O'Reilly：Tensorflow.js學(xué)習(xí)手冊

定　價：￥98.00

作　者：	[美] 甘特·拉博德(Gant Laborde)，林琪等譯
出版社：	中國電力出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥98.00)

ISBN：	9787519869625	出版時間：	2022-10-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　研究張量，這是機器學(xué)習(xí)中最基本的結(jié)構(gòu)。通過一個真實示例完成數(shù)據(jù)與張量的來回轉(zhuǎn)換。使用TensorFlow.js結(jié)合AI和Web。使用資源轉(zhuǎn)換、訓(xùn)練和管理機器學(xué)習(xí)數(shù)據(jù)。從頭開始構(gòu)建和訓(xùn)練你自己的訓(xùn)練模型。

作者簡介

　　Gant Laborde是Infinite Red的創(chuàng)始者，同時也是一位導(dǎo)師、兼職教授、作家和獲獎演講者。作為Google開發(fā)者專家，他從多個角度介紹了TensorFlow.js，使這個概念更容易理解。

圖書目錄

目錄
序 .1
前言 .3
第1 章 AI 是魔法 . 11
1.1 JavaScript 的AI 之路 . 12
1.2 什么是智能？ 13
1.3 AI 歷史 . 15
1.4 神經(jīng)網(wǎng)絡(luò) 16
1.5 如今的AI 19
1.6 為什么選擇TensorFlow.js? . 20
1.6.1 強大支持. 20
1.6.2 在線閱讀. 21
1.6.3 離線閱讀. 21
1.6.4 隱私 21
1.6.5 多樣性 . 21
1.7 機器學(xué)習(xí)類型 22
1.7.1 快速定義：有監(jiān)督學(xué)習(xí) 23
1.7.2 快速定義：無監(jiān)督學(xué)習(xí) 23
1.7.3 快速定義：半監(jiān)督學(xué)習(xí) 23
1.7.4 快速定義：強化學(xué)習(xí) 24
1.7.5 信息過載. 25
1.8 AI 無處不在 25
1.9 框架全貌 26
什么是模型？ 27
1.10 本書內(nèi)容 28
1.10.1 相關(guān)代碼 29
1.10.2 各章小節(jié) 32
1.10.3 常見AI/ML 術(shù)語 . 32
1.11 本章復(fù)習(xí) 36
復(fù)習(xí)題 . 36
第2 章 TensorFlow.js 簡介 38
2.1 你好，TensorFlow.js 38
2.2 利用TensorFlow.js 40
2.3 準(zhǔn)備TensorFlow.js 41
2.4 在瀏覽器中設(shè)置TensorFlow.js . 42
2.4.1 使用NPM 43
2.4.2 包含腳本標(biāo)記 43
2.5 在Node 中設(shè)置TensorFlow.js 44
2.6 檢驗TensorFlow.js 是否正常工作 46
下載和運行示例 . 47
2.7 真正使用TensorFlow.js 49
2.7.1 Toxicity 分類器 50
2.7.2 加載模型. 56
2.7.3 分類 58
2.8 自己動手 59
2.9 本章復(fù)習(xí) 59
2.9.1 思考題: 卡車警報！ . 59
2.9.2 復(fù)習(xí)題 . 60
第3 章張量介紹 62
3.1 為什么使用張量？ 62
3.2 你好，張量 . 63
3.2.1 創(chuàng)建張量. 65
3.2.2 數(shù)據(jù)練習(xí)的張量 . 68
3.3 張量閃亮登場 71
3.3.1 張量提供速度 71
3.3.2 張量提供直接訪問 . 71
3.3.3 張量批處理數(shù)據(jù) . 72
3.4 內(nèi)存中的張量 72
3.4.1 撤銷張量. 73
3.4.2 自動張量清理 74
3.5 張量獲取 76
獲取張量數(shù)據(jù) 77
3.6 張量操作 79
3.6 1 張量和數(shù)學(xué) 79
3.6.2 使用張量實現(xiàn)推薦 . 81
3.7 本章復(fù)習(xí) 87
3.7.1 思考題: 是什么讓你如此獨特？ 87
3.7.2 復(fù)習(xí)題 . 88
第4 章圖像張量 90
4.1 視覺張量 91
4.2 快速圖像張量 94
4.3 JPG、PNG 和GIF，天吶！ 97
4.3.1 瀏覽器: 張量到圖像 . 98
4.3.2 瀏覽器: 圖像到張量 . 99
4.3.3 Node: 張量到圖像 102
4.3 4 Node: 圖像到張量 106
4.4 常見圖像修改 . 108
4.4.1 鏡像圖像張量 108
4.4.2 調(diào)整圖像張量大小 111
4.4.3 裁剪圖像張量 114
4.4.4 新的圖像工具 115
4.5 本章復(fù)習(xí) 115
4.5.1 思考題: 隨機張量排序 . 116
4.5.2 復(fù)習(xí)題 117
第5 章模型介紹 119
5.1 加載模型 120
5.1.1 通過公共URL 加載模型 . 121
5.1.2 從其他位置加載模型 . 123
5.2 第一個模型 124
5.2.1 加載、編碼和詢問模型 125
5.2.2 解釋結(jié)果 128
5.2.3 清理棋盤 130
5.3 第一個TensorFlow Hub 模型 . 130
5.3.1 探索TFHub 131
5.3.2 使用Inception v3 . 132
5.4 第一個疊加模型 134
5.4.1 本地化模型 . 135
5.4.2 標(biāo)記檢測結(jié)果 137
5.5 本章復(fù)習(xí) 140
5.5.1 思考題: 可愛的臉 141
5.5.2 復(fù)習(xí)題 142
第6 章高級模型和UI . 143
6.1 再談MobileNet 144
SSD MobileNet . 146
6.2 包圍框輸出 149
6.2.1 讀取模型輸出 149
6.2.2 顯示所有輸出 151
6.3 清理檢測結(jié)果 . 152
6.3.1 質(zhì)量檢查 153
6.3.2 IoU 和NMS 154
6.4 增加文本疊加 . 159
6.4.1 解決低對比度問題 159
6.4.2 解決繪制順序問題 161
6.5 連接到網(wǎng)絡(luò)攝像頭 164
6.5.1 從圖像到視頻 165
6.5.2 激活網(wǎng)絡(luò)攝像頭 165
6.5.3 繪制檢測結(jié)果 166
6.6 本章復(fù)習(xí) 168
6.6.1 思考題: 頭號偵探 168
6.6.2 復(fù)習(xí)題 169
第7 章建模資源 170
7.1 利用外部模型 . 171
7.1.1 模型動物園 . 171
7.1.2 轉(zhuǎn)換模型 171
7.2 第一個定制模型 175
7.2.1 認(rèn)識Teachable Machine 176
7.2.2 使用Teachable Machine 178
7.2.3 采集數(shù)據(jù)和訓(xùn)練 179
7.2.4 驗證模型 181
7.3 機器學(xué)習(xí)問題 . 184
7.3.1 少量數(shù)據(jù) 184
7.3.2 差數(shù)據(jù) 184
7.3.3 數(shù)據(jù)偏差 185
7.3.4 過擬合 185
7.3.5 欠擬合 186
7.4 獲得數(shù)據(jù)集 187
流行的數(shù)據(jù)集 188
7.5 本章復(fù)習(xí) 190
7.5.1 思考題: R.I.P. 轉(zhuǎn)換MNIST 190
7.5.2 復(fù)習(xí)題 191
第8 章訓(xùn)練模型 192
8.1 訓(xùn)練基礎(chǔ) 193
8.1.1 數(shù)據(jù)準(zhǔn)備 194
8.1.2 設(shè)計模型 195
8.1.3 明確學(xué)習(xí)指標(biāo) 197
8.1.4 訓(xùn)練模型 199
8.1.5 綜合 199
8.2 非線性訓(xùn)練基礎(chǔ) 202
8.2.1 收集數(shù)據(jù) 203
8.2.2 為神經(jīng)元增加激活函數(shù) 204
8.2.3 監(jiān)視訓(xùn)練 206
8.2.4 改進(jìn)訓(xùn)練 208
8.3 本章復(fù)習(xí) 214
8.3.1 思考題: 模型架構(gòu)師 214
8.3.2 復(fù)習(xí)題 215
第9 章分類模型和數(shù)據(jù)分析 . 217
9.1 分類模型 218
9.2 泰坦尼克號 220
Titanic 數(shù)據(jù)集 221
9.3 Danfo.js . 222
9.3.1 準(zhǔn)備Titanic 數(shù)據(jù) . 223
9.3.2 使用Titanic 數(shù)據(jù)進(jìn)行訓(xùn)練 . 229
9.4 特征工程 232
9.4.1 Dnotebook 232
9.4.2 Titanic 數(shù)據(jù)可視化 . 234
9.4.3 創(chuàng)建特征（即預(yù)處理） 237
9.4.4 完成特征工程后的訓(xùn)練結(jié)果 240
9.4.5 審查結(jié)果 240
9.5 本章復(fù)習(xí) 241
9.5.1 思考題: 開船 . 242
9.5.2 復(fù)習(xí)題 242
第10 章圖像訓(xùn)練 . 244
10.1 理解卷積 . 245
10.1.1 卷積簡要總結(jié) . 246
10.1.2 增加卷積層 248
10.2 理解最大池化 249
10.2.1 最大池化簡要總結(jié) 250
10.2.2 增加最大池化層 251
10.3 訓(xùn)練圖像分類 252
處理圖像數(shù)據(jù) 253
10.4 戴上分院帽 254
10.4.1 開始 . 256
10.4.2 轉(zhuǎn)換圖像文件夾 258
10.4.3 CNN 模型 . 261
10.4.4 訓(xùn)練和保存 265
10.5 測試模型 . 266
10.5.1 建立一個繪圖板 267
10.5.2 讀取繪圖板 268
10.6 本章復(fù)習(xí) . 271
10.6.1 思考題: 保存魔法 271
10.6.2 復(fù)習(xí)題 272
第11 章遷移學(xué)習(xí) . 274
11.1 遷移學(xué)習(xí)如何工作？ 275
遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) . 276
11.2 簡單的MobileNet 遷移學(xué)習(xí) . 277
TensorFlow Hub 象棋識別! 279
11.3 利用分層模型實現(xiàn)遷移學(xué)習(xí) . 284
11.3.1 刪減MobileNet 模型層 285
11.3.2 分層特征模型 . 287
11.3.3 統(tǒng)一模型 287
11.4 不需要訓(xùn)練 288
簡單的KNN：兔子和跑車 . 289
11.5 本章復(fù)習(xí) . 292
11.5.1 思考題: 快速學(xué)習(xí) . 293
11.5.2 復(fù)習(xí)題 294
第12 章 Dicify: 頂石項目 295
12.1 骰子挑戰(zhàn) . 296
12.2 計劃 297
12.2.1 數(shù)據(jù) . 297
12.2.2 訓(xùn)練 . 299
12.2.3 網(wǎng)站 . 299
12.3 生成訓(xùn)練數(shù)據(jù) 300
12.4 訓(xùn)練 304
12.5 網(wǎng)站界面 . 306
12.5.1 分解成骰子 307
12.5.2 重構(gòu)圖像 309
12.6 本章復(fù)習(xí) . 311
12.6.1 思考題: 簡單的二值化 313
12.6.2 復(fù)習(xí)題 314
后記 315
附錄A 復(fù)習(xí)題答案 319
附錄B 思考題答案 326
附錄C 專利和授權(quán) 337