TensorFlow 進階指南:基礎、算法與應用 TensorFlow进阶指南:基础、算法与应用

黃鴻波

立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

本書是由人工智能一線從業專家根據自己日常工作的體會與經驗總結而成的,在對TensorFlow的基礎知識、環境搭建、神經網絡、常用技術的詳細講解當中穿插了自己實戰的經驗與教訓。更與眾不同的是,本書詳細地解析了使用TensorFlow進行深度學習領域中常用模型的搭建、調參和部署整個流程,以及數據集的使用方法,能夠幫助您快速理解和掌握TensorFlow相關技術,最後還用實戰項目幫助您快速地學會TensorFlow開發,並使用TensorFlow技術來解決實際問題。本書代碼主要是在1.6版本的基礎上進行開發的,同時兼容1.2~1.10的版本,並已得到驗證。本書主要面向對TensorFlow、深度學習、人工智能具有強烈興趣且希望盡快入門的相關從業人員、高校相關專業的教育工作者和在校學生,以及正在從事深度學習工作且希望深入的數據科學家、軟件工程師、大數據平臺工程師、項目管理者等。

作者簡介

黃鴻波
珠海金山辦公軟件有限公司(WPS)人工智能領域專家,高級算法工程師,擁有多年軟件開發經驗。曾在格力電器股份有限公司大數據中心擔任人工智能領域專家,且在多家公司擔任過高級工程師,技術經理,技術總監等職務。曾帶領團隊開發過基於人臉識別技術的智能支付系統、推薦系統、知識圖譜、智能問答系統等。擅長數據挖掘、機器學習、移動開發等專業領域,並擁有豐富的實戰經驗。

目錄大綱

第1章人工智能與深度學習1 
1.1人工智能與機器學習1 
1.2無處不在的深度學習6 
1.3如何入門深度學習7 
1.4主流深度學習框架介紹13 

第2章搭建TensorFlow環境15 
2.1基於pip安裝15 
2.1 .1基於Windows環境安裝TensorFlow 15 
2.1.2基於Linux環境安裝TensorFlow 22 
2.2基於Java安裝TensorFlow 24 
2.3安裝TensorFlow的常用依賴模塊27 
2.4 Hello TensorFlow 30 
2.4.1 MNIST數據集30 
2.4.2編寫訓練程序32 
2.5小結35 

第3章TensorFlow基礎36 
3.1 TensorFlow的系統架構36 
3.1.1 Client 37 
3.1.2 Distributed Master 38 
3.1.3 Worker Service 39 
3.1.4 Kernel Implements 39 
3.2 TensorFlow的數據結構——張量39 
3.2.1什麼是張量39 
3.2.2張量的階40 
3.2.3張量的形狀40
3.2.4數據類型41 
3.3 TensorFlow的計算模型——圖42 
3.3.1計算圖基礎42 
3.3.2計算圖的組成43 
3.3.3計算圖的使用45 
3.3.4小結48 
3.4 TensorFlow中的會話—— Session 48 

第4章TensorFlow中常用的激活函數與神經網絡50 
4.1激活函數的概念50 
4.2常用的激活函數51 
4.2.1 Sigmoid函數51 
4.2.2 Tanh函數53 
4.2.3 ReLU函數55 
4.2.4 Softplus函數57 
4.2.5 Softmax函數58 
4.2.6小結59 
4.3損失函數的概念60 
4.4損失函數的分類63 
4.5常用的損失函數65 
4.5.1 0-1損失函數65 
4.5.2 Log損失函數66 
4.5.3 Hinge損失函數69 
4.5.4指數損失70 
4.5.5感知機損失70 
4.5.6平方(均方)損失函數71 
4.5.7絕對值損失函數71 
4.5.8自定義損失函數71 
4.6正則項72 
4.6.1 L0範數和L1範數72
4.6.2 L2範數73 
4.6.3核範數74 
4.7規則化參數76 
4.8易混淆的概念76 
4.9神經網絡的優化方法77 
4.9.1梯度下降算法77 
4.9.2隨機梯度下降算法79 
4.9.3其他的優化算法80 
4.9.4小結84 
4.10生成式對抗網絡(GAN) 84 
4.10.1 CGAN 96 
4.10.2 DCGAN 97 
4.10.3 WGAN 98 
4.10.4 LSGAN 99 
4.10.5 BEGAN 100 

第5章卷積神經網絡102 
5.1神經網絡簡介102 
5.1.1神經元與神經網絡102 
5.1.2感知器(單層神經網絡)與多層感知器104 
5.2圖像識別問題108 
5.3常用的圖像庫介紹111 
5.4卷積神經網絡簡介114 
5.4.1 CNN的基本原理與卷積核115 
5.4.2池化116 
5.4.3再探ReLU 118 
5.5 CNN模型119 
5.5.1 LeNet-5模型119 
5.5.2 AlexNet模型123 
5.5.3 Inception模型130
5.6用CNN實現MNIST訓練147 

第6章循環神經網絡151 
6.1初識循環神經網絡151 
6.1.1前饋神經網絡152 
6.1.2神經網絡中的時序信息158 
6.2詳解循環神經網絡159 
6.3 RNN的變種— —雙向RNN 162 
6.4 One-Hot Encoding 165 
6.5詞向量和word2vec 166 
6.5.1 CBOW模型167 
6.5.2 Skip-Gram模型168 
6.6梯度消失問題和梯度爆炸問題169 
6.6.1梯度下降170 
6.6.2解決梯度消失和梯度爆炸問題的方法172 
6.7 RNN的變種——LSTM 179 
6.8寫詩機器人189 

第7章TensorFlow的可視化196 
7.1 TensorBoard簡介196 
7.2生成和使用TensorBoard 200 
7.3 TensorBoard的面板展示208 
7.4小結223
 
第8章TensorFlow中的數據操作224 
8.1製作TFRecords數據集224 
8.2 Dataset API介紹230 
8.3 TensorFlow中的隊列233 

第9章支持向量機(SVM) 240
9.1什麼是支持向量機240 
9.2計算最優超平面242 
9.3 TensorFlow實現線性SVM 243 
9.4非線性SVM介紹247 
9.5使用TensorFlow實現非線性SVM分類器250 

第10章TensorFlow結合Flask發布MNIST模型258 
10.1 Flask框架介紹258 
10.2訓練MNIST模型259 
10.3小結275 

第11章TensorFlow模型的發布與部署276 
11.1 TensorFlow Serving的前導知識276 
11.2 TensorFlow Serving模型打包280 
11.3 TensorFlow Serving模型的部署和調用284 

第12章TensorFlow Lite牛刀小試285 
12.1什麼是TensorFlow Lite 285 
12.2如何使用TensorFlow Lite模型287 
12.3 TensorFlow Lite與Android結合實現圖像識別290 

第13章TensorFlow GPU 296 
13.1什麼是GPU 296 
13.2 GPU的選擇297 
13.3搭建TensorFlow GPU 299 
13.3.1在Windows上搭建TensorFlow GPU 299
13.3.2在Linux上搭建TensorFlow GPU 307 
13.4使用TensorFlow GPU進行訓練311 

第14章TensorFlow與目標檢測317 
14.1傳統目標檢測方法317 
14.2 RCNN介紹319 
14.3 Fast-RCNN 321 
14.4 Faster-RCNN 325 
14.5 YOLO 328 
附錄A TensorFlow歷代版本更新內容354 
A.1 TensorFlow 1.3版本更新內容354 
A.2 TensorFlow 1.4版本更新內容355 
A.3 TensorFlow 1.5版本更新內容356 
A.4 TensorFlow 1.6版本更新內容356 
A.5 TensorFlow 1.7版本更新內容357 
A.6 TensorFlow 1.8版本更新內容357 
A.7 TensorFlow 1.9版本更新內容358