精通TensorFlow

定　價(jià)：￥89.00

作　者：	[美] 阿曼多·凡丹戈（Armando Fandango）著，劉波，何希平譯
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	深度學(xué)習(xí)系列
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111614364	出版時(shí)間：	2019-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	315	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　TensorFlow是目前流行的數(shù)值計(jì)算庫，專用于構(gòu)建分布式、云計(jì)算和移動(dòng)環(huán)境。TensorFlow將數(shù)據(jù)表示為張量，將計(jì)算表示為計(jì)算圖?！毒═ensorFlow》是一本綜合指南，可讓您理解TensorFlow 1.x的高級(jí)功能，深入了解TensorFlow 內(nèi)核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用遷移學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)等概念來構(gòu)建深度學(xué)習(xí)模型。通過本書，您將獲得在各種數(shù)據(jù)集（例如 MNIST、CIFAR-10、PTB、text8和COCO圖像）上的實(shí)踐經(jīng)驗(yàn)。您還能夠?qū)W習(xí)TensorFlow1.x的高級(jí)功能，例如分布式TensorFlow，使用TensorFlow服務(wù)部署生產(chǎn)模型，以及在Android和iOS平臺(tái)上為移動(dòng)和嵌入式設(shè)備構(gòu)建和部署TensorFlow模型。您將看到如何在R統(tǒng)計(jì)軟件中調(diào)用 TensorFlow和Keras API，還能了解在TensorFlow的代碼無法按預(yù)期工作時(shí)所需的調(diào)試技術(shù)?！毒═ensorFlow》可幫助您深入了解TensorFlow，使您成為解決人工智能問題的專家?？傊?，在學(xué)習(xí)本書之后，可掌握TensorFlow和Keras的產(chǎn)品，并獲得構(gòu)建更智能、更快速、更高效的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)系統(tǒng)所需的技能。

作者簡(jiǎn)介

　　Armando Fandango利用自己在深度學(xué)習(xí)、計(jì)算方法和分布式計(jì)算方面的專業(yè)知識(shí)，創(chuàng)造了人工智能（AI）產(chǎn)品。他為Owen.ai公司在AI產(chǎn)品戰(zhàn)略方面提供建議。他創(chuàng)建了NeuraSights公司，其目標(biāo)是利用神經(jīng)網(wǎng)絡(luò)創(chuàng)建有技術(shù)深度的產(chǎn)品。他還創(chuàng)建了Vets2Data公司，這家非盈利機(jī)構(gòu)主要幫助美國退役軍人掌握AI技能。Armando出版了2本專著，并在國際期刊和會(huì)議上發(fā)表了他的研究成果。

圖書目錄

譯者序
原書序
原書前言
第 1章　TensorFlow 101 // 1
1.1　什么是 TensorFlow // 1
1.2　TensorFlow內(nèi)核 // 2
1.2.1　簡(jiǎn)單的示例代碼 -Hello TensorFlow // 2
1.2.2　張量 // 3
1.2.3　常量 // 4
1.2.4　操作 // 5
1.2.5　占位符 // 6
1.2.6　從 Python對(duì)象創(chuàng)建張量 // 7
1.2.7　變量 // 9
1.2.8　由庫函數(shù)生成的張量 // 10
1.2.9　通過 tf.get_variable( )獲取變量 // 13
1.3　數(shù)據(jù)流圖或計(jì)算圖 // 14
1.3.1　執(zhí)行順序和延遲加載 // 15
1.3.2　跨計(jì)算設(shè)備執(zhí)行計(jì)算圖 -CPU和 GPU // 15
1.3.3　多個(gè)計(jì)算圖 // 18
1.4　TensorBoard // 19
1.4.1　TensorBoard最小的例子 // 19
1.4.2　TensorBoard的細(xì)節(jié) // 21
1.5　總結(jié) // 21
第 2章　TensorFlow的高級(jí)庫 // 22
2.1　TF Estimator // 22
2.2　TF Slim // 24
2.3　TFLearn // 25
2.3.1　創(chuàng)建 TFLearn層 // 26
2.3.2　創(chuàng)建 TFLearn模型 // 30
2.3.3　訓(xùn)練 TFLearn模型 // 30
2.3.4　使用 TFLearn模型 // 30
2.4　PrettyTensor // 31
2.5　Sonnet // 32
2.6　總結(jié) // 34
第 3章　Keras101 // 35
3.1　安裝 Keras // 35
3.2　Keras的神經(jīng)網(wǎng)絡(luò)模型 // 36
3.2.1　在 Keras中創(chuàng)建模型的過程 // 36
3.3　創(chuàng)建 Keras模型 // 36
3.3.1　用于創(chuàng)建 Keras模型的序列化 API // 36
3.3.2　用于創(chuàng)建 Keras模型的功能性 API // 37
3.4　Keras的層 // 37
3.4.1　Keras內(nèi)核層 // 37
3.4.2　Keras卷積層 // 38
3.4.3　Keras池化層 // 38
3.4.4　Keras局連接層 // 39
3.4.5　Keras循環(huán)層 // 39
3.4.6　Keras嵌入層 // 39
3.4.7　Keras合并層 // 39
3.4.8　Keras高級(jí)激活層 // 40
3.4.9　Keras歸一化層 // 40
3.4.10　Keras噪聲層 // 40
3.5　將網(wǎng)絡(luò)層添加到 Keras模型中 // 40
3.5.1　利用序列化 API將網(wǎng)絡(luò)層添加到 Keras模型中 // 40
3.5.2　利用功能性 API將網(wǎng)絡(luò)層添加到 Keras模型中 // 41
3.6　編譯 Keras模型 // 41
3.7　訓(xùn)練 Keras模型 // 42
3.8　使用 Keras模型進(jìn)行預(yù)測(cè) // 42
3.9　Keras中的其他模塊 // 43
3.10　基于 MNIST數(shù)據(jù)集的 Keras順序模型示例 // 43
3.11　總結(jié) // 45
第 4章　基于TensorFlow的經(jīng)典機(jī)器學(xué)習(xí)算法 // 47
4.1　簡(jiǎn)單的線性回歸 // 48
4.1.1　數(shù)據(jù)準(zhǔn)備 // 49
4.1.2　建立簡(jiǎn)單的回歸模型 // 50
4.1.3　使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè) // 55
4.2　多元回歸 // 55
4.3　正則化回歸 // 58
4.3.1　Lasso正則化 // 59
4.3.2　嶺正則化 // 62
4.3.3　彈性網(wǎng)正則化 // 64
4.4　使用 Logistic回歸進(jìn)行分類 // 65
4.4.1　二分類的 Logistic回歸 // 65
4.4.2　多類分類的 Logistic回歸 // 66
4.5　二分類 // 66
4.6　多分類 // 69
4.7　總結(jié) // 73
第 5章　基于 TensorFlow和 Keras的神經(jīng)網(wǎng)絡(luò)和多層感知機(jī) // 74
5.1　感知機(jī) // 74
5.2　多層感知機(jī) // 76
5.3　用于圖像分類的多層感知機(jī) // 77
5.3.1　通過 TensorFlow構(gòu)建用于 MNIST分類的多層感知機(jī) // 77
5.3.2　通過 Keras構(gòu)建用于 MNIST分類的多層感知機(jī) // 83
5.3.3　通過 TFLearn構(gòu)建用于 MNIST分類的多層感知機(jī) // 85
5.3.4　多層感知機(jī)與 TensorFlow、 Keras和 TFLearn的總結(jié) // 86
5.4　用于時(shí)間序列回歸的多層感知機(jī) // 86
5.5　總結(jié) // 89
第 6章　基于TensorFlow和Keras的 RNN // 90
6.1　簡(jiǎn)單 RNN // 90
6.2　RNN改進(jìn)版本 // 92
6.3　LSTM網(wǎng)絡(luò) // 93
6.4　GRU網(wǎng)絡(luò) // 95
6.5　基于TensorFlow的 RNN // 96
6.5.1　TensorFlow的RNN單元類 // 96
6.5.2　 TensorFlow 的RNN模型構(gòu)造類 // 97
6.5.3　 TensorFlow的 RNN單元封裝類 // 97
6.6　基于Keras的 RNN // 98
6.7　RNN的應(yīng)用領(lǐng)域 // 98
6.8　將基于Keras的 RNN用于MNIST數(shù)據(jù) // 99
6.9　總結(jié) // 100
第 7章　基于TensorFlow和 Keras的 RNN在時(shí)間序列數(shù)據(jù)中的應(yīng)用 //101
7.1　航空公司乘客數(shù)據(jù)集 // 101
7.1.1　加載 airpass數(shù)據(jù)集 // 102
7.1.2　可視化 airpass數(shù)據(jù)集 // 102
7.2　使用TensorFlow為 RNN模型預(yù)處理數(shù)據(jù)集 // 103
7.3　TensorFlow中的簡(jiǎn)單 RNN // 104
7.4　TensorFlow中的 LSTM網(wǎng)絡(luò) // 106
7.5　TensorFlow中的 GRU網(wǎng)絡(luò) // 107
7.6　使用 Keras為 RNN模型預(yù)處理數(shù)據(jù)集 // 108
7.7　基于 Keras的簡(jiǎn)單 RNN // 109
7.8　基于 Keras的 LSTM網(wǎng)絡(luò) // 111
7.9　基于 Keras的 GRU網(wǎng)絡(luò) // 112
7.10　總結(jié) // 113
第 8章　基于TensorFlow和 Keras的RNN在文本數(shù)據(jù)中的應(yīng)用 // 114
8.1　詞向量表示 // 114
8.2　為 word2vec模型準(zhǔn)備數(shù)據(jù) // 116
8.2.1　加載和準(zhǔn)備PTB數(shù)據(jù)集 // 117
8.2.2　加載和準(zhǔn)備text8數(shù)據(jù)集 // 118
8.2.3　準(zhǔn)備小的驗(yàn)證集 // 119
8.3　使用TensorFlow的 skip-gram模型 // 119
8.4　使用t-SNE可視化單詞嵌入 // 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