TensorFlow進(jìn)階指南：基礎(chǔ)、算法與應(yīng)用

定　價(jià)：￥99.00

作　者：	黃鴻波著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：	博文視點(diǎn)AI系列叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121345654	出版時(shí)間：	2018-11-01	包裝：	平裝
開本：	16	頁數(shù)：	376	字?jǐn)?shù)：

內(nèi)容簡介

　　《TensorFlow進(jìn)階指南：基礎(chǔ)、算法與應(yīng)用》是由人工智能一線從業(yè)專家根據(jù)自己日常工作的體會(huì)與經(jīng)驗(yàn)總結(jié)而成的，在對TensorFlow的基礎(chǔ)知識(shí)、環(huán)境搭建、神經(jīng)網(wǎng)絡(luò)、常用技術(shù)的詳細(xì)講解當(dāng)中穿插了自己實(shí)戰(zhàn)的經(jīng)驗(yàn)與教訓(xùn)。更與眾不同的是，《TensorFlow進(jìn)階指南：基礎(chǔ)、算法與應(yīng)用》詳細(xì)地解析了使用TensorFlow進(jìn)行深度學(xué)習(xí)領(lǐng)域中常用模型的搭建、調(diào)參和部署整個(gè)流程，以及數(shù)據(jù)集的使用方法，能夠幫助您快速理解和掌握TensorFlow相關(guān)技術(shù)，最后還用實(shí)戰(zhàn)項(xiàng)目幫助您快速地學(xué)會(huì)TensorFlow開發(fā)，并使用TensorFlow技術(shù)來解決實(shí)際問題。《TensorFlow進(jìn)階指南：基礎(chǔ)、算法與應(yīng)用》代碼主要是在1.6版本的基礎(chǔ)上進(jìn)行開發(fā)的，同時(shí)兼容1.2~1.10的版本，并已得到驗(yàn)證。《TensorFlow進(jìn)階指南：基礎(chǔ)、算法與應(yīng)用》主要面向?qū)ensorFlow、深度學(xué)習(xí)、人工智能具有強(qiáng)烈興趣且希望盡快入門的相關(guān)從業(yè)人員、高校相關(guān)專業(yè)的教育工作者和在校學(xué)生，以及正在從事深度學(xué)習(xí)工作且希望深入的數(shù)據(jù)科學(xué)家、軟件工程師、大數(shù)據(jù)平臺(tái)工程師、項(xiàng)目管理者等。

作者簡介

　　黃鴻波，珠海金山辦公軟件有限公司（WPS）人工智能領(lǐng)域?qū)＜?，高?jí)算法工程師，擁有多年軟件開發(fā)經(jīng)驗(yàn)。曾在格力電器股份有限公司大數(shù)據(jù)中心擔(dān)任人工智能領(lǐng)域?qū)＜?，且在多家公司?dān)任過高級(jí)工程師，技術(shù)經(jīng)理，技術(shù)總監(jiān)等職務(wù)。曾帶領(lǐng)團(tuán)隊(duì)開發(fā)過基于人臉識(shí)別技術(shù)的智能支付系統(tǒng)、推薦系統(tǒng)、知識(shí)圖譜、智能問答系統(tǒng)等。擅長數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、移動(dòng)開發(fā)等專業(yè)領(lǐng)域，并擁有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。

圖書目錄

第1章人工智能與深度學(xué)習(xí) 1
1.1 人工智能與機(jī)器學(xué)習(xí) 1
1.2 無處不在的深度學(xué)習(xí) 6
1.3 如何入門深度學(xué)習(xí) 7
1.4 主流深度學(xué)習(xí)框架介紹 13
第2章搭建TensorFlow環(huán)境 15
2.1 基于pip安裝 15
2.1.1 基于Windows環(huán)境安裝TensorFlow 15
2.1.2 基于Linux環(huán)境安裝TensorFlow 22
2.2 基于Java安裝TensorFlow 24
2.3 安裝TensorFlow的常用依賴模塊 27
2.4 Hello TensorFlow 30
2.4.1 MNIST數(shù)據(jù)集 30
2.4.2 編寫訓(xùn)練程序 32
2.5 小結(jié) 35
第3章 TensorFlow基礎(chǔ) 36
3.1 TensorFlow的系統(tǒng)架構(gòu) 36
3.1.1 Client 37
3.1.2 Distributed Master 38
3.1.3 Worker Service 39
3.1.4 Kernel Implements 39
3.2 TensorFlow的數(shù)據(jù)結(jié)構(gòu)——張量 39
3.2.1 什么是張量 39
3.2.2 張量的階 40
3.2.3 張量的形狀 40
3.2.4 數(shù)據(jù)類型 41
3.3 TensorFlow的計(jì)算模型——圖 42
3.3.1 計(jì)算圖基礎(chǔ) 42
3.3.2 計(jì)算圖的組成 43
3.3.3 計(jì)算圖的使用 45
3.3.4 小結(jié) 48
3.4 TensorFlow中的會(huì)話——Session 48
第4章 TensorFlow中常用的激活函數(shù)與神經(jīng)網(wǎng)絡(luò) 50
4.1 激活函數(shù)的概念 50
4.2 常用的激活函數(shù) 51
4.2.1 Sigmoid函數(shù) 51
4.2.2 Tanh函數(shù) 53
4.2.3 ReLU函數(shù) 55
4.2.4 Softplus函數(shù) 57
4.2.5 Softmax函數(shù) 58
4.2.6 小結(jié) 59
4.3 損失函數(shù)的概念 60
4.4 損失函數(shù)的分類 63
4.5 常用的損失函數(shù) 65
4.5.1 0-1損失函數(shù) 65
4.5.2 Log損失函數(shù) 66
4.5.3 Hinge損失函數(shù) 69
4.5.4 指數(shù)損失 70
4.5.5 感知機(jī)損失 70
4.5.6 平方（均方）損失函數(shù) 71
4.5.7 絕對值損失函數(shù) 71
4.5.8 自定義損失函數(shù) 71
4.6 正則項(xiàng) 72
4.6.1 L0范數(shù)和L1范數(shù) 72
4.6.2 L2范數(shù) 73
4.6.3 核范數(shù) 74
4.7 規(guī)則化參數(shù) 76
4.8 易混淆的概念 76
4.9 神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法 77
4.9.1 梯度下降算法 77
4.9.2 隨機(jī)梯度下降算法 79
4.9.3 其他的優(yōu)化算法 80
4.9.4 小結(jié) 84
4.10 生成式對抗網(wǎng)絡(luò)（GAN） 84
4.10.1 CGAN 96
4.10.2 DCGAN 97
4.10.3 WGAN 98
4.10.4 LSGAN 99
4.10.5 BEGAN 100
第5章卷積神經(jīng)網(wǎng)絡(luò) 102
5.1 神經(jīng)網(wǎng)絡(luò)簡介 102
5.1.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 102
5.1.2 感知器（單層神經(jīng)網(wǎng)絡(luò)）與多層感知器 104
5.2 圖像識(shí)別問題 108
5.3 常用的圖像庫介紹 111
5.4 卷積神經(jīng)網(wǎng)絡(luò)簡介 114
5.4.1 CNN的基本原理與卷積核 115
5.4.2 池化 116
5.4.3 再探ReLU 118
5.5 CNN模型 119
5.5.1 LeNet-5模型 119
5.5.2 AlexNet模型 123
5.5.3 Inception模型 130
5.6 用CNN實(shí)現(xiàn)MNIST訓(xùn)練 147
第6章循環(huán)神經(jīng)網(wǎng)絡(luò) 152
6.1 初識(shí)循環(huán)神經(jīng)網(wǎng)絡(luò) 152
6.1.1 前饋神經(jīng)網(wǎng)絡(luò) 153
6.1.2 神經(jīng)網(wǎng)絡(luò)中的時(shí)序信息 159
6.2 詳解循環(huán)神經(jīng)網(wǎng)絡(luò) 160
6.3 RNN的變種——雙向RNN 163
6.4 One-Hot Encoding 166
6.5 詞向量和word2vec 167
6.5.1 CBOW模型 168
6.5.2 Skip-Gram模型 169
6.6 梯度消失問題和梯度爆炸問題 170
6.6.1 梯度下降 171
6.6.2 解決梯度消失和梯度爆炸問題的方法 173
6.7 RNN的變種——LSTM 180
6.8 寫詩機(jī)器人 190
第7章 TensorFlow的可視化 197
7.1 TensorBoard簡介 197
7.2 生成和使用TensorBoard 201
7.3 TensorBoard的面板展示 209
7.4 小結(jié) 224
第8章 TensorFlow中的數(shù)據(jù)操作 225
8.1 制作TFRecords數(shù)據(jù)集 225
8.2 Dataset API介紹 231
8.3 TensorFlow中的隊(duì)列 234
第9章支持向量機(jī)（SVM） 241
9.1 什么是支持向量機(jī) 241
9.2 計(jì)算最優(yōu)超平面 243
9.3 TensorFlow實(shí)現(xiàn)線性SVM 244
9.4 非線性SVM介紹 248
9.5 使用TensorFlow實(shí)現(xiàn)非線性SVM分類器 251
第10章 TensorFlow結(jié)合Flask發(fā)布MNIST模型 259
10.1 Flask框架介紹 259
10.2 訓(xùn)練MNIST模型 260
10.3 小結(jié) 276
第11章 TensorFlow模型的發(fā)布與部署 277
11.1 TensorFlow Serving的前導(dǎo)知識(shí) 277
11.2 TensorFlow Serving 模型打包 281
11.3 TensorFlow Serving模型的部署和調(diào)用 285
第12章 TensorFlow Lite牛刀小試 286
12.1 什么是TensorFlow Lite 286
12.2 如何使用TensorFlow Lite模型 288
12.3 TensorFlow Lite與Android結(jié)合實(shí)現(xiàn)圖像識(shí)別 291
第13章 TensorFlow GPU 297
13.1 什么是GPU 297
13.2 GPU的選擇 298
13.3 搭建TensorFlow GPU 300
13.3.1 在Windows上搭建TensorFlow GPU 300
13.3.2 在Linux上搭建TensorFlow GPU 308
13.4 使用TensorFlow GPU進(jìn)行訓(xùn)練 312
第14章 TensorFlow與目標(biāo)檢測 318
14.1 傳統(tǒng)目標(biāo)檢測方法 318
14.2 RCNN介紹 320
14.3 Fast-RCNN 322
14.4 Faster-RCNN 326
14.5 YOLO 329
附錄A TensorFlow歷代版本更新內(nèi)容 355
A.1 TensorFlow 1.3版本更新內(nèi)容 355
A.2 TensorFlow 1.4版本更新內(nèi)容 356
A.3 TensorFlow 1.5版本更新內(nèi)容 357
A.4 TensorFlow 1.6版本更新內(nèi)容 357
A.5 TensorFlow 1.7版本更新內(nèi)容 358
A.6 TensorFlow 1.8版本更新內(nèi)容 358
A.7 TensorFlow 1.9版本更新內(nèi)容 359