123,123

內(nèi)容簡(jiǎn)介

　　本書從TensorFlow 2.0的基礎(chǔ)知識(shí)講起，深入介紹TensorFlow 2.0的進(jìn)階實(shí)戰(zhàn)，并配合項(xiàng)目實(shí)戰(zhàn)案例，重點(diǎn)介紹使用TensorFlow 2.0的新特性進(jìn)行機(jī)器學(xué)習(xí)的方法，使讀者能夠系統(tǒng)地學(xué)習(xí)機(jī)器學(xué)習(xí)的相關(guān)知識(shí)，并對(duì)TensorFlow 2.0的新特性有更深入的理解。本書共14章，主要介紹機(jī)器學(xué)習(xí)、TensorFlow 2.0基礎(chǔ)、張量、數(shù)據(jù)層、CNN等內(nèi)容，中間還穿插了機(jī)器學(xué)習(xí)中常見的圖形識(shí)別、文本處理和對(duì)抗訓(xùn)練等實(shí)例，以幫助讀者理解TensorFlow 2.0。本書著重介紹了在TensorFlow 2.0中使用Keras的方法，Keras是TensorFlow 2.0中的重點(diǎn)概念，十分有必要對(duì)其進(jìn)行學(xué)習(xí)。本書內(nèi)容通俗易懂、案例豐富、實(shí)用性強(qiáng)，特別適用于TensorFlow 2.0的入門者和進(jìn)階者，以及有志從事機(jī)器學(xué)習(xí)的愛好者，本書還適合用作相關(guān)機(jī)構(gòu)的培訓(xùn)教材。

作者簡(jiǎn)介

　　趙銘：互聯(lián)網(wǎng)20年從業(yè)者，目前就職于醫(yī)療大數(shù)據(jù)行業(yè)，從事數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)分析和知識(shí)圖譜等方面的研究。跟進(jìn)了多個(gè)從0到1的項(xiàng)目，在項(xiàng)目調(diào)研、項(xiàng)目執(zhí)行、項(xiàng)目推廣和項(xiàng)目維護(hù)工作中均有不同程度的參與。曾在人人網(wǎng)擔(dān)任基礎(chǔ)架構(gòu)工程師，在粉絲網(wǎng)擔(dān)任SRE部門開發(fā)工程師。在多年的工作中，積累了一定的開發(fā)經(jīng)驗(yàn)。歐鐵軍：擁有15年軟件和互聯(lián)網(wǎng)工作背景。曾任IBM中國(guó)研究院研究員、高級(jí)軟件工程師，成功完成多個(gè)IBM產(chǎn)品線的前沿研究工作，并在供應(yīng)鏈、業(yè)務(wù)流程、智慧城市領(lǐng)域?qū)嵤┝硕鄠€(gè)大型項(xiàng)目；曾任國(guó)美庫(kù)巴網(wǎng)CTO，在國(guó)美收購(gòu)庫(kù)巴網(wǎng)一案中起到了關(guān)鍵作用。在之后的幾年里，分別在3家創(chuàng)業(yè)公司擔(dān)任CTO，帶領(lǐng)團(tuán)隊(duì)在云計(jì)算、O2O、C2B領(lǐng)域完成了多次技術(shù)攻關(guān)。擁有多項(xiàng)計(jì)算機(jī)工程領(lǐng)域?qū)＠?，發(fā)表了多篇學(xué)術(shù)論文。

圖書目錄

第1章人工智能的概念\t1
1．1 機(jī)器學(xué)習(xí)\t1
1．2 神經(jīng)網(wǎng)絡(luò)\t3
1．3 常用的深度學(xué)習(xí)框架\t3
第2章 TensorFlow初探\t5
2．1 在Linux系統(tǒng)中安裝TensorFlow 2．0\t5
2．2 在Linux系統(tǒng)中安裝TensorFlow 2．0的GPU版本\t5
2．3 在Windows系統(tǒng)中安裝TensorFlow 2．0\t6
2．4 在Windows系統(tǒng)中安裝TensorFlow 2．0的GPU版本\t14
第3章 TensorFlow的基礎(chǔ)概念\t17
3．1 張量\t17
3．2 GPU加速\t19
3．3 數(shù)據(jù)集\t20
3．4 自定義層\t22
3．4．1 網(wǎng)絡(luò)層的常見操作\t22
3．4．2 自定義網(wǎng)絡(luò)層\t24
3．4．3 網(wǎng)絡(luò)層組合\t25
3．4．4 自動(dòng)求導(dǎo)\t26
第4章 TensorFlow與多層感知器\t30
4．1 MLP簡(jiǎn)介\t30
4．2 基礎(chǔ)MLP網(wǎng)絡(luò)\t30
4．2．1 回歸分析\t30
4．2．2 分類任務(wù)\t33
4．3 基礎(chǔ)模型\t36
4．4 權(quán)重初始化\t39
4．5 激活函數(shù)\t41
4．6 批標(biāo)準(zhǔn)化\t44
4．7 dropout\t46
4．8 模型集成\t48
4．9 優(yōu)化器\t49
第5章 TensorFlow與卷積神經(jīng)網(wǎng)絡(luò)\t52
5．1 基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)\t52
5．2 卷積層的概念及示例\t53
5．3 池化層的概念及示例\t54
5．4 全連接層的概念及示例\t55
5．5 模型的概念、配置及訓(xùn)練\t57
第6章 TensorFlow自編碼器\t60
6．1 自編碼器簡(jiǎn)介\t60
6．2 卷積自編碼器\t64
第7章 TensorFlow高級(jí)編程\t68
7．1 Keras基礎(chǔ)\t68
7．1．1 構(gòu)造數(shù)據(jù)\t68
7．1．2 樣本權(quán)重和類權(quán)重\t70
7．1．3 回調(diào)\t72
7．2 函數(shù)式API\t76
7．2．1 構(gòu)建簡(jiǎn)單的網(wǎng)絡(luò)\t76
7．2．2 構(gòu)建多個(gè)模型\t78
7．2．3 兩種典型的復(fù)雜網(wǎng)絡(luò)\t82
7．3 使用Keras自定義網(wǎng)絡(luò)層和模型\t86
7．3．1 構(gòu)建簡(jiǎn)單網(wǎng)絡(luò)\t86
7．3．2 構(gòu)建自定義模型\t90
7．4 Keras訓(xùn)練模型\t94
7．4．1 常見模型的訓(xùn)練流程\t94
7．4．2 自定義指標(biāo)\t96
7．4．3 自定義訓(xùn)練和驗(yàn)證循環(huán)\t100
7．5 Keras模型的保存\t106
第8章 TensorFlow文本分類\t121
8．1 簡(jiǎn)單文本分類\t121
8．2 卷積文本分類\t131
8．3 RNN文本分類\t143
第9章 TensorFlow圖像處理\t152
9．1 圖像分類\t152
9．2 圖像識(shí)別\t162
9．3 生成對(duì)抗網(wǎng)絡(luò)\t168
第10章 TensorFlow決策樹\t180
10．1 Boosted Trees簡(jiǎn)介\t180
10．2 數(shù)據(jù)預(yù)測(cè)\t180
第11章 TensorFlow過擬合和欠擬合\t197
11．1 過擬合和欠擬合的基本概念\t197
11．2 過擬合和欠擬合\t197
11．3 優(yōu)化方法\t208
11．3．1 dropout優(yōu)化方案\t208
11．3．2 L2正則化優(yōu)化\t212
第12章 TensorFlow結(jié)構(gòu)化數(shù)據(jù)\t217
12．1 數(shù)字列\(zhòng)t219
12．2 bucketized列\(zhòng)t220
12．3 類別列\(zhòng)t222
12．4 嵌入列\(zhòng)t223
12．5 哈希特征列\(zhòng)t224
12．6 交叉功能列\(zhòng)t226
12．7 結(jié)構(gòu)化數(shù)據(jù)的使用\t227
第13章 TensorFlow回歸\t233
13．1 一元線性回歸\t233
13．2 多元線性回歸\t237
13．3 汽車油耗回歸示例\t241