全部商品分类

您现在的位置: 全部商品分类 > 电子电脑 > 电工无线电自动化 > 自动化技术

精通TensorFlow/深度学习系列

  • 定价: ¥89
  • ISBN:9787111614364
  • 开 本:16开 平装
  •  
  • 折扣:
  • 出版社:机械工业
  • 页数:315页
  • 作者:(美)阿曼多·凡丹...
  • 立即节省:
  • 2019-01-01 第1版
  • 2019-01-01 第1次印刷
我要买:
点击放图片

导语

  

内容提要

  

    TensorFlow是目前流行的数值计算库,专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量,将计算表示为计算图。
    阿曼多·凡丹戈著的《精通TensorFlow/深度学习系列》是一本综合指南,可让您理解TensorFlow 1.x的高级功能,深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能,使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书,您将获得在各种数据集(例如 MNIST、CIFAR-10、PTB、text8和COCO图像)上的实践经验。
    您还能够学习TensorFlow1.x的高级功能,例如分布式TensorFlow,使用TensorFlow服务部署生产模型,以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API,还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。
    本书可帮助您深入了解TensorFlow,使您成为解决人工智能问题的专家。总之,在学习本书之后,可掌握TensorFlow和Keras的产品,并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。

目录

译者序
原书序
原书前言
第1章  TensorFlow 101
  1.1  什么是 TensorFlow
  1.2  TensorFlow内核
    1.2.1  简单的示例代码 -Hello TensorFlow
    1.2.2  张量
    1.2.3  常量
    1.2.4  操作
    1.2.5  占位符
    1.2.6  从 Python对象创建张量
    1.2.7  变量
    1.2.8  由库函数生成的张量
    1.2.9  通过 tf.get_variable( )获取变量
  1.3  数据流图或计算图
    1.3.1  执行顺序和延迟加载
    1.3.2  跨计算设备执行计算图 -CPU和 GPU
    1.3.3  多个计算图
  1.4  TensorBoard
    1.4.1  TensorBoard最小的例子
    1.4.2  TensorBoard的细节
  1.5  总结
第2章  TensorFlow的高级库
  2.1  TF Estimator
  2.2  TF Slim
  2.3  TFLearn
    2.3.1  创建 TFLearn层
    2.3.2  创建 TFLearn模型
    2.3.3  训练 TFLearn模型
    2.3.4  使用 TFLearn模型
  2.4  PrettyTensor
  2.5  Sonnet
  2.6  总结
第3章  Keras101
  3.1  安装 Keras
  3.2  Keras的神经网络模型
    3.2.1  在 Keras中创建模型的过程
  3.3  创建 Keras模型
    3.3.1  用于创建 Keras模型的序列化 API
    3.3.2  用于创建 Keras模型的功能性 API
  3.4  Keras的层
    3.4.1  Keras内核层
    3.4.2  Keras卷积层
    3.4.3  Keras池化层
    3.4.4  Keras局连接层
    3.4.5  Keras循环层
    3.4.6  Keras嵌入层
    3.4.7  Keras合并层
    3.4.8  Keras高级激活层
    3.4.9  Keras归一化层
    3.4.10  Keras噪声层
  3.5  将网络层添加到 Keras模型中
    3.5.1  利用序列化 API将网络层添加到 Keras模型中
    3.5.2  利用功能性 API将网络层添加到 Keras模型中
  3.6  编译 Keras模型
  3.7  训练 Keras模型
  3.8  使用 Keras模型进行预测
  3.9  Keras中的其他模块
  3.10  基于 MNIST数据集的 Keras顺序模型示例
  3.11  总结
第4章  基于TensorFlow的经典机器学习算法
  4.1  简单的线性回归
    4.1.1  数据准备
    4.1.2  建立简单的回归模型
    4.1.3  使用训练好的模型进行预测
  4.2  多元回归
  4.3  正则化回归
    4.3.1  Lasso正则化
    4.3.2  岭正则化
    4.3.3  弹性网正则化
  4.4  使用 Logistic回归进行分类
    4.4.1  二分类的 Logistic回归
    4.4.2  多类分类的 Logistic回归
  4.5  二分类
  4.6  多分类
  4.7  总结
第5章  基于 TensorFlow和 Keras的神经网络和多层感知机
  5.1  感知机
  5.2  多层感知机
  5.3  用于图像分类的多层感知机
    5.3.1  通过 TensorFlow构建用于 MNIST分类的多层感知机
    5.3.2  通过 Keras构建用于 MNIST分类的多层感知机
    5.3.3  通过 TFLearn构建用于 MNIST分类的多层感知机
    5.3.4  多层感知机与 TensorFlow、 Keras和 TFLearn的总结
  5.4  用于时间序列回归的多层感知机
  5.5  总结
第6章  基于TensorFlow和Keras的 RNN
  6.1  简单 RNN
  6.2  RNN改进版本
  6.3  LSTM网络
  6.4  GRU网络
  6.5  基于TensorFlow的 RNN
    6.5.1  TensorFlow的RNN单元类
    6.5.2   TensorFlow 的RNN模型构造类
    6.5.3   TensorFlow的 RNN单元封装类
  6.6  基于Keras的 RNN
  6.7  RNN的应用领域
  6.8  将基于Keras的 RNN用于MNIST数据
  6.9  总结
第7章  基于TensorFlow和 Keras的 RNN在时间序列数据中的应用
  7.1  航空公司乘客数据集
    7.1.1  加载 airpass数据集
    7.1.2  可视化 airpass数据集
  7.2  使用TensorFlow为 RNN模型预处理数据集
  7.3  TensorFlow中的简单 RNN
  7.4  TensorFlow中的 LSTM网络
  7.5  TensorFlow中的 GRU网络
  7.6  使用 Keras为 RNN模型预处理数据集
  7.7  基于 Keras的简单 RNN
  7.8  基于 Keras的 LSTM网络
  7.9  基于 Keras的 GRU网络
  7.10  总结
第8章  基于TensorFlow和 Keras的RNN在文本数据中的应用
  8.1  词向量表示
  8.2  为 word2vec模型准备数据
    8.2.1  加载和准备PTB数据集
    8.2.2  加载和准备text8数据集
    8.2.3  准备小的验证集
  8.3  使用TensorFlow的 skip-gram模型
  8.4  使用t-SNE可视化单词嵌入
  8.5  基于Keras的 skip-gram模型
  8.6  使用TensorFlow和 Keras中的 RNN模型生成文本
    8.6.1  使用TensorFlow中的 LSTM模型生成文本
    8.6.2  使用Keras中的 LSTM模型生成文本
  8.7  总结
第9章  基于TensorFlow和Keras的 CNN
  9.1  理解卷积
  9.2  理解池化
  9.3  CNN架构模式 - LeNet
  9.4  在MNIST数据集上构建 LeNet
    9.4.1  使用 TensorFlow的 LeNet CNN对 MNIST数据集进行分类
    9.4.2  使用 Keras的 LeNet CNN对MNIST数据集进行分类
  9.5  在CIFAR10数据集上构建LeNet
    9.5.1  使用TensorFlow的 CNN对CIFAR10数据集进行分类
    9.5.2  使用Keras的 CNN对CIFAR10数据集进行分类
  9.6  总结
第10章  基于TensorFlow和Keras的自编码器
  10.1  自编码器类型
  10.2  基于TensorFlow的堆叠自编码器
  10.3  基于Keras的堆叠自编码器
  10.4  基于TensorFlow的去噪自编码器
  10.5  基于Keras的去噪自编码器
  10.6  基于TensorFlow的变分自编码器
  10.7  基于Keras的变分自编码器
  10.8  总结
第11章  使用TF服务提供生成环境下的 TensorFlow模型
  11.1  在 TensorFlow中保存和恢复模型
    11.1.1  使用saver类保存和恢复所有网络计算图变量
    11.1.2  使用saver类保存和恢复所选变量
  11.2  保存和恢复 Keras模型
  11.3  TensorFlow服务
    11.3.1  安装TF服务
    11.3.2  保存TF服务的模型
    11.3.3  使用TF服务提供服务模型
  11.4  在Docker容器中提供 TF服务
    11.4.1  安装Docker
    11.4.2  为TF服务构建 Docker镜像
    11.4.3  在Docker容器中提供模型
  11.5  基于Kubernetes的 TF服务
    11.5.1  安装 Kubernetes
    11.5.2  将 Docker镜像上传到dockerhub
    11.5.3  在 Kubernetes中部署
  11.6  总结
第12章  迁移学习模型和预训练模型
  12.1  ImageNet数据集
  12.2  重新训练或微调模型
  12.3  COCO动物数据集和预处理图像
  12.4  TensorFlow中的 VGG16
    12.4.1  使用TensorFlow中预先训练的VGG16进行图像分类
  12.5  将TensorFlow中的图像预处理用于预先训练的 VGG16
    12.5.1  使用TensorFlow中重新训练的VGG16进行图像分类
  12.6  Keras中的 VGG16
    12.6.1  使用Keras中预先训练的VGG16进行图像分类
    12.6.2  使用Keras中重新训练的VGG16进行图像分类
  12.7  TensorFlow中的 Inception v3
    12.7.1  使用TensorFlow中 Inception v3进行图像分类
    12.7.2  使用TensorFlow中重新训练的Inception v3进行图像分类
  12.8  总结
第13章  深度强化学习
  13.1  OpenAI Gym 101
  13.2  将简单的策略应用于 cartpole游戏
  13.3  强化学习 101
    13.3.1  Q函数(在模型无效时学习优化)
    13.3.2  强化学习算法的探索与开发
    13.3.3  V函数(在模型可用时学习优化)
    13.3.4  强化学习技巧
  13.4  强化学习的朴素神经网络策略
  13.5  实施 Q-Learning
    13.5.1  Q-Learning的初始化和离散化
    13.5.2  基于Q表的 Q-Learning
    13.5.3  使用Q网络或深度 Q网络(DQN)进行 Q-Learning
  13.6  总结
第14章  生成对抗网络(GAN)
  14.1  GAN 101
  14.2  建立和训练GAN的最佳实践
  14.3  基于TensorFlow的简单GAN
  14.4  基于Keras的简单GAN
  14.5  基于TensorFlow和Keras的深度卷积GAN
  14.6  总结
第15章  基于TensorFlow集群的分布式模型
  15.1  分布式执行策略
  15.2  TensorFlow集群
    15.2.1  定义集群规范
    15.2.2  创建服务器实例
    15.2.3  定义服务器和设备之间的参数和操作
    15.2.4  定义并训练计算图以进行异步更新
    15.2.5  定义并训练计算图以进行同步更新
  15.3  总结
第16章  移动和嵌入式平台上的TensorFlow模型
  16.1  移动平台上的 TensorFlow
  16.2  Android应用程序中的 TF Mobile
  16.3  演示Android上的 TF Mobile
  16.4  iOS应用程序中的 TF Mobile
  16.5  演示iOS上的TF Mobile
  16.6  TensorFlow Lite
  16.7  演示Android上的TF Lite应用程序
  16.8  演示iOS上的TF Lite应用程序
  16.9  总结
第17章  R中的 TensorFlow和 Keras
  17.1  在R中安装 TensorFlow和 Keras软件包
  17.2  R中的TF核心 API
  17.3  R中的TF Estimator API
  17.4  R中的Keras API
  17.5  R中的TensorBoard
  17.6  R中的tfruns包
  17.7  总结
第18章  调试TensorFlow模型
  18.1  使用tf.Session.run( )获取张量值
  18.2  使用tf.Print( )输出张量值
  18.3  使用tf.Assert( )断言条件
  18.4  使用TensorFlow调试器(tfdbg)进行调试
  18.5  总结
附录  张量处理单元