展开全部

主编推荐语

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。

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。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第一篇 基础篇
  • 第1章 人工智能概述
  • 1.1 什么是人工智能
  • 1.2 什么是深度学习
  • 1.3 深度学习的入门方法
  • 1.4 什么是TensorFlow
  • 1.5 为什么要学TensorFlow
  • 1.5.1 TensorFlow的特性
  • 1.5.2 使用TensorFlow的公司
  • 1.5.3 TensorFlow的发展
  • 1.6 机器学习的相关赛事
  • 1.6.1 ImageNet的ILSVRC
  • 1.6.2 Kaggle
  • 1.6.3 天池大数据竞赛
  • 1.7 国内的人工智能公司
  • 1.8 小结
  • 第2章 TensorFlow环境的准备
  • 2.1 下载TensorFlow 1.1.0
  • 2.2 基于pip的安装
  • 2.2.1 Mac OS环境准备
  • 2.2.2 Ubuntu/Linux环境准备
  • 2.2.3 Windows环境准备
  • 2.3 基于Java的安装
  • 2.4 从源代码安装
  • 2.5 依赖的其他模块
  • 2.5.1 numpy
  • 2.5.2 matplotlib
  • 2.5.3 jupyter
  • 2.5.4 scikit-image
  • 2.5.5 librosa
  • 2.5.6 nltk
  • 2.5.7 keras
  • 2.5.8 tflearn
  • 2.6 小结
  • 第3章 可视化TensorFlow
  • 3.1 PlayGround
  • 3.1.1 数据
  • 3.1.2 特征
  • 3.1.3 隐藏层
  • 3.1.4 输出
  • 3.2 TensorBoard
  • 3.2.1 SCALARS面板
  • 3.2.2 IMAGES面板
  • 3.2.3 AUDIO面板
  • 3.2.4 GRAPHS面板
  • 3.2.5 DISTRIBUTIONS面板
  • 3.2.6 HISTOGRAMS面板
  • 3.2.7 EMBEDDINGS面板
  • 3.3 可视化的例子
  • 3.3.1 降维分析
  • 3.3.2 嵌入投影仪
  • 3.4 小结
  • 第4章 TensorFlow基础知识
  • 4.1 系统架构
  • 4.2 设计理念
  • 4.3 编程模型
  • 4.3.1 边
  • 4.3.2 节点
  • 4.3.3 其他概念
  • 4.4 常用API
  • 4.4.1 图、操作和张量
  • 4.4.2 可视化
  • 4.5 变量作用域
  • 4.5.1 variable_scope示例
  • 4.5.2 name_scope示例
  • 4.6 批标准化
  • 4.6.1 方法
  • 4.6.2 优点
  • 4.6.3 示例
  • 4.7 神经元函数及优化方法
  • 4.7.1 激活函数
  • 4.7.2 卷积函数
  • 4.7.3 池化函数
  • 4.7.4 分类函数
  • 4.7.5 优化方法
  • 4.8 模型的存储与加载
  • 4.8.1 模型的存储与加载
  • 4.8.2 图的存储与加载
  • 4.9 队列和线程
  • 4.9.1 队列
  • 4.9.2 队列管理器
  • 4.9.3 线程和协调器
  • 4.10 加载数据
  • 4.10.1 预加载数据
  • 4.10.2 填充数据
  • 4.10.3 从文件读取数据
  • 4.11 实现一个自定义操作
  • 4.11.1 步骤
  • 4.11.2 最佳实践
  • 4.12 小结
  • 第5章 TensorFlow源代码解析
  • 5.1 TensorFlow的目录结构
  • 5.1.1 contirb
  • 5.1.2 core
  • 5.1.3 examples
  • 5.1.4 g3doc
  • 5.1.5 python
  • 5.1.6 tensorboard
  • 5.2 TensorFlow源代码的学习方法
  • 5.3 小结
  • 第6章 神经网络的发展及其TensorFlow实现
  • 6.1 卷积神经网络
  • 6.2 卷积神经网络发展
  • 6.2.1 网络加深
  • 6.2.2 增强卷积层的功能
  • 6.2.3 从分类任务到检测任务
  • 6.2.4 增加新的功能模块
  • 6.3 MNIST的AlexNet实现
  • 6.3.1 加载数据
  • 6.3.2 构建网络模型
  • 6.3.3 训练模型和评估模型
  • 6.4 循环神经网络
  • 6.5 循环神经网络发展
  • 6.5.1 增强隐藏层的功能
  • 6.5.2 双向化及加深网络
  • 6.6 TensorFlow Model Zoo
  • 6.7 其他研究进展
  • 6.7.1 强化学习
  • 6.7.2 深度森林
  • 6.7.3 深度学习与艺术
  • 6.8 小结
  • 第7章 TensorFlow的高级框架
  • 7.1 TFLearn
  • 7.1.1 加载数据
  • 7.1.2 构建网络模型
  • 7.1.3 训练模型
  • 7.2 Keras
  • 7.2.1 Keras的优点
  • 7.2.2 Keras的模型
  • 7.2.3 Keras的使用
  • 7.3 小结
  • 第二篇 实战篇
  • 第8章 第一个TensorFlow程序
  • 8.1 TensorFlow的运行方式
  • 8.1.1 生成及加载数据
  • 8.1.2 构建网络模型
  • 8.1.3 训练模型
  • 8.2 超参数的设定
  • 8.3 小结
  • 第9章 TensorFlow在MNIST中的应用
  • 9.1 MNIST数据集简介
  • 9.1.1 训练集的标记文件
  • 9.1.2 训练集的图片文件
  • 9.1.3 测试集的标记文件
  • 9.1.4 测试集的图片文件
  • 9.2 MNIST的分类问题
  • 9.2.1 加载数据
  • 9.2.2 构建回归模型
  • 9.2.3 训练模型
  • 9.2.4 评估模型
  • 9.3 训练过程的可视化
  • 9.4 MNIST的卷积神经网络
  • 9.4.1 加载数据
  • 9.4.2 构建模型
  • 9.4.3 训练模型和评估模型
  • 9.5 MNIST的循环神经网络
  • 9.5.1 加载数据
  • 9.5.2 构建模型
  • 9.5.3 训练数据及评估模型
  • 9.6 MNIST的无监督学习
  • 9.6.1 自编码网络
  • 9.6.2 TensorFlow的自编码网络实现
  • 9.7 小结
  • 第10章 人脸识别
  • 10.1 人脸识别简介
  • 10.2 人脸识别的技术流程
  • 10.2.1 人脸图像采集及检测
  • 10.2.2 人脸图像预处理
  • 10.2.3 人脸图像特征提取
  • 10.2.4 人脸图像匹配与识别
  • 10.3 人脸识别的分类
  • 10.3.1 人脸检测
  • 10.3.2 人脸关键点检测
  • 10.3.3 人脸验证
  • 10.3.4 人脸属性检测
  • 10.4 人脸检测
  • 10.4.1 LFW数据集
  • 10.4.2 数据预处理
  • 10.4.3 进行检测
  • 10.5 性别和年龄识别
  • 10.5.1 数据预处理
  • 10.5.2 构建模型
  • 10.5.3 训练模型
  • 10.5.4 验证模型
  • 10.6 小结
  • 第11章 自然语言处理
  • 11.1 模型的选择
  • 11.2 英文数字语音识别
  • 11.2.1 定义输入数据并预处理数据
  • 11.2.2 定义网络模型
  • 11.2.3 训练模型
  • 11.2.4 预测模型
  • 11.3 智能聊天机器人
  • 11.3.1 原理
  • 11.3.2 最佳实践
  • 11.4 小结
  • 第12章 图像与语音的结合
  • 12.1 看图说话模型
  • 12.1.1 原理
  • 12.1.2 最佳实践
  • 12.2 小结
  • 第13章 生成式对抗网络
  • 13.1 生成式对抗网络的原理
  • 13.2 生成式对抗网络的应用
  • 13.3 生成式对抗网络的实现
  • 13.4 生成式对抗网络的改进
  • 13.5 小结
  • 第三篇 提高篇
  • 第14章 分布式TensorFlow
  • 14.1 分布式原理
  • 14.1.1 单机多卡和分布式
  • 14.1.2 分布式部署方式
  • 14.2 分布式架构
  • 14.2.1 客户端、主节点和工作节点的关系
  • 14.2.2 客户端、主节点和工作节点的交互过程
  • 14.3 分布式模式
  • 14.3.1 数据并行
  • 14.3.2 同步更新和异步更新
  • 14.3.3 模型并行
  • 14.4 分布式API
  • 14.5 分布式训练代码框架
  • 14.6 分布式最佳实践
  • 14.7 小结
  • 第15章 TensorFlow线性代数编译框架XLA
  • 15.1 XLA的优势
  • 15.2 XLA的工作原理
  • 15.3 JIT编译方式
  • 15.3.1 打开JIT编译
  • 15.3.2 将操作符放在XLA设备上
  • 15.4 JIT编译在MNIST上的实现
  • 15.5 小结
  • 第16章 TensorFlow Debugger
  • 16.1 Debugger的使用示例
  • 16.2 远程调试方法
  • 16.3 小结
  • 第17章 TensorFlow和Kubernetes结合
  • 17.1 为什么需要Kubernetes
  • 17.2 分布式TensorFlow在Kubernetes中的运行
  • 17.2.1 部署及运行
  • 17.2.2 其他应用
  • 17.3 小结
  • 第18章 TensorFlowOnSpark
  • 18.1 TensorFlowOnSpark的架构
  • 18.2 TensorFlowOnSpark在MNIST上的实践
  • 18.3 小结
  • 第19章 TensorFlow移动端应用
  • 19.1 移动端应用原理
  • 19.1.1 量化
  • 19.1.2 优化矩阵乘法运算
  • 19.2 iOS系统实践
  • 19.2.1 环境准备
  • 19.2.2 编译演示程序并运行
  • 19.2.3 自定义模型的编译及运行
  • 19.3 Android系统实践
  • 19.3.1 环境准备
  • 19.3.2 编译演示程序并运行
  • 19.3.3 自定义模型的编译及运行
  • 19.4 树莓派实践
  • 19.5 小结
  • 第20章 TensorFlow的其他特性
  • 20.1 TensorFlow Serving
  • 20.2 TensorFlow Flod
  • 20.3 TensorFlow计算加速
  • 20.3.1 CPU加速
  • 20.3.2 TPU加速和FPGA加速
  • 20.4 小结
  • 第21章 机器学习的评测体系
  • 21.1 人脸识别的性能指标
  • 21.2 聊天机器人的性能指标
  • 21.3 机器翻译的评价方法
  • 21.3.1 BLEU
  • 21.3.2 METEOR
  • 21.4 常用的通用评价指标
  • 21.4.1 ROC和AUC
  • 21.4.2 AP和mAP
  • 21.5 小结
  • 附录A 公开数据集
  • A.1 图片数据集
  • A.2 人脸数据集
  • A.3 视频数据集
  • A.4 问答数据集
  • A.5 自动驾驶数据集
  • A.6 年龄、性别数据集
  • 附录B 项目管理经验小谈
  • B.1 管理的激进与保守问题
  • B.1.1 激进派
  • B.1.2 保守派
  • B.1.3 保守派和激进派的区别
  • B.2 公司效率损失及规避
  • B.3 小结
  • 欢迎来到异步社区!
展开全部

评分及书评

评分不足
1个评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社,成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”,致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。