別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣

李金洪

  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-1
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-2
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-3
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-4
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-5
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-6
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-7
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-8
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-9
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-10
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-11
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-12
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-13
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-14
  • 別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-15
別再 mnist 了:跨平台高平行 TensorFlow 2 精彩上陣-preview-1

買這商品的人也買了...

相關主題

商品描述

  ► 一本完整高階的TensorFlow 2.x應用

  ► 一定要選一個AI框架,TensorFlow是唯一選擇,加入動態圖、整合了Keras

  ► 學一個TensorFlow,會兩種AI Framework,怎麼看都划算

 

  TensorFlow 是目前使用最廣泛的機器學習架構,能滿足廣大使用者的需求。如今TensorFlow 已經更新到2.X 版本,具有更強的便利性。TensorFlow在2.0版之後做了大幅更動,如果你從舊版1.0學的跌跌撞撞,不如從新版開始。

 

  很多人以為TensorFlow只適用於深度學習,但TensorFlow的廣度和深度是成正比的。本書實作了幾個著名的範例,不再只會MNIST而已了。從NLP、影像辨識、GAN,一直到真槍實彈的機器學習技能,TensorFlow一手包辦。

 

  你真的想找一本完整高階的TensorFlow 2.x應用,這會是最佳的案頭書。

 

  全書內容分為4篇,結構清晰、案例豐富、通俗容易、實用性強。

  ◎第1篇 準備篇 包含TensorFlow的安裝、使用方法。這部分內容可以讓讀者快速上手TensorFlow工具。

 

  ◎第2篇 基礎篇 包含資料集製作、特徵工程等資料前置處理工作,以及與數值分析相關的模型(其中包含wide_deep模型、梯度提升樹、知識圖譜、帶有JANET單元的RNN等模型)。

 

  ◎第3篇 進階篇 從自然語言處理、電腦視覺兩個應用方向介紹了基礎的演算法原理和主流的模型。實際包含:TextCNN模型、帶有注意力機制的模型、帶有動態路由的RNN模型、BERTology系列模型、EfficientNet系列模型、Anchor-Free模型、YOLO V3模型等。

 

  ◎第4篇 高階篇 介紹產生式模型和零次學習兩種技術,系統地介紹資訊熵、歸一化、f-GAN、最佳傳輸、Sinkhorn演算法,以及變分自編碼、DeblurGAN、AttGAN、DIM、VSC等模型。

 

  適合讀者群:適合對人工智慧、TensorFlow有興趣者,或作為大專相關科系學生、教育訓練機構教材。

作者簡介

李金洪

 

  精通c、c++、彙編、python、java、go等語言。擅長神經網路、演算法、協議分析、逆向、移動互聯網安全架構等技術。先後擔任過CAD演算法工程師、手機遊戲主程、架構師、專案經理、CTO、部門經理、資深產品總監等職位。

目錄大綱

前言
第一篇 準備篇
01 學習準備

1.1 什麼是TensorFlow 架構 
1.2 如何學習本書3

02 快速上手TensorFlow
2.1 設定TensorFlow 環境
2.2 訓練模型的兩種方式 
2.3 實例1:用靜態圖訓練模型,使其能夠從一組資料中找到 y ≈ 2x 規律 
2.4 實例2:用動態圖訓練一個具有儲存檢查點功能的回歸模型 

03 TensorFlow 2.X 程式設計基礎
3.1 動態圖的程式設計方式
3.2 掌握估算器架構介面的應用
3.3 實例7:將估算器模型轉化成靜態圖模型
3.4 實例8:用估算器架構實現分散式部署訓練
3.5 掌握tf.keras 介面的應用
3.6 分配運算資源與使用分佈策略 
3.7 用tfdbg 偵錯TensorFlow 模型 
3.8 用自動混合精度加速模型訓練 

第二篇 基礎篇
04 用TensorFlow 製作自己的資料集

4.1 資料集的基本介紹
4.2 實例11:將模擬資料製作成記憶體物件資料集
4.3 實例12:將圖片製作成記憶體物件資料集 
4.4 實例13:將Excel 檔案製作成記憶體物件資料集
4.5 實例14:將圖片檔案製作成TFRecord 資料集 
4.6 實例15:將記憶體物件製作成Dataset 資料集
4.7 實例16:將圖片檔案製作成Dataset 資料集
4.8 實例17:在動態圖中讀取Dataset 資料集 
4.9 實例18:在不同場景中使用資料集 
4.10 tf.data.Dataset 介面的更多應用 

05 數值分析與特徵工程
5.1 什麼是特徵工程
5.2 什麼是特徵列介面 
5.3 實例24:用wide_deep 模型預測人口收入
5.4 實例25:梯度提升樹(TFBT)介面的應用
5.5 實例26:以知識圖譜為基礎的電影推薦系統
5.6 實例27:預測飛機引擎的剩餘使用壽命 

第三篇 進階篇
06 自然語言處理

6.1 BERT 模型與NLP 的發展階段
6.2 實例28:用TextCNN 模型分析評論者是否滿意
6.3 實例29:用帶注意力機制的模型分析評論者是否滿意
6.4 實例30:用帶有動態路由的RNN 模型實現文字分類任務
6.5 NLP 中的常見任務及資料集 
6.6 了解Transformer 函數庫
6.7 實例31:用管線方式完成多種NLP 任務
6.8 Transformers 函數庫中的自動模型類別(TFAutoModel) 
6.9 Transformers 函數庫中的BERTology 系列模型
6.10 Transformers 函數庫中的詞表工具 .
6.11 BERTology 系列模型 
6.12 用遷移學習訓練BERT 模型來對中文分類

07 機器視覺處理
7.1 實例34:使用預訓練模型識別影像 
7.2 了解EfficientNet 系列模型
7.3 實例36:在估算器架構中用tf.keras 介面訓練ResNet 模型,識別圖片中是橘子還是蘋果
7.4 以圖片內容為基礎的處理任務
7.5 實例37:用YOLO V3 模型識別門牌號 

第四篇 高階篇
08 生成式模型:能夠輸出內容的模型

8.1 快速了解資訊熵(information entropy)
8.2 通用的無監督模型-- 自編碼與對抗神經網路
8.3 實例38:用多種方法實現變分自編碼神經網路
8.4 常用的批次歸一化方法
8.5 實例39:建置DeblurGAN 模型,將模糊照片變清晰
8.6 更加了解WGAN 模型 
8.7 實例40: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 
8.8 散度在神經網路中的應用 
8.9 實例42:用Deep Infomax(DIM)模型做一個圖片搜尋器 

09 識別未知分類的方法:零次學習
9.1 了解零次學習
9.2 零次學習中的常見困難10.1 概述 
9.3 帶有視覺結構約束的直推ZSL( VSC模型)
9.4 詳解Sinkhorn 疊代演算法
9.5 實例43:用VSC 模型識別圖片中的鳥屬於什麼類別
9.6 提升零次學習精度的方法

後記