TensorFlow实战

图书标准信息

• 作者 黄文坚、唐源 著
• 出版社 电子工业出版社
• 出版时间 2017-02
• 版次 1
• ISBN 9787121309120
• 定价 79.00元
• 装帧 平装
• 开本 其他
• 纸张 胶版纸
• 页数 316页

【内容简介】

Google近日发布了TensorFlow 1.0候选版，这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFlow不断给人以惊喜，推出了分布式版本，服务框架TensorFlow Serving，可视化工具TensorFlow，上层封装TF.Learn，其他语言（Go、Java、Rust、Haskell）的绑定、Windows的支持、JIT编译器XLA、动态计算图框架Fold，以及数不胜数的经典模型在TensorFlow上的实现（Inception Net、SyntaxNet等）。在这一年多时间，TensorFlow已从初入深度学习框架大战的新星，成为了几近垄断的行业事实标准。

 

《TensorFlow实战》希望用简单易懂的语言带领大家探索TensorFlow（基于1.0版本API）。在《TensorFlow实战》中我们讲述了TensorFlow的基础原理，TF和其他框架的异同。并用具体的代码完整地实现了各种类型的深度神经网络：AutoEncoder、MLP、CNN（AlexNet，VGGNet，Inception Net，ResNet）、Word2Vec、RNN（LSTM，Bi-RNN）、Deep Reinforcement Learning(Policy Network、Value Network)。此外，《TensorFlow实战》还讲解了TensorBoard、多GPU并行、分布式并行、TF.Learn和其他TF.Contrib组件。《TensorFlow实战》希望能帮读者快速入门TensorFlow和深度学习，在工业界或者研究中快速地将想法落地为可实践的模型。

【作者简介】

黄文坚，PPmoney大数据算法总监，负责集团的风控、理财、互联网证券等业务的数据挖掘工作。Google TensorFlow Contributor。前明略数据技术合伙人，领导了对诸多大型银行、保险公司、基金的数据挖掘项目，包括建立金融风控模型、新闻舆情分析、保险复购预测等。曾就职于阿里巴巴搜索引擎算法团队，负责天猫个性化搜索系统。曾参加阿里巴巴大数据推荐算法大赛，于7000多支队伍中获得前10名。本科、研究生就读于香港科技大学，曾在会议和期刊SIGMOBILE MobiCom、IEEE Transactions on Image Processing发表论文，研究成果获美国计算机协会移动计算大会（MobiCom）移动应用技术冠军，并获得两项美国专利和一项中国专利。

 

唐源，目前在芝加哥的Uptake公司带领团队建立用于多个物联网领域的数据科学引擎进行条件和健康监控，也建立了公司的预测模型引擎，现在被用于航空、能源等大型机械领域。一直活跃在开源软件社区，是TensorFlow和DMLC的成员，是TensorFlow、XGBoost、MXNet等软件的committer，TF.Learn、ggfortify等软件的作者，以及caret、pandas等软件的贡献者。曾获得谷歌Open Source Peer Bonus，以及多项高校和企业编程竞赛的奖项。在美国宾州州立大学获得荣誉数学学位，曾在本科学习期间成为创业公司DataNovo的核心创始成员，研究专利数据挖掘、无关键字现有技术搜索、策略推荐等。

【目录】

1    TensorFlow基础  1

 

1.1  TensorFlow概要  1

 

1.2  TensorFlow编程模型简介  4

 

2    TensorFlow和其他深度学习框架的对比  18

 

2.1  主流深度学习框架对比  18

 

2.2  各深度学习框架简介  20

 

3    TensorFlow第一步  39

 

3.1  TensorFlow的编译及安装  39

 

3.2  TensorFlow实现SoftmaxRegression识别手写数字  46

 

4    TensorFlow实现自编码器及多层感知机  55

 

4.1  自编码器简介  55

 

4.2  TensorFlow实现自编码器  59

 

4.3  多层感知机简介  66

 

4.4  TensorFlow实现多层感知机  70

 

5    TensorFlow实现卷积神经网络  74

 

5.1  卷积神经网络简介  74

 

5.2  TensorFlow实现简单的卷积网络  80

 

5.3  TensorFlow实现进阶的卷积网络  83

 

6    TensorFlow实现经典卷积神经网络  95

 

6.1  TensorFlow实现AlexNet  97

 

6.2  TensorFlow实现VGGNet  108

 

6.3  TensorFlow实现GoogleInceptionNet  119

 

6.4  TensorFlow实现ResNet  143

 

6.5  卷积神经网络发展趋势  156

 

7    TensorFlow实现循环神经网络及Word2Vec  159

 

7.1  TensorFlow实现Word2Vec  159

 

7.2  TensorFlow实现基于LSTM的语言模型  173

 

7.3  TensorFlow实现BidirectionalLSTMClassifier  188

 

8    TensorFlow实现深度强化学习  195

 

8.1  深度强化学习简介  195

 

8.2  TensorFlow实现策略网络  201

 

8.3  TensorFlow实现估值网络  213

 

9    TensorBoard、多GPU并行及分布式并行  233

 

9.1  TensorBoard  233

 

9.2  多GPU并行  243

 

9.3  分布式并行  249

 

10    TF.Learn从入门到精通  259

 

10.1  分布式Estimator  259

 

10.2  深度学习Estimator  267

 

10.3  机器学习Estimator  272

 

10.4  DataFrame  278

 

10.5  监督器Monitors  279

 

11    TF.Contrib的其他组件  283

 

11.1  统计分布  283

 

11.2  Layer模块  285

 

11.3  性能分析器tfprof   293

 

参考文献  297