TensorFlow2.X项目实战

图书标准信息

• 作者 李金洪 著
• 出版社 电子工业出版社
• 出版时间 2020-10
• 版次 1
• ISBN 9787121397066
• 定价 119.00元
• 装帧 平装
• 开本 16开
• 页数 506页
• 字数 0.73千字

【内容简介】

本书基于TensorFlow 2.1 版本进行编写。书中内容分为4 篇。

 

第1 篇包括TensorFlow 的安装、使用方法。这部分内容可以使读者快速上手TensorFlow 工具。

 

第2 篇包括数据集制作、特征工程等数据预处理工作，以及与数值分析相关的模型（其中包括wide_deep 模型、梯度提升树、知识图谱、带有JANET 单元的RNN 等模型）。

 

第3 篇从自然语言处理、计算机视觉两个应用方向介绍了基础的算法原理和主流的模型。具体包括：TextCNN 模型、带有注意力机制的模型、带有动态路由的RNN 模型、BERTology 系列模型、EfficientNet系列模型、Anchor-Free 模型、YOLO V3 模型等。

 

第4 篇介绍了生成式模型和零次学习两种技术，其中系统地介绍了信息熵、归一化、f-GAN、**传输、Sinkhorn 算法，以及变分自编码、DeblurGAN、AttGAN、DIM、VSC 等模型。

 

本书结构清晰、案例丰富、通俗易懂、实用性强，适合对人工智能、TensorFlow 感兴趣的读者作为自学教程。

 

另外，本书也适合社会培训学校作为培训教材，还适合计算机相关专业作为教学参考书。

【作者简介】

李金洪，精通c、c++、汇编、python、java、go等语言。擅长神经网络、算法、协议分析、逆向、移动互联网安全架构等技术

 

先后担任过CAD算法工程师、手机游戏主程、架构师、项目经理、CTO、部门经理、资深产品总监等职位，也曾自主创业过。

【目录】

=======第1 篇 准备

 

第1 章 学习准备 /2

 

1．1 什么是TensorFlow 框架 /2

 

1．2 如何学习本书 /3

 

·

 

第2 章 快速上手TensorFlow /5

 

2．1 配置TensorFlow 环境 /5

 

2．2 训练模型的两种方式 /13

 

2．2．1 “静态图”方式/13

 

2．2．2 “动态图”方式/14

 

2．3 实例1：用静态图训练模型，使其能够从一组数据中找到y≈2x 规律  15

 

2．4 实例2：用动态图训练一个具有保存检查点功能的回归模型  24

 

·

 

第3 章 TensorFlow 2．X 编程基础 /28

 

3．1 动态图的编程方式 /28

 

3．1．1 实例3：在动态图中获取参数 /28

 

3．1．2 实例4：在静态图中使用动态图 /31

 

3．1．3 什么是自动图 /32

 

3．2 掌握估算器框架接口的应用 /33

 

3．3 实例7：将估算器模型转化成静态图模型  49

 

3．4 实例8：用估算器框架实现分布式部署训练  54

 

3．5 掌握tf．keras 接口的应用 /58

 

3．6 分配运算资源与使用分布策略 72

 

3．7 用tfdbg 调试TensorFlow 模型/75

 

3．8 用自动混合精度加速模型训练 75

 

·

 

=======第2 篇 基础

 

第4 章 用TensorFlow 制作自己的数据集  80

 

4．1 数据集的基本介绍 /80

 

4．2 实例11：将模拟数据制作成内存对象数据集 82

 

4．3 实例12：将图片制作成内存对象数据集 88

 

4．4 实例13：将Excel 文件制作成内存对象数据集/94

 

4．5 实例14：将图片文件制作成TFRecord 数据集/98

 

4．6 实例15：将内存对象制作成Dataset 数据集 104

 

4．7 实例16：将图片文件制作成Dataset 数据集 117

 

4．7．1 代码实现：读取样本文件的目录及标签 117

 

4．8 实例17：在动态图中读取Dataset 数据集 123

 

4．9 实例18：在不同场景中使用数据集  125

 

4．10 tf．data．Dataset 接口的更多应用 129

 

·

 

第5 章 数值分析与特征工程 /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 离散数据特征与连续数据特征 /131

 

5．1．4 连续数据与离散数据的相互转换 /132

 

5．2 什么是特征列接口 /132

 

5．2．1 实例19：用feature_column 模块处理连续值特征列 132

 

5．2．2 实例20：将连续值特征列转换成离散值特征列 /136

 

5．2．3 实例21：将离散文本特征列转换为one-hot 编码与词向量/139

 

5．2．4 实例22：根据特征列生成交叉列 /147

 

5．2．5 了解序列特征列接口 /148

 

5．2．6 实例23：使用序列特征列接口对文本数据预处理 /149

 

5．3 实例24：用wide_deep 模型预测人口收入  153

 

5．4 实例25：梯度提升树（TFBT）接口的应用 170

 

5．5 实例26：基于知识图谱的电影推荐系统  173

 

5．6 实例27：预测飞机发动机的剩余使用寿命  182

 

·

 

=======第3 篇 进阶

 

第6 章 自然语言处理 /200

 

6．1 BERT 模型与NLP 的发展阶段  200

 

6．2 实例28：用TextCNN 模型分析评论者是否满意 201

 

6．2．1 什么是卷积神经网络 /201

 

6．2．2 模型任务与数据集介绍 /202

 

6．2．3 熟悉模型：了解TextCNN 模型 /202

 

6．2．4 数据预处理：用preprocessing 接口制作字典 203

 

6．2．5 代码实现：生成NLP 文本数据集  206

 

6．2．6 代码实现：定义TextCNN 模型 /208

 

6．2．7 运行程序 /210

 

6．3 实例29：用带有注意力机制的模型分析评论者是否满意  210

 

6．4 实例30：用带有动态路由的RNN 模型实现文本分类任务 /224

 

6．5 NLP 中的常见任务及数据集  236

 

6．6 了解Transformers 库 /239

 

6．7 实例31：用管道方式完成多种NLP 任务 243

 

6．8 Transformers 库中的自动模型类（TFAutoModel）/255

 

6．9 Transformers 库中的BERTology 系列模型 /259

 

6．10 Transformers 库中的词表工具  269

 

6．11 BERTology 系列模型 /281

 

6．12 用迁移学习训练BERT 模型来对中文分类/300

 

.

 

第7 章 机器视觉处理 /307

 

7．1 实例34：使用预训练模型识别图像  307

 

7．2 了解EfficientNet 系列模型 /311

 

7．3 实例36：在估算器框架中用tf．keras 接口训练ResNet 模型，识别图片中是橘子还是苹果 /325

 

7．3．1 样本准备 /325

 

7．3．2 代码实现：准备训练与测试数据集 326

 

7．3．3 代码实现：制作模型输入函数 /326

 

7．3．4 代码实现：搭建ResNet 模型 /327

 

7．3．5 代码实现：训练分类器模型 /328

 

7．3．6 运行程序：评估模型 /329

 

7．3．7 扩展：全连接网络的优化 /330

 

7．3．8 在微调过程中如何选取预训练模型 330

 

7．4 基于图片内容的处理任务 /331

 

7．5 实例37：用YOLO V3 模型识别门牌号 /341

 

.

 

=======第4 篇 高级

 

第8 章 生成式模型DD能够输出内容的模型 /364

 

8．1 快速了解信息熵（information entropy）  364

 

8．2 通用的无监督模型DD自编码与对抗神经网络 /372

 

8．3 实例38：用多种方法实现变分自编码神经网络  373

 

8．4 常用的批量归一化方法 /386

 

8．5 实例39：构建DeblurGAN 模型，将模糊照片变清晰 388

 

8．6 全面了解WGAN 模型 /404

 

8．7 实例40：构建AttGAN 模型，对照片进行加胡子、加头帘、加眼镜、变年轻等修改/411

 

8．8 散度在神经网络中的应用 /440

 

8．9 实例42：用最大化互信息（DIM）模型做一个图片搜索器  453

 

.

 

第9 章 识别未知分类的方法DD零次学习 /464

 

9．1 了解零次学习 /464

 

9．2 零次学习中的常见难点 /469

 

9．3 带有视觉结构约束的直推ZSL（VSC 模型）  472

 

9．4 详解Sinkhorn 迭代算法 /481

 

9．5 实例43：用VSC 模型识别图片中的鸟属于什么类别 490

 

9．5．1 模型任务与样本介绍 /490

 

9．5．2 用迁移学习的方式获得训练集分类模型 492

 

9．5．3 用分类模型提取图片的视觉特征 /492

 

9．5．4 代码实现：训练VSC 模型，将类属性特征转换成类视觉特征 /493

 

9．5．5 代码实现：基于W 距离的损失函数  494

 

9．5．6 加载数据并进行训练 /495

 

9．5．7 代码实现：根据特征距离对图片进行分类 496

 

9．6 提升零次学习精度的方法 /497

 

9．6．1 分析视觉特征的质量 /497

 

9．6．2 分析直推式学习的效果 /499

 

9．6．3 分析直推模型的能力 /499

 

9．6．4 分析未知类别的聚类效果 /500

 

9．6．5 清洗测试数据集/502

 

9．6．6 利用可视化方法进行辅助分析 /503

 

后记DD让技术更好地商业化落地 /505