TensorFlow：实战Google深度学习框架

图书标准信息

• 作者 才云科技Caicloud、郑泽宇、顾思宇 著
• 出版社 电子工业出版社
• 出版时间 2017-03
• 版次 1
• ISBN 9787121309595
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 296页
• 字数 380.95千字

【内容简介】

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已在谷歌、优步（Uber）、京东、小米等科技公司广泛应用。《TensorFlow：实战Google深度学习框架》为使用TensorFlow深度学习框架的入门参考书，旨在帮助读者以更快、更有效的方式上手TensorFlow和深度学习。书中省略了深度学习繁琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow样例程序介绍如何使用深度学习解决这些问题。《TensorFlow：实战Google深度学习框架》包含了深度学习的入门知识和大量实践经验，是走进这个更新、更火的人工智能领域的推荐参考书。

【作者简介】

郑泽宇，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，他带领团队成功开发了国内成熟的分布式TensorFlow深度学习平台（TensorFlow as a Service）先河。基于此平台，才云大数据团队为安防、电商、金融、物流等多个行业提供有针对性的人工智能解决方案。归国创业之前，郑泽宇曾任美国谷歌高级工程师。从2013 年加入谷歌，郑泽宇作为主要技术人员参与并领导了多个大数据项目。由他提出并主导的产品聚类项目用于衔接谷歌购物和谷歌知识图谱（knowledge graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。郑泽宇于2011年5月获得北京大学计算机学士学位，并荣获北京大学信息科学技术学院十佳优秀毕业论文、北京大学优秀毕业生。2013年5月获得美国 Carnegie Mellon University（CMU）大学计算机硕士学位，并获得西贝尔奖学金 (Siebel Scholarship)。郑泽宇在机器学习、人工智能领域有多年研究经验，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等国际会议上发表多篇学术论文。

 

【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 7

 

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 14

 

1.3.3  自然语言处理 15

 

1.3.4  人机博弈 18

 

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 Buffer 25

 

2.1.2  Bazel    27

 

2.2  TensorFlow安装    29

 

2.2.1  使用Docker安装 30

 

2.2.2  使用pip安装 32

 

2.2.3  从源代码编译安装 33

 

2.3  TensorFlow测试样例    37

 

小结    38

 

第3章  TensorFlow入门 40

 

3.1  TensorFlow计算模型——计算图  40

 

3.1.1  计算图的概念 40

 

3.1.2  计算图的使用 41

 

3.2  TensorFlow数据模型——张量    43

 

3.2.1  张量的概念  43

 

3.2.2  张量的使用  45

 

3.3  TensorFlow运行模型——会话    46

 

3.4  TensorFlow实现神经网络    48

 

3.4.1  TensorFlow游乐场及神经网络简介 48

 

3.4.2  前向传播算法简介 51

 

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    65

 

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 84

 

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 90

 

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    169

 

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

 

小结    198

 

第8章  循环神经网络   200

 

8.1  循环神经网络简介  200

 

8.2  长短时记忆网络（LTSM）结构    206

 

8.3  循环神经网络的变种 212

 

8.3.1  双向循环神经网络和深层循环神经网络  212

 

8.3.2  循环神经网络的dropout   214

 

8.4  循环神经网络样例应用  215

 

8.4.1  自然语言建模 216

 

8.4.2  时间序列预测 225

 

小结    230

 

第9章  TensorBoard可视化  232

 

9.1  TensorBoard简介   232

 

9.2  TensorFlow计算图可视化    234

 

9.2.1  命名空间与TensorBoard图上节点  234

 

9.2.2  节点信息 241

 

9.3  监控指标可视化 246

 

小结    252

 

第10章  TensorFlow计算加速    253

 

10.1  TensorFlow使用GPU   253

 

10.2  深度学习训练并行模式 258

 

10.3  多GPU并行    261

 

10.4  分布式TensorFlow 268

 

10.4.1  分布式TensorFlow原理  269

 

10.4.2  分布式TensorFlow模型训练  272

 

10.4.3  使用Caicloud运行分布式TensorFlow 282

 

小结    287