走向TensorFlow 2.0：深度學(xué)習(xí)應(yīng)用編程快速入門

定　價(jià)：￥55.00

作　者：	趙英俊著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥55.00)

ISBN：	9787121376467	出版時(shí)間：	2019-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	168	字?jǐn)?shù)：

內(nèi)容簡介

　　《走向TensorFlow 2.0：深度學(xué)習(xí)應(yīng)用編程快速入門》是TensorFlow 2.0編程實(shí)踐的入門類書籍，目的是在TensorFlow 2.0正式版發(fā)布之際能夠幫助大家快速了解其核心特性及基本編程技巧。本書通過5個(gè)常用的人工智能編程案例，幫助大家掌握如何在工作中使用TensorFlow 2.0進(jìn)行應(yīng)用開發(fā)。《走向TensorFlow 2.0：深度學(xué)習(xí)應(yīng)用編程快速入門》內(nèi)容覆蓋了Python和TensorFlow基礎(chǔ)入門、自然語言處理和CV領(lǐng)域的實(shí)踐案例、模型的服務(wù)化部署，希望在基于TensorFlow 2.0的人工智能編程上能夠助你一臂之力。

作者簡介

　　趙英俊阿里云人工智能領(lǐng)域MVP，目前在阿里云從事產(chǎn)業(yè)、工業(yè)智能方向的解決方案架構(gòu)師工作，基于數(shù)據(jù)智能、人工智能等技術(shù)和產(chǎn)品解決傳統(tǒng)產(chǎn)業(yè)、工業(yè)的痛點(diǎn)和難點(diǎn)問題?，F(xiàn)個(gè)人維護(hù)一個(gè)優(yōu)秀的開源NLP項(xiàng)目——基于Seq2Seq的中文智能聊天機(jī)器人，目前GitHub stars超過1100。

圖書目錄

第1章 Python基礎(chǔ)編程入門 1
1.1 Python的歷史 1
1.1.1 Python版本的演進(jìn) 1
1.1.2 Python的工程應(yīng)用情況 2
1.2 Python的基本數(shù)據(jù)類型 2
1.3 Python數(shù)據(jù)處理工具之Pandas 6
1.3.1 數(shù)據(jù)讀取和存儲(chǔ) 7
1.3.2 數(shù)據(jù)查看和選取 8
1.3.3 數(shù)據(jù)處理 11
1.4 Python圖像處理工具之PIL 14
1.4.1 PIL簡介 14
1.4.2 PIL接口詳解 14
1.4.3 PIL圖像處理實(shí)踐 18
第2章 TensorFlow 2.0快速入門 21
2.1 TensorFlow 2.0簡介 21
2.2 TensorFlow 2.0環(huán)境搭建 22
2.2.1 CPU環(huán)境搭建 22
2.2.2 基于Docker的GPU環(huán)境搭建 23
2.3 TensorFlow 2.0基礎(chǔ)知識(shí) 25
2.3.1 TensorFlow 2.0 Eager模式簡介 25
2.3.2 TensorFlow 2.0 AutoGraph簡介 26
2.3.3 TensorFlow 2.0低階API基礎(chǔ)編程 26
2.4 TensorFlow 2.0高階API（tf.keras） 32
2.4.1 tf.keras高階API概覽 32
2.4.2 tf.keras高階API編程 34
第3章基于CNN的圖像識(shí)別應(yīng)用編程實(shí)踐 36
3.1 CNN相關(guān)基礎(chǔ)理論 36
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)概述 36
3.1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 36
3.1.3 卷積神經(jīng)網(wǎng)絡(luò)三大核心概念 38
3.2 TensorFlow 2.0 API詳解 38
3.2.1 tf.keras.Sequential 39
3.2.2 tf.keras.layers.Conv2D 41
3.2.3 tf.keras.layers.MaxPool2D 42
3.2.4 tf.keras.layers.Flatten與tf.keras.layer.Dense 42
3.2.5 tf.keras.layers.Dropout 43
3.2.6 tf.keras.optimizers.Adam 43
3.3 項(xiàng)目工程結(jié)構(gòu)設(shè)計(jì) 44
3.4 項(xiàng)目實(shí)現(xiàn)代碼詳解 44
3.4.1 工具類實(shí)現(xiàn) 45
3.4.2 cnnModel實(shí)現(xiàn) 46
3.4.3 執(zhí)行器實(shí)現(xiàn) 48
3.4.4 Web應(yīng)用實(shí)現(xiàn) 52
第4章基于Seq2Seq的中文聊天機(jī)器人編程實(shí)踐 55
4.1 NLP基礎(chǔ)理論知識(shí) 55
4.1.1 語言模型 55
4.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 57
4.1.3 Seq2Seq模型 59
4.2 TensorFlow 2.0 API詳解 61
4.2.1 tf.keras.preprocessing.text.Tokenizer 61
4.2.2 tf.keras.preprocessing.sequence.pad_sequences 62
4.2.3 tf.data.Dataset.from_tensor_slices 63
4.2.4 tf.keras.layers.Embedding 63
4.2.5 tf.keras.layers.GRU 63
4.2.6 tf.keras.layers.Dense 65
4.2.7 tf.expand_dims 65
4.2.8 tf.keras.optimizers.Adam 65
4.2.9 tf.keras.losses.SparseCategoricalCrossentropy 66
4.2.10 tf.math.logical_not 66
4.2.11 tf.concat 66
4.2.12 tf.bitcast 67
4.3 項(xiàng)目工程結(jié)構(gòu)設(shè)計(jì) 67
4.4 項(xiàng)目實(shí)現(xiàn)代碼詳解 68
4.4.1 工具類實(shí)現(xiàn) 68
4.4.2 data_util實(shí)現(xiàn) 69
4.4.3 seq2seqModel實(shí)現(xiàn) 71
4.4.4 執(zhí)行器實(shí)現(xiàn) 77
4.4.5 Web應(yīng)用實(shí)現(xiàn) 83
第5章基于CycleGAN的圖像風(fēng)格遷移應(yīng)用編程實(shí)踐 85
5.1 GAN基礎(chǔ)理論 85
5.1.1 GAN的基本思想 85
5.1.2 GAN的基本工作機(jī)制 86
5.1.3 GAN的常見變種及應(yīng)用場景 86
5.2 CycleGAN的算法原理 88
5.3 TensorFlow 2.0 API詳解 88
5.3.1 tf.keras.Sequential 88
5.3.2 tf.keras.Input 91
5.3.3 tf.keras.layers.BatchNormalization 91
5.3.4 tf.keras.layers.Dropout 92
5.3.5 tf.keras.layers.Concatenate 93
5.3.6 tf.keras.layers.LeakyReLU 93
5.3.7 tf.keras.layers.UpSampling2D 93
5.3.8 tf.keras.layers.Conv2D 93
5.3.9 tf.optimizers.Adam 94
5.4 項(xiàng)目工程結(jié)構(gòu)設(shè)計(jì) 95
5.5 項(xiàng)目實(shí)現(xiàn)代碼詳解 96
5.5.1 工具類實(shí)現(xiàn) 96
5.5.2 CycleganModel實(shí)現(xiàn) 100
5.5.3 執(zhí)行器實(shí)現(xiàn) 105
5.5.4 Web應(yīng)用實(shí)現(xiàn) 109
第6章基于Transformer的文本情感分析編程實(shí)踐 111
6.1 Transformer相關(guān)理論知識(shí) 111
6.1.1 Transformer基本結(jié)構(gòu) 111
6.1.2 注意力機(jī)制 112
6.1.3 位置編碼 116
6.2 TensorFlow 2.0 API詳解 117
6.2.1 tf.keras.preprocessing.text.Tokenizer 117
6.2.2 tf.keras.preprocessing.sequence.pad_sequences 118
6.2.3 tf.data.Dataset.from_tensor_slices 118
6.2.4 tf.keras.layers.Embedding 118
6.2.5 tf.keras.layers.Dense 119
6.2.6 tf.keras.optimizers.Adam 119
6.2.7 tf.optimizers.schedules.LearningRateSchedule 120
6.2.8 tf.keras.layers.Conv1D 120
6.2.9 tf.nn.moments 121
6.3 項(xiàng)目工程結(jié)構(gòu)設(shè)計(jì) 121
6.4 項(xiàng)目實(shí)現(xiàn)代碼詳解 122
6.4.1 工具類實(shí)現(xiàn) 122
6.4.2 data_util實(shí)現(xiàn) 124
6.4.3 textClassiferMode實(shí)現(xiàn) 128
6.4.4 執(zhí)行器實(shí)現(xiàn) 138
6.4.5 Web應(yīng)用實(shí)現(xiàn) 142
第7章基于TensorFlow Serving的模型部署實(shí)踐 144
7.1 TensorFlow Serving框架簡介 144
7.1.1 Servable 145
7.1.2 Source 145
7.1.3 Loader 145
7.1.4 Manager 145
7.2 TensorFlow Serving環(huán)境搭建 146
7.2.1 基于Docker搭建TensorFlow Serving環(huán)境 146
7.2.2 基于Ubuntu 16.04搭建TensorFlow Serving環(huán)境 146
7.3 API詳解 147
7.3.1 tf.keras.models.load_model 147
7.3.2 tf.keras.experimental.export_saved_model 147
7.3.3 tf.keras.backend.set_learning_phase 148
7.4 項(xiàng)目工程結(jié)構(gòu)設(shè)計(jì) 148
7.5 項(xiàng)目實(shí)現(xiàn)代碼詳解 149
7.5.1 工具類實(shí)現(xiàn) 149
7.5.2 模型文件導(dǎo)出模塊實(shí)現(xiàn) 150
7.5.3 模型文件部署模塊實(shí)現(xiàn) 150
7.5.4 Web應(yīng)用模塊實(shí)現(xiàn) 152