Online Catalog > Book
Check-outs :

TensorFlow : 實戰Google深度學習框架

  • Hit:193
  • Rating:0
  • Review:0
  • Trackback:0
  • Forward:0



  • Bookmark:
轉寄 列印
第1級人氣樹(0)
人氣指樹
  • keepsite
  • Introduction
  • About Author
  • Collection(0)
  • Review(0)
  • Rating(0)

已同步推出繁體版在台灣發行。TensorFlow是谷歌2015年開源的主流深度學習框架,目前已在谷歌、優步(Uber)、小米等科技公司廣泛應用。《Tensorflow:實戰Google深度學習框架》為使用TensorFlow深度學習框架的入門參考書,旨在幫助讀者以最快、最有效的方式上手TensorFlow和深度學習。書中省略了深度學習繁瑣的數學模型推導,從實際應用問題出發,通過具體的TensorFlow樣例程序介紹如何使用深度學習解決這些問題。《Tensorflow:實戰Google深度學習框架》包含了深度學習的入門知識和大量實踐經驗,是走進這個最新、最火的人工智能領域的首選參考書。鄭澤宇,現為才雲科技(Caicloud.io)聯合創始人、首席大數據科學家。針對分布式TensorFlow上手難、管理難、監控難、上線難等問題,他帶領團隊成功開發了國內首個成熟的分布式TensorFlow深度學習平台(TensorFlow as a Service)。基於此平台,才雲大數據團隊為安防、電商、金融、物流等多個行業提供有針對性的人工智能解決方案。歸國創業之前,鄭澤宇曾任美國谷歌高級工程師。從2013 年加入谷歌,鄭澤宇作為主要技術人員參與並領導了多個大數據項目。由他提出並主導的產品聚類項目用於銜接谷歌購物和谷歌知識圖譜(knowledge graph)數據,使得知識卡片形式的廣告逐步取代傳統的產品列表廣告,開啟了谷歌購物廣告在搜索頁面投遞的新紀元。鄭澤宇於2011年5月獲得北京大學計算機學士學位,並榮獲北京大學信息科學技術學院十佳優秀畢業論文、北京大學優秀畢業生。2013年5月獲得美國 Carnegie Mellon University(CMU)大學計算機碩士學位,並獲得西貝爾獎學金 (Siebel Scholarship)。鄭澤宇在機器學習、人工智能領域有多年研究經驗,並在SIGIR、SIGKDD、ACL、ICDM、ICWSM等國際會議上發表多篇學術論文。

第1章 深度學習簡介 1.1 人工智能、機器學習與深度學習 1.2 深度學習的發展歷程 1.3 深度學習的應用 1.3.1 計算機視覺 1.3.2 語音識別 1.3.3 自然語言處理 1.3.4 人機博弈 1.4 深度學習工具介紹和對比 小結第2章 TensorFlow環境搭建 2.1 TensorFlow的主要依賴包 2.1.1 Protocol Buffer 2.1.2 Bazel 2.2 TensorFlow安裝 2.2.1 使用Docker安裝 2.2.2 使用pip安裝 2.2.3 從源代碼編譯安裝 2.3 TensorFlow測試樣例 小結第3章 TensorFlow入門 3.1 TensorFlow計算模型——計算圖 3.1.1 計算圖的概念 3.1.2 計算圖的使用 3.2 TensorFlow數據模型——張量 3.2.1 張量的概念 3.2.2 張量的使用 3.3 TensorFlow運行模型——會話 3.4 TensorFlow實現神經網絡 3.4.1 TensorFlow游樂場及神經網絡簡介 3.4.2 前向傳播算法簡介 3.4.3 神經網絡參數與TensorFlow變量 3.4.4 通過TensorFlow訓練神經網絡模型 3.4.5 完整神經網絡樣例程序 小結第4章 深層神經網絡 4.1 深度學習與深層神經網絡 4.1.1 線性模型的局限性 4.1.2 激活函數實現去線性化 4.1.3 多層網絡解決異或運算 4.2 損失函數定義 4.2.1 經典損失函數 4.2.2 自定義損失函數 4.3 神經網絡優化算法 4.4 神經網絡進一步優化 4.4.1 學習率的設置 4.4.2 過擬合問題 4.4.3 滑動平均模型 小結第5章 MNIST數字識別問題 5.1 MNIST數據處理 5.2 神經網絡模型訓練及不同模型結果對比 5.2.1 TensorFlow訓練神經網絡 5.2.2 使用驗證數據集判斷模型效果 5.2.3 不同模型效果比較 5.3 變量管理 5.4 TensorFlow模型持久化 5.4.1 持久化代碼實現 5.4.2 持久化原理及數據格式 5.5 TensorFlow最佳實踐樣例程序 小結第6章 圖像識別與卷積神經網絡 6.1 圖像識別問題簡介及經典數據集 6.2 卷積神經網絡簡介 6.3 卷積神經網絡常用結構 6.3.1 卷積層 6.3.2 池化層 6.4 經典卷積網絡模型 6.4.1 LeNet-5模型 6.4.2 Inception-v3模型 6.5 卷積神經網絡遷移學習 6.5.1 遷移學習介紹 6.5.2 TensorFlow實現遷移學習 小結第7章 圖像數據處理 7.1 TFRecord輸入數據格式 7.1.1 TFRecord格式介紹 7.1.2 TFRecord樣例程序 7.2 圖像數據處理 7.2.1 TensorFlow圖像處理函數 7.2.2 圖像預處理完整樣例 7.3 多線程輸入數據處理框架 7.3.1 隊列與多線程 7.3.2 輸入文件隊列 7.3.3 組合訓練數據(batching) 7.3.4 輸入數據處理框架 小結第8章 循環神經網絡 8.1 循環神經網絡簡介 8.2 長短時記憶網絡(LTSM)結構 8.3 循環神經網絡的變種 8.3.1 雙向循環神經網絡和深層循環神經網絡 8.3.2 循環神經網絡的dropout 8.4 循環神經網絡樣例應用 8.4.1 自然語言建模 8.4.2 時間序列預測 小結第9章 TensorBoard可視化 9.1 TensorBoard簡介 9.2 TensorFlow計算圖可視化 9.2.1 命名空間與TensorBoard圖上節點 9.2.2 節點信息 9.3 監控指標可視化 小結第10章 TensorFlow計算加速 10.1 TensorFlow使用GPU 10.2 深度學習訓練並行模式 10.3 多GPU並行 10.4 分布式TensorFlow 10.4.1 分布式TensorFlow原理 10.4.2 分布式TensorFlow模型訓練 10.4.3 使用Caicloud運行分布式TensorFlow 小結

Must Login
Must Login
Must Login
Must Login