TensorFlow技术解析与实战

图书标准信息

• 作者 李嘉璇 著
• 出版社 人民邮电出版社
• 出版时间 2017-06
• 版次 1
• ISBN 9787115456137
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸

【内容简介】

　　TensorFlow 是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。本书从深度学习的基础讲起，深入TensorFlow框架原理、模型构建、源代码分析和网络实现等各个方面。全书分为基础篇、实战篇和提高篇三部分。基础篇讲解人工智能的入门知识，深度学习的方法，TensorFlow的基础原理、系统架构、设计理念、编程模型、常用API、批标准化、模型的存储与加载、队列与线程，实现一个自定义操作，并进行TensorFlow源代码解析，介绍卷积神经网络（CNN）和循环神经网络（RNN）的演化发展及其TensorFlow实现、TensorFlow的高级框架等知识；实战篇讲解如何用TensorFlow写一个神经网络程序并介绍TensorFlow实现各种网络（CNN、RNN和自编码网络等）并对MNIST数据集进行训练，讲解TensorFlow在人脸识别、自然语言处理、图像和语音的结合、生成式对抗网络等方面的应用；提高篇讲解TensorFlow的分布式原理、架构、模式、API，还会介绍TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes结合、TensorFlowOnSpark、TensorFlow移动端应用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow计算加速等其他特性。最后，附录中列出一些可供参考的公开数据集，并结合作者的项目经验介绍项目管理的一些建议。 

【作者简介】

　　李嘉璇，创建TensorFlow交流社区，活跃于国内各大技术社区，知乎编程问题回答者。致力于人工智能的研究，对深度学习框架的架构、源码分析及在不同领域的应用有浓厚兴趣。有过上百篇论文阅读和深度学习经验，处理图像、社交文本数据情感分析、数据挖掘经验，参与过基于深度学习的自动驾驶二维感知系统Hackathon竞赛，曾任职百度研发工程师。

【目录】

第一篇　基础篇

 

 

 

第1章　人工智能概述 2

 

1.1　什么是人工智能 2

 

1.2　什么是深度学习 5

 

1.3　深度学习的入门方法 7

 

1.4　什么是TensorFlow 11

 

1.5　为什么要学TensorFlow 12

 

1.5.1　TensorFlow的特性 14

 

1.5.2　使用TensorFlow的公司 15

 

1.5.3　TensorFlow的发展 16

 

1.6　机器学习的相关赛事 16

 

1.6.1　ImageNet的ILSVRC 17

 

1.6.2　Kaggle 18

 

1.6.3　天池大数据竞赛 19

 

1.7　国内的人工智能公司 20

 

1.8　小结 22

 

第2章　TensorFlow环境的准备 23

 

2.1　下载TensorFlow 1.1.0 23

 

2.2　基于pip的安装 23

 

2.2.1　Mac OS环境准备 24

 

2.2.2　Ubuntu/Linux环境准备 25

 

2.2.3　Windows环境准备 25

 

2.3　基于Java的安装 28

 

2.4　从源代码安装 29

 

2.5　依赖的其他模块 30

 

2.5.1　numpy 30

 

2.5.2　matplotlib 31

 

2.5.3　jupyter 31

 

2.5.4　scikit-image 32

 

2.5.5　librosa 32

 

2.5.6　nltk 32

 

2.5.7　keras 33

 

2.5.8　tflearn 33

 

2.6　小结 33

 

第3章　可视化TensorFlow 34

 

3.1　PlayGround 34

 

3.1.1　数据 35

 

3.1.2　特征 36

 

3.1.3　隐藏层 36

 

3.1.4　输出 37

 

3.2　TensorBoard 39

 

3.2.1　SCALARS面板 40

 

3.2.2　IMAGES面板 41

 

3.2.3　AUDIO面板 42

 

3.2.4　GRAPHS面板 42

 

3.2.5　DISTRIBUTIONS面板 43

 

3.2.6　HISTOGRAMS面板 43

 

3.2.7　EMBEDDINGS面板 44

 

3.3　可视化的例子 44

 

3.3.1　降维分析 44

 

3.3.2　嵌入投影仪 48

 

3.4　小结 51

 

第4章　TensorFlow基础知识 52

 

4.1　系统架构 52

 

4.2　设计理念 53

 

4.3　编程模型 54

 

4.3.1　边 56

 

4.3.2　节点 57

 

4.3.3　其他概念 57

 

4.4　常用API 60

 

4.4.1　图、操作和张量 60

 

4.4.2　可视化 61

 

4.5　变量作用域 62

 

4.5.1　variable_scope示例 62

 

4.5.2　name_scope示例 64

 

4.6　批标准化 64

 

4.6.1　方法 65

 

4.6.2　优点 65

 

4.6.3　示例 65

 

4.7　神经元函数及优化方法 66

 

4.7.1　激活函数 66

 

4.7.2　卷积函数 69

 

4.7.3　池化函数 72

 

4.7.4　分类函数 73

 

4.7.5　优化方法 74

 

4.8　模型的存储与加载 79

 

4.8.1　模型的存储与加载 79

 

4.8.2　图的存储与加载 82

 

4.9　队列和线程 82

 

4.9.1　队列 82

 

4.9.2　队列管理器 85

 

4.9.3　线程和协调器 86

 

4.10　加载数据 87

 

4.10.1　预加载数据 87

 

4.10.2　填充数据 87

 

4.10.3　从文件读取数据 88

 

4.11　实现一个自定义操作 92

 

4.11.1　步骤 92

 

4.11.2　最佳实践 93

 

4.12　小结 101

 

第5章　TensorFlow源代码解析 102

 

5.1　TensorFlow的目录结构 102

 

5.1.1　contirb 103

 

5.1.2　core 104

 

5.1.3　examples 105

 

5.1.4　g3doc 105

 

5.1.5　python 105

 

5.1.6　tensorboard 105

 

5.2　TensorFlow源代码的学习方法 106

 

5.3　小结 108

 

第6章　神经网络的发展及其TensorFlow实现 109

 

6.1　卷积神经网络 109

 

6.2　卷积神经网络发展 110

 

6.2.1　网络加深 111

 

6.2.2　增强卷积层的功能 115

 

6.2.3　从分类任务到检测任务 120

 

6.2.4　增加新的功能模块 121

 

6.3　MNIST的AlexNet实现 121

 

6.3.1　加载数据 121

 

6.3.2　构建网络模型 122

 

6.3.3　训练模型和评估模型 124

 

6.4　循环神经网络 125

 

6.5　循环神经网络发展 126

 

6.5.1　增强隐藏层的功能 127

 

6.5.2　双向化及加深网络 129

 

6.6　TensorFlow Model Zoo 131

 

6.7　其他研究进展 131

 

6.7.1　强化学习 132

 

6.7.2　深度森林 132

 

6.7.3　深度学习与艺术 132

 

6.8　小结 133

 

第7章　TensorFlow的高级框架 134

 

7.1　TFLearn 134

 

7.1.1　加载数据 134

 

7.1.2　构建网络模型 135

 

7.1.3　训练模型 135

 

7.2　Keras 135

 

7.2.1　Keras的优点 136

 

7.2.2　Keras的模型 136

 

7.2.3　Keras的使用 137

 

7.3　小结 141

 

 

 

第二篇　实战篇

 

 

 

第8章　第一个TensorFlow程序 144

 

8.1　TensorFlow的运行方式 144

 

8.1.1　生成及加载数据 144

 

8.1.2　构建网络模型 145

 

8.1.3　训练模型 145

 

8.2　超参数的设定 146

 

8.3　小结 147

 

第9章　TensorFlow在MNIST中的应用 148

 

9.1　MNIST数据集简介 148

 

9.1.1　训练集的标记文件 148

 

9.1.2　训练集的图片文件 149

 

9.1.3　测试集的标记文件 149

 

9.1.4　测试集的图片文件 150

 

9.2　MNIST的分类问题 150

 

9.2.1　加载数据 150

 

9.2.2　构建回归模型 151

 

9.2.3　训练模型 151

 

9.2.4　评估模型 152

 

9.3　训练过程的可视化 152

 

9.4　MNIST的卷积神经网络 156

 

9.4.1　加载数据 157

 

9.4.2　构建模型 157

 

9.4.3　训练模型和评估模型 159

 

9.5　MNIST的循环神经网络 161

 

9.5.1　加载数据 161

 

9.5.2　构建模型 161

 

9.5.3  训练数据及评估模型 163

 

9.6　MNIST的无监督学习 164

 

9.6.1　自编码网络 164

 

9.6.2　TensorFlow的自编码网络实现 165

 

9.7　小结 169

 

第10章　人脸识别 170

 

10.1　人脸识别简介 170

 

10.2　人脸识别的技术流程 171

 

10.2.1　人脸图像采集及检测 171

 

10.2.2　人脸图像预处理 171

 

10.2.3　人脸图像特征提取 171

 

10.2.4　人脸图像匹配与识别 172

 

10.3　人脸识别的分类 172

 

10.3.1　人脸检测 172

 

10.3.2　人脸关键点检测 173

 

10.3.3　人脸验证 174

 

10.3.4　人脸属性检测 174

 

10.4　人脸检测 175

 

10.4.1　LFW数据集 175

 

10.4.2　数据预处理 175

 

10.4.3　进行检测 176

 

10.5　性别和年龄识别 178

 

10.5.1　数据预处理 179

 

10.5.2　构建模型 181

 

10.5.3　训练模型 182

 

10.5.4　验证模型 184

 

10.6　小结 185

 

第11章　自然语言处理 186

 

11.1　模型的选择 186

 

11.2　英文数字语音识别 187

 

11.2.1　定义输入数据并预处理数据 188

 

11.2.2　定义网络模型 188

 

11.2.3　训练模型 188

 

11.2.4　预测模型 189

 

11.3　智能聊天机器人 189

 

11.3.1　原理 190

 

11.3.2　最佳实践 191

 

11.4　小结 200

 

第12章　图像与语音的结合 201

 

12.1　看图说话模型 201

 

12.1.1　原理 202

 

12.1.2　最佳实践 203

 

12.2　小结 205

 

第13章　生成式对抗网络 206

 

13.1　生成式对抗网络的原理 206

 

13.2　生成式对抗网络的应用 207

 

13.3　生成式对抗网络的实现 208

 

13.4　生成式对抗网络的改进 214

 

13.5　小结 214

 

 

 

第三篇　提高篇

 

 

 

第14章　分布式TensorFlow 216

 

14.1　分布式原理 216

 

14.1.1　单机多卡和分布式 216

 

14.1.2　分布式部署方式 217

 

14.2　分布式架构 218

 

14.2.1　客户端、主节点和工作节点的关系 218

 

14.2.2　客户端、主节点和工作节点的交互过程 220

 

14.3　分布式模式 221

 

14.3.1　数据并行 221

 

14.3.2　同步更新和异步更新 222

 

14.3.3　模型并行 224

 

14.4　分布式API 225

 

14.5　分布式训练代码框架 226

 

14.6　分布式最佳实践 227

 

14.7　小结 235

 

第15章　TensorFlow线性代数编译框架XLA 236

 

15.1　XLA的优势 236

 

15.2　XLA的工作原理 237

 

15.3　JIT编译方式 238

 

15.3.1　打开JIT编译 238

 

15.3.2　将操作符放在XLA设备上 238

 

15.4　JIT编译在MNIST上的实现 239

 

15.5　小结 240

 

第16章　TensorFlow Debugger 241

 

16.1　Debugger的使用示例 241

 

16.2　远程调试方法 245

 

16.3　小结 245

 

第17章　TensorFlow和Kubernetes结合 246

 

17.1　为什么需要Kubernetes 246

 

17.2　分布式TensorFlow在Kubernetes中的运行 247

 

17.2.1　部署及运行 247

 

17.2.2　其他应用 253

 

17.3　小结 254

 

第18章　TensorFlowOnSpark 255

 

18.1　TensorFlowOnSpark的架构 255

 

18.2　TensorFlowOnSpark在MNIST上的实践 257

 

18.3　小结 261

 

第19章　TensorFlow移动端应用 262

 

19.1　移动端应用原理 262

 

19.1.1　量化 263

 

19.1.2　优化矩阵乘法运算 266

 

19.2　iOS系统实践 266

 

19.2.1　环境准备 266

 

19.2.2　编译演示程序并运行 267

 

19.2.3　自定义模型的编译及运行 269

 

19.3　Android系统实践 273

 

19.3.1　环境准备 274

 

19.3.2　编译演示程序并运行 275

 

19.3.3　自定义模型的编译及运行 277

 

19.4　树莓派实践 278

 

19.5　小结 278

 

第20章　TensorFlow的其他特性 279

 

20.1　TensorFlow Serving 279

 

20.2　TensorFlow Flod 280

 

20.3　TensorFlow计算加速 281

 

20.3.1　CPU加速 281

 

20.3.2　TPU加速和FPGA加速 282

 

20.4　小结 283

 

第21章　机器学习的评测体系 284

 

21.1　人脸识别的性能指标 284

 

21.2　聊天机器人的性能指标 284

 

21.3　机器翻译的评价方法 286

 

21.3.1　BLEU 286

 

21.3.2　METEOR 287

 

21.4　常用的通用评价指标 287

 

21.4.1　ROC和AUC 288

 

21.4.2　AP和mAP 288

 

21.5　小结 288

 

附录A　公开数据集 289

 

附录B　项目管理经验小谈 292