TensorFlow學(xué)習(xí)指南：深度學(xué)習(xí)系統(tǒng)構(gòu)建詳解

定　價(jià)：￥69.00

作　者：	（以）湯姆·奧普，耶海茲克爾-S.雷謝夫，伊塔·利
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787111600725	出版時(shí)間：	2018-07-01	包裝：
開本：		頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書主要介紹如何使用 TensorFlow 框架進(jìn)行深度學(xué)習(xí)系統(tǒng)的構(gòu)建。從基礎(chǔ)知識(shí)入手，將使用TensorFlow 的各種方式貫穿于整本書的講解之中，并結(jié)合實(shí)際的深度學(xué)習(xí)任務(wù)展示終深度學(xué)習(xí)系統(tǒng)的效果。本書涉及卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等核心的技術(shù)，并介紹了用于圖像數(shù)據(jù)和文本序列數(shù)據(jù)的模型。在后半部分，本書介紹了更加高級(jí)的使用 TensorFlow 的技巧，并給出了分布式深度學(xué)習(xí)系統(tǒng)在TensorFlow 下的構(gòu)建過程以及如何將訓(xùn)練后的模型導(dǎo)出和部署的方法。通過學(xué)習(xí)本書，你將能夠使用 TensorFlow 完成從簡(jiǎn)單到高級(jí)應(yīng)用系統(tǒng)構(gòu)建的技術(shù)。 \n 本書適合計(jì)算機(jī)相關(guān)專業(yè)的學(xué)生、軟件工程師、深度學(xué)習(xí)開發(fā)者、架構(gòu)師、CTO 等技術(shù)人員閱讀。

作者簡(jiǎn)介

　　Tom Hope 是一位應(yīng)用機(jī)器學(xué)習(xí)研究者和數(shù)據(jù)科學(xué)家，在學(xué)術(shù)界和工業(yè)界擁有廣泛的背景。他領(lǐng)導(dǎo)了跨領(lǐng)域的數(shù)據(jù)科學(xué)和深度學(xué)習(xí)的研發(fā)團(tuán)隊(duì)。Yehezkel S. Resheff 是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用研究人員。在讀博士期間，他的工作主要圍繞開發(fā)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法來分析可穿戴設(shè)備和物聯(lián)網(wǎng)的數(shù)據(jù)。他在英特爾和Microsoft公司領(lǐng)導(dǎo)了深度學(xué)習(xí)的研發(fā)工作。Itay Lieder 是機(jī)器學(xué)習(xí)和計(jì)算神經(jīng)科學(xué)領(lǐng)域的應(yīng)用研究人員。在研究生學(xué)習(xí)期間，他開發(fā)了用于模擬低級(jí)知覺的計(jì)算方法。他曾在大型跨國(guó)公司工作，在文本分析、Web挖掘領(lǐng)域從事深度學(xué)習(xí)研發(fā)。

圖書目錄

目錄 \n
前言1 \n
第1章引言5 \n
1.1 走入深度學(xué)習(xí)5 \n
1.2 TensorFlow：名字中的含義8 \n
1.3 高層次概覽9 \n
1.4 本章總結(jié)11 \n
第2章隨之“流”動(dòng)：?jiǎn)?dòng)與運(yùn)行TensorFlow12 \n
2.1 安裝TensorFlow12 \n
2.2 Hello World14 \n
2.3 MNIST16 \n
2.4 softmax回歸17 \n
2.5 本章總結(jié)24 \n
第3章理解TensorFlow基礎(chǔ)知識(shí)25 \n
3.1 計(jì)算圖25 \n
3.2 圖、會(huì)話和提取數(shù)據(jù)26 \n
3.3 流動(dòng)的張量32 \n
3.4 變量、占位符和簡(jiǎn)單的優(yōu)化41 \n
3.5 本章總結(jié)52 \n
第4章卷積神經(jīng)網(wǎng)絡(luò)53 \n
4.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介53 \n
4.2 MNIST：第二輪55 \n
4.3 CIFAR1063 \n
4.4 本章總結(jié)71 \n
第5章文本I：文本及序列的處理，以及TensorBoard可視化72 \n
5.1 序列數(shù)據(jù)的重要性72 \n
5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介73 \n
5.3 處理RNN的文本序列87 \n
5.4 本章總結(jié)97 \n
第6章文本II：詞向量、高級(jí)RNN和詞嵌入可視化99 \n
6.1 詞嵌入介紹99 \n
6.2 word2vec101 \n
6.3 預(yù)訓(xùn)練詞嵌入，高級(jí)RNN110 \n
6.4 本章總結(jié)116 \n
第7章 TensorFlow抽象與簡(jiǎn)化117 \n
7.1 本章概述117 \n
7.2 contrib.learn121 \n
7.3 TFLearn136 \n
7.4 本章總結(jié)156 \n
第8章隊(duì)列、線程和數(shù)據(jù)讀取158 \n
8.1 輸入管道158 \n
8.2 TFRecord159 \n
8.3 隊(duì)列162 \n
8.4 完全多線程的輸入管道168 \n
8.5 本章總結(jié)172 \n
第9章分布式 TensorFlow173 \n
9.1 分布式計(jì)算173 \n
9.2 TensorFlow 元素175 \n
9.3 分布式示例180 \n
9.4 本章總結(jié)187 \n
第10章用TensorFlow導(dǎo)出和提供服務(wù)模型188 \n
10.1 保存和導(dǎo)出模型188 \n
10.2 TensorFlow Serving簡(jiǎn)介199 \n
10.3 本章總結(jié)209 \n
附錄A 模型構(gòu)建和使用TensorFlow Serving的建議210