TensorFlow：實戰(zhàn)Google深度學習框架

定　價：￥79.00

作　者：	才云科技Caicloud，鄭澤宇，顧思宇著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機?網絡人工智能

購買這本書可以去

ISBN：	9787121309595	出版時間：	2017-03-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　TensorFlow是谷歌2015年開源的主流深度學習框架，目前已在谷歌、優(yōu)步（Uber）、京東、小米等科技公司廣泛應用?！禩ensorFlow：實戰(zhàn)Google深度學習框架》為使用TensorFlow深度學習框架的入門參考書，旨在幫助讀者以更快、更有效的方式上手TensorFlow和深度學習。書中省略了深度學習繁瑣的數(shù)學模型推導，從實際應用問題出發(fā)，通過具體的TensorFlow樣例程序介紹如何使用深度學習解決這些問題?！禩ensorFlow：實戰(zhàn)Google深度學習框架》包含了深度學習的入門知識和大量實踐經驗，是走進這個更新、更火的人工智能領域的推薦參考書。

作者簡介

　　鄭澤宇，現(xiàn)為才云科技（Caicloud.io）聯(lián)合創(chuàng)始人、首席大數(shù)據(jù)科學家。針對分布式TensorFlow上手難、管理難、監(jiān)控難、上線難等問題，他帶領團隊成功開發(fā)了國內首個成熟的分布式TensorFlow深度學習平臺（TensorFlow as a Service）?；诖似脚_，才云大數(shù)據(jù)團隊為安防、電商、金融、物流等多個行業(yè)提供有針對性的人工智能解決方案。歸國創(chuàng)業(yè)之前，鄭澤宇曾任美國谷歌高級工程師。從2013 年加入谷歌，鄭澤宇作為主要技術人員參與并領導了多個大數(shù)據(jù)項目。由他提出并主導的產品聚類項目用于銜接谷歌購物和谷歌知識圖譜（knowledge graph）數(shù)據(jù)，使得知識卡片形式的廣告逐步取代傳統(tǒng)的產品列表廣告，開啟了谷歌購物廣告在搜索頁面投遞的新紀元。鄭澤宇于2011年5月獲得北京大學計算機學士學位，并榮獲北京大學信息科學技術學院十佳優(yōu)秀畢業(yè)論文、北京大學優(yōu)秀畢業(yè)生。2013年5月獲得美國 Carnegie Mellon University（CMU）大學計算機碩士學位，并獲得西貝爾獎學金（Siebel Scholarship）。鄭澤宇在機器學習、人工智能領域有多年研究經驗，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等國際會議上發(fā)表多篇學術論文。

圖書目錄

第1章深度學習簡介 1 1.1 人工智能、機器學習與深度學習 2 1.2 深度學習的發(fā)展歷程 7 1.3 深度學習的應用 10 1.3.1 計算機視覺 10 1.3.2 語音識別 14 1.3.3 自然語言處理 15 1.3.4 人機博弈 18 1.4 深度學習工具介紹和對比 19 小結 23 第2章 TensorFlow環(huán)境搭建 25 2.1 TensorFlow的主要依賴包 25 2.1.1 Protocol Buffer 25 2.1.2 Bazel 27 2.2 TensorFlow安裝 29 2.2.1 使用Docker安裝 30 2.2.2 使用pip安裝 32 2.2.3 從源代碼編譯安裝 33 2.3 TensorFlow測試樣例 37 小結 38 第3章 TensorFlow入門 40 3.1 TensorFlow計算模型——計算圖 40 3.1.1 計算圖的概念 40 3.1.2 計算圖的使用 41 3.2 TensorFlow數(shù)據(jù)模型——張量 43 3.2.1 張量的概念 43 3.2.2 張量的使用 45 3.3 TensorFlow運行模型——會話 46 3.4 TensorFlow實現(xiàn)神經網絡 48 3.4.1 TensorFlow游樂場及神經網絡簡介 48 3.4.2 前向傳播算法簡介 51 3.4.3 神經網絡參數(shù)與TensorFlow變量 54 3.4.4 通過TensorFlow訓練神經網絡模型 58 3.4.5 完整神經網絡樣例程序 62 小結 65 第4章深層神經網絡 66 4.1 深度學習與深層神經網絡 66 4.1.1 線性模型的局限性 67 4.1.2 激活函數(shù)實現(xiàn)去線性化 70 4.1.3 多層網絡解決異或運算 73 4.2 損失函數(shù)定義 74 4.2.1 經典損失函數(shù) 75 4.2.2 自定義損失函數(shù) 79 4.3 神經網絡優(yōu)化算法 81 4.4 神經網絡進一步優(yōu)化 84 4.4.1 學習率的設置 85 4.4.2 過擬合問題 87 4.4.3 滑動平均模型 90 小結 92 第5章 MNIST數(shù)字識別問題 94 5.1 MNIST數(shù)據(jù)處理 94 5.2 神經網絡模型訓練及不同模型結果對比 97 5.2.1 TensorFlow訓練神經網絡 97 5.2.2 使用驗證數(shù)據(jù)集判斷模型效果 102 5.2.3 不同模型效果比較 103 5.3 變量管理 107 5.4 TensorFlow模型持久化 112 5.4.1 持久化代碼實現(xiàn) 112 5.4.2 持久化原理及數(shù)據(jù)格式 117 5.5 TensorFlow最佳實踐樣例程序 126 小結 132 第6章圖像識別與卷積神經網絡 134 6.1 圖像識別問題簡介及經典數(shù)據(jù)集 135 6.2 卷積神經網絡簡介 139 6.3 卷積神經網絡常用結構 142 6.3.1 卷積層 142 6.3.2 池化層 147 6.4 經典卷積網絡模型 149 6.4.1 LeNet-5模型 150 6.4.2 Inception-v3模型 156 6.5 卷積神經網絡遷移學習 160 6.5.1 遷移學習介紹 160 6.5.2 TensorFlow實現(xiàn)遷移學習 161 小結 169 第7章圖像數(shù)據(jù)處理 170 7.1 TFRecord輸入數(shù)據(jù)格式 170 7.1.1 TFRecord格式介紹 171 7.1.2 TFRecord樣例程序 171 7.2 圖像數(shù)據(jù)處理 173 7.2.1 TensorFlow圖像處理函數(shù) 174 7.2.2 圖像預處理完整樣例 183 7.3 多線程輸入數(shù)據(jù)處理框架 185 7.3.1 隊列與多線程 186 7.3.2 輸入文件隊列 190 7.3.3 組合訓練數(shù)據(jù)（batching） 193 7.3.4 輸入數(shù)據(jù)處理框架 196 小結 198 第8章循環(huán)神經網絡 200 8.1 循環(huán)神經網絡簡介 200 8.2 長短時記憶網絡（LTSM）結構 206 8.3 循環(huán)神經網絡的變種 212 8.3.1 雙向循環(huán)神經網絡和深層循環(huán)神經網絡 212 8.3.2 循環(huán)神經網絡的dropout 214 8.4 循環(huán)神經網絡樣例應用 215 8.4.1 自然語言建模 216 8.4.2 時間序列預測 225 小結 230 第9章 TensorBoard可視化 232 9.1 TensorBoard簡介 232 9.2 TensorFlow計算圖可視化 234 9.2.1 命名空間與TensorBoard圖上節(jié)點 234 9.2.2 節(jié)點信息 241 9.3 監(jiān)控指標可視化 246 小結 252 第10章 TensorFlow計算加速 253 10.1 TensorFlow使用GPU 253 10.2 深度學習訓練并行模式 258 10.3 多GPU并行 261 10.4 分布式TensorFlow 268 10.4.1 分布式TensorFlow原理 269 10.4.2 分布式TensorFlow模型訓練 272 10.4.3 使用Caicloud運行分布式TensorFlow 282 小結 287