極詳細 + 超深入:最新版 TensorFlow 1.x/2.x 完整工程實作
李金洪
- 出版商: 深智數位
- 出版日期: 2020-01-20
- 定價: $1,200
- 售價: 7.9 折 $948
- 語言: 繁體中文
- 頁數: 904
- 裝訂: 平裝
- ISBN: 9865501139
- ISBN-13: 9789865501136
-
相關分類:
DeepLearning、TensorFlow
- 此書翻譯自: 深度學習之 TensorFlow 工程化項目實戰
立即出貨 (庫存 < 8)
買這商品的人也買了...
-
$450$356 -
$500$390 -
$500$390 -
$1,000$790 -
$1,000$790 -
$650$553 -
$780$616 -
$650$514 -
$1,200$948 -
$450$351 -
$690$518 -
$600$468 -
$750$638 -
$650$507 -
$690$587 -
$580$458 -
$1,000$850 -
$1,200$948 -
$580$458 -
$680$537 -
$500$390 -
$880$695 -
$1,080$853 -
$450$355 -
$560$442
商品描述
TensorFlow 是目前使用最廣泛的機器學習架構,滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本,具有更強的便利性。
本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術,相容TensorFlow 1.x 與TensorFlow 2.x 版本,覆蓋多種開發場景。
本書特色
◎ 詳盡闡述tensorflow 1.x/2.x完整內容
◎ 75個實作專案,包含最接近工業 / 商業用的典範
◎ 由淺入深的完整解說,徹底體會TensorFlow之美
內容簡介
史上強大的AI框架Tensorflow 2.X版終於出來了。
在綜合PyTorch的動態圖架構和併入高階API Keras之後,Tensorflow又重回AI框架最炙手可熱的明星之一。
本書是針對已經有Tensorflow基礎的讀者,幫助讀者具備基礎的深度學習知識之後,更強化自身的功力。不再拘泥於簡單的CNN、MNIST、RNN等太基礎的內容。
全書重點包括:
► 75個工業及商用專案的完整實作
►在Windows/Linux下安裝Anaconda及GPU、CUDNN的完整介紹
►大量Transfer Learning的預載入模型說明
►Tensorflow的專屬資料集格式
►TF-Hub retrain或是fine-tune完整的預載入模型
►利用tf.estimator及tf.keras訓練模型的完整過程
►用Tensorflow做離散及連續資料的特徵工程
►不再只是單純的CNN,用膠囊網路做更準確的圖形辨識
►不只RNN,還有GRU及Attention機制、SRU、QRNN及Transformer機制
►自己動手做YOLOV3 Darknet
►最完整的Normalization說明,包括Batch Norm、Switchable Norm
►GAN大全,包括DeblurGAN及AttGAN
►CS612照片加工的AI基礎
►製作Tensorflow的模型完整說明
►在樹莓派、iPhone、Android上佈署Tensorflow的模型
全書特色
1. 相容TensorFlow 1.x 與2.x 版本,提供了大量的程式設計經驗
兼顧TensorFlow 1.x 與2.x 兩個版本,列出了如何將TensorFlow 1.x 程式升級為TensorFlow 2.x 可用的程式。
2. 覆蓋TensorFlow 的大量介面
由於TensorFlow 的程式反覆運算速度太快,有些介面的搭配文件並不是很全。作者花了大量的時間與精力,對一些實用介面的使用方法進行摸索與整理,並將這些方法寫到書中。
3. 提供高度可重用程式,公開了大量的商用程式片段
本書實例中的程式大多都來自程式醫生工作室的商業專案,這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中,加快開發進度。
4. 書中的實戰案例可應用於真實場景
書中大部分實例都是目前應用非常廣泛的通用工作,包含圖片分類、目標識別、像素分割、文字分類、語音合成等多個方向。讀者可以在書中介紹的模型的基礎上,利用自己的業務資料集快速實現AI 功能。
5. 從專案角度出發,覆蓋專案開發全場景
本書以專案實作為目標,全面覆蓋開發實際AI 專案中所有關的知識,並全部配有實例,包含開發資料集、訓練模型、特徵工程、開發模型、保護模型檔案、模型防禦、服務端和終端的模型部署。其中,特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工,進一步確保在訓練場景下和使用場景下模型的輸入統一。
6. 提供大量前端論文連結位址,便於讀者進一步深入學習
本書使用的AI 模型,大多來自前端的技術論文,並在原有論文基礎上做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以根據書中提供的論文連結位址,進一步深入學習更多的前端知識,再配合本書的實例進行充分了解,達到融會貫通。本書也可以幫助AI 研究者進行學術研究。
7. 注重方法與經驗的傳授
本書在說明知識時,更注重傳授方法與經驗。全書共有幾十個「提示」標籤,其中的內容都是功力很高的成功經驗分享與易錯事項歸納,有關於經驗技巧的,也有關於風險避開的,可以幫助讀者在學習的路途上披荊斬棘,快速進步。
適合讀者群:人工智慧開發工程師、使用TensorFlow架構的工程師、整合人工智慧的開發人員、人工智慧初學者、對人工智慧有興趣者,或大專院校人工智慧相關的師生。
作者簡介
李金洪,
「大蛇智能」網站創始人、「代碼醫生」工作室主程式員。精通Python、C、C++、彙編、Java和Go等多種程式語言。擅長神經網路、演算法、協議分析、逆向工程和行動互聯網安全架構等技術。在深度學習領域,參與過某行動互聯網後台的OCR專案、某娛樂節目機器人的語音識別和聲紋識別專案,以及人臉識別、活體檢測等多個專案。完成金融、安全、市政和醫療等多個領域的AI演算法等外包專案。
目錄大綱
前言
第一篇 準備
01 學習準備
1.1 TensorFlow 能做什麼
1.2 學習TensorFlow 的必備知識
1.3 學習技巧:跟讀程式
1.4 如何研讀本書
02 架設開發環境
2.1 準備硬體環境
2.2 下載及安裝Anaconda
2.3 安裝TensorFlow
2.4 GPU 版本的安裝方法
2.5 測試顯示卡的常用指令
2.6 TensorFlow 1.x 版本與2.x 版本共存的解決方案
03 實例1:用AI 模型識別影像是桌子、貓、狗,還是其他
3.1 準備程式環境並預訓練模型
3.2 程式實現:初始化環境變數,並載入ImgNet 標籤
3.3 程式實現:定義網路結構
3.4 程式實現:載入模型進行識別
3.5 擴充:用更多預訓練模型完成圖片分類工作
第二篇 基礎
04 用TensorFlow 製作自己的資料集
4.1 快速導讀
4.2 實例2:將模擬資料製作成記憶體物件資料集
4.3 實例3:將圖片製作成記憶體物件資料集
4.4 實例4:將Excel 檔案製作成記憶體物件資料集
4.5 實例5:將圖片檔案製作成TFRecord 資料集
4.6 實例6:將記憶體物件製作成Dataset 資料集
4.7 實例7:將圖片檔案製作成Dataset 資料集
4.8 實例8:將TFRecord 檔案製作成Dataset 資料集
4.9 實例9:在動態圖中讀取Dataset 資料集
4.10 實例11:在不同場景中使用資料集
4.11 tf.data.Dataset 介面的更多應用
05 10 分鐘快速訓練自己的圖片分類模型
5.1 快速導讀函數庫
5.2 實例12:透過微調模型分辨男女
5.3 擴充:透過攝影機即分時辨男女
5.4 TF-slim 介面中的更多成熟模型
5.5 實例13:用TF-Hub 函數庫微調模型以評估人物的年齡
5.6 歸納
5.7 練習題
06 用TensorFlow 撰寫訓練模型的程式
6.1 快速導讀
6.2 實例14:用靜態圖訓練一個具有儲存檢查點功能的回歸模型
6.3 實例15:用動態圖(eager)訓練一個具有儲存檢查點功能的
回歸模型
6.4 實例18:用估算器架構訓練一個回歸模型
6.5 實例20:將估算器程式改寫成靜態圖程式
6.6 實例21:用tf.layers API 在動態圖上識別手寫數字
6.7 實例22:用tf.keras API 訓練一個回歸模型
6.8 實例25:用tf.js 介面後方訓練一個回歸模型
6.9 實例26:用估算器架構實現分散式部署訓練
6.10 實例27:在分散式估算器架構中用tf.keras 介面訓練ResNet
模型,識別圖片中是橘子還是蘋果
6.11 實例28:在T2T 架構中用tf.layers 介面實現MNIST 資料
集分類
6.12 實例29:在T2T 架構中,用自訂資料集訓練中英文翻譯模型
6.13 實例30:將TensorFlow 1.x 中的程式升級為可用於2.x 版本的
程式
第三篇 進階
07 特徵工程-- 會說話的資料
7.1 快速導讀
7.2 實例31:用wide_deep 模型預測人口收入
7.3 實例32:用弱學習器中的梯度提升樹演算法預測人口收入
7.4 實例33:用feature_column 模組轉換特徵列
7.5 實例34:用sequence_feature_column 介面完成自然語言處理
工作的資料前置處理工作
7.6 實例35:用factorization 模組的kmeans 介面分群COCO資料集
中的標記框
7.7 實例36:用加權矩陣分解模型實現以電影評分為基礎的推薦系統
7.8 實例37:用Lattice 模組預測人口收入
7.9 實例38:結合知識圖譜實現以電影為基礎的推薦系統
7.10 可解釋性演算法的意義
08 卷積神經網路(CNN)-- 在影像處理中應用最廣泛的模型
8.1 快速導讀
8.2 實例39:用膠囊網路識別黑白圖中服裝的圖案
8.3 實例41:用TextCNN 模型分析評論者是否滿意
8.4 實例42:用帶注意力機制的模型分析評論者是否滿意
8.5 實例43:架設YOLO V3 模型,識別圖片中的酒杯、水果
等物體
8.6 實例44:用YOLO V3 模型識別門牌號
8.7 實例45:用Mask R-CNN 模型定位物體的像素點
8.8 實例46:訓練Mask R-CNN 模型,進行形狀的識別
09 循環神經網路(RNN)--處理序列樣本的神經網路
9.1 快速導讀
9.2 實例47:架設RNN 模型,為女孩產生英文名字
9.3 實例48:用帶注意力機制的Seq2Seq 模型為圖片增加內容描述
9.4 實例49:用IndRNN 與IndyLSTM 單元製作聊天機器人
9.5 實例50:預測飛機引擎的剩餘使用壽命
9.6 實例51:將動態路由用於RNN模型,對路透社新聞進行分類
9.7 實例52:用TFTS 架構預測某地區每天的出生人數
9.8 實例53:用Tacotron 模型合成中文語音(TTS)
第四篇 進階
10 產生式模型--能夠輸出內容的模型
10.1 快速導讀
10.2 實例54:建置DeblurGAN 模型,將模糊相片變清晰
10.3 實例55:建置AttGAN 模型,對照片進行加鬍子、加頭簾、
加眼鏡、變年輕等修改
10.4 實例57:用RNN.WGAN 模型模擬產生惡意請求
11 模型的攻與防-- 看似智慧的AI 也有脆弱的一面
11.1 快速導讀
11.2 實例58:用FGSM 方法產生樣本,並攻擊PNASNet 模型,讓
其將「狗」識別成「碟子」
11.3 實例59:擊破資料增強防護,製作抗旋轉對抗樣本
11.4 實例60:以黑箱方式攻擊未知模型
第五篇 實戰--深度學習實際應用
12 TensorFlow 模型製作--一種功能,多種身份
12.1 快速導讀模組
12.2 實例61:在原始程式與檢查點檔案分離的情況下,對模型進
行二次訓練
12.3 實例62:匯出/ 匯入凍結圖檔案
12.4 實例63:逆向分析凍結圖檔案
12.5 實例64:用saved_model 模組
匯出與匯入模型檔案
12.6 實例65:用saved_model_cli工具檢視及使用saved_model模型
12.7 實例66:用TF-Hub 函數庫匯入、匯出詞嵌入模型檔案
13 部署TensorFlow 模型--模型與專案的深度結合
13.1 快速導讀
13.2 實例67:用TF_Serving 部署模型並進行遠端使用
13.3 實例68:在Android 手機上識別男女
13.4 實例69:在iPhone 手機上識別男女並進行活體檢測
13.5 實例70:在樹莓派上架設一個目標檢測器
14 商業實例--科技源於生活,用於生活
14.1 實例71:將特徵比對技術應用在商標識別領域
14.2 實例72:用RNN 抓取蠕蟲病毒
14.3 實例73:迎賓機器人的技術重點—體驗優先
14.4 實例74:以攝影機為基礎的路邊停車場專案
14.5 實例75:智慧冰箱產品—硬體成本之痛