精通TensorFlow/深度学列
全新正版 极速发货
￥ 67.3 7.6折 ￥ 89 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者阿曼多·凡丹戈
出版社机械工业出版社
ISBN9787111614364
出版时间2019-01
装帧其他
开本16开
定价89元
货号30441758
上书时间2025-01-06
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
ArmandoFandango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
8.6.2 使用Keras中的 LSTM模型生成文本 // 134
8.7 总结 // 137
第 9章 基于TensorFlow和Keras的 CNN // 138
9.1 理解卷积 // 138
9.2 理解池化 // 141
9.3 CNN架构模式 - LeNet // 142
9.4 在MNIST数据集上构建 LeNet // 143
9.4.1 使用 TensorFlow的 LeNet CNN对 MNIST数据集进行分类 // 143
9.4.2 使用 Keras的 LeNet CNN对MNIST数据集进行分类 // 146
9.5 在CIFAR10数据集上构建LeNet // 148
9.5.1 使用TensorFlow的 CNN对CIFAR10数据集进行分类 // 149
9.5.2 使用Keras的 CNN对CIFAR10数据集进行分类 // 150
9.6 总结 // 151
第 10章 基于TensorFlow和Keras的自编码器 // 152
10.1 自编码器类型 // 152
10.2 基于TensorFlow的堆叠自编码器 // 154
10.3 基于Keras的堆叠自编码器 // 157
10.4 基于TensorFlow的去噪自编码器 // 159
10.5 基于Keras的去噪自编码器 // 161
10.6 基于TensorFlow的变分自编码器 // 162
10.7 基于Keras的变分自编码器 // 167
10.8 总结 // 170
第 11章 使用TF服务提供生成环境下的 TensorFlow模型 // 171
11.1 在 TensorFlow中保存和恢复模型 // 171
11.1.1 使用saver类保存和恢复所有网络计算图变量 // 172
11.1.2 使用saver类保存和恢复所选变量 // 173
11.2 保存和恢复 Keras模型 // 175
11.3 TensorFlow服务 // 175
11.3.1 安装TF服务 // 175
11.3.2 保存TF服务的模型 // 176
11.3.3 使用TF服务提供服务模型 // 180
11.4 在Docker容器中提供 TF服务 // 181
11.4.1 安装Docker // 182
11.4.2 为TF服务构建 Docker镜像 // 183
11.4.3 在Docker容器中提供模型 // 185
11.5 基于Kubernetes的 TF服务 // 186
11.5.1 安装 Kubernetes // 186
11.5.2 将 Docker镜像上传到dockerhub // 187
11.5.3 在 Kubernetes中部署 // 188
11.6 总结 // 192
第 12章 迁移学习模型和预训练模型 // 193
12.1 ImageNet数据集 // 193
12.2 重新训练或微调模型 // 196
12.3 COCO动物数据集和预处理图像 // 197
12.4 TensorFlow中的 VGG16 // 203
12.4.1 使用TensorFlow中预先训练的VGG16进行图像分类 // 204
12.5 将TensorFlow中的图像预处理用于预先训练的 VGG16 // 208
12.5.1 使用TensorFlow中重新训练的VGG16进行图像分类 // 209
12.6 Keras中的 VGG16 // 215
12.6.1 使用Keras中预先训练的VGG16进行图像分类 // 215
12.6.2 使用Keras中重新训练的VGG16进行图像分类 // 220
12.7 TensorFlow中的 Inception v3 // 226
12.7.1 使用TensorFlow中 Inception v3进行图像分类 // 226
12.7.2 使用TensorFlow中重新训练的Inception v3进行图像分类 // 231
12.8 总结 // 237
第 13章 深度强化学习 // 238
13.1 OpenAI Gym 101 // 239
13.2 将简单的策略应用于 cartpole游戏 // 242
13.3 强化学习 101 // 246
13.3.1 Q函数（在模型无效时学习优化）// 246
13.3.2 强化学习算法的探索与开发 // 246
13.3.3 V函数（在模型可用时学习优化）// 247
13.3.4 强化学习技巧 // 247
13.4 强化学习的朴素神经网络策略 // 248
13.5 实施 Q-Learning // 250
13.5.1 Q-Learning的初始化和离散化 // 251
13.5.2 基于Q表的 Q-Learning // 252
13.5.3 使用Q网络或深度 Q网络（DQN）进行 Q-Learning // 253
13.6 总结 // 254
第 14章 生成对抗网络（GAN） // 256
14.1 GAN 101 // 256
14.2 建立和训练 GAN的最佳实践 // 258
14.3 基于TensorFlow的简单 GAN // 258
14.4 基于Keras的简单 GAN // 263
14.5 基于TensorFlow和 Keras的深度卷积 GAN // 268
14.6 总结 // 270
第 15章 基于TensorFlow集群的分布式模型 // 271
15.1 分布式执行策略 // 271
15.2 TensorFlow集群 // 272
15.2.1 定义集群规范 // 274
15.2.2 创建服务器实例 // 274
15.2.3 定义服务器和设备之间的参数和操作 // 276
15.2.4 定义并训练计算图以进行异步更新 // 276
15.2.5 定义并训练计算图以进行同步更新 // 281
15.3 总结 // 282
第 16章 移动和嵌入式平台上的TensorFlow模型 // 283
16.1 移动平台上的 TensorFlow // 283
16.2 Android应用程序中的 TF Mobile // 284
16.3 演示Android上的 TF Mobile // 285
16.4 iOS应用程序中的 TF Mobile // 287
16.5 演示iOS上的TF Mobile // 288
16.6 TensorFlow Lite // 289
16.7 演示Android上的TF Lite应用程序 // 290
16.8 演示iOS上的TF Lite应用程序 // 291
16.9 总结 // 291
第 17章 R中的 TensorFlow和 Keras // 292
17.1 在R中安装 TensorFlow和 Keras软件包 // 292
17.2 R中的TF核心 API // 294
17.3 R中的TF Estimator API // 295
17.4 R中的Keras API // 297
17.5 R中的TensorBoard // 300
17.6 R中的tfruns包 // 302
17.7 总结 // 304
第 18章 调试TensorFlow模型 // 305
18.1 使用tf.Session.run( )获取张量值 // 305
18.2 使用tf.Print( )输出张量值 // 306
18.3 使用tf.Assert( )断言条件 // 306
18.4 使用TensorFlow调试器（tfdbg）进行调试 // 308
18.5 总结 // 310
附录 张量处理单元 // 311
内容摘要
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TensorFlow1.x的高级功能，深入了解TensorFlow内核、Keras、 TFEstimator、TFLearn、TFSlim、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KerasAPI，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。
— 没有更多了 —
以下为对购买帮助不大的评价