 

6.1　简单 RNN // 90 

6.2　RNN改进版本 // 92 

6.3　LSTM网络 // 93 

6.4　GRU网络 // 95 

6.5　基于TensorFlow的 RNN // 96 

6.5.1　TensorFlow的RNN单元类 // 96 

6.5.2　 TensorFlow 的RNN模型构造类 // 97 

6.5.3　 TensorFlow的 RNN单元封装类 // 97 

6.6　基于Keras的 RNN // 98 

6.7　RNN的应用领域 // 98 

6.8　将基于Keras的 RNN用于MNIST数据 // 99 

6.9　总结 // 100 

第 7章　基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101 

7.1　航空公司乘客数据集 // 101 

7.1.1　加载 airpass数据集 // 102 

7.1.2　可视化 airpass数据集 // 102 

7.2　使用TensorFlow为 RNN模型预处理数据集 // 103 

7.3　TensorFlow中的简单 RNN // 104 

7.4　TensorFlow中的 LSTM网络 // 106 

7.5　TensorFlow中的 GRU网络 // 107 

7.6　使用 Keras为 RNN模型预处理数据集 // 108 

7.7　基于 Keras的简单 RNN // 109 

7.8　基于 Keras的 LSTM网络 // 111 

7.9　基于 Keras的 GRU网络 // 112 

7.10　总结 // 113 

第 8章　基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114 

8.1　词向量表示 // 114 

8.2　为 word2vec模型准备数据 // 116 

8.2.1　加载和准备PTB数据集 // 117 

8.2.2　加载和准备text8数据集 // 118 

8.2.3　准备小的验证集 // 119 

8.3　使用TensorFlow的 skip-gram模型 // 119 

8.4　使用t-SNE可视化单词嵌入 // 124 

8.5　基于Keras的 skip-gram模型 // 126 

8.6　使用TensorFlow和 Keras中的 RNN模型生成文本 // 130 

8.6.1　使用TensorFlow中的 LSTM模型生成文本 // 131 

8