掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
TensorFlow實戰Google深度學習框架 版權信息
- ISBN：9787121309595
- 條形碼：9787121309595 ; 978-7-121-30959-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
TensorFlow實戰Google深度學習框架 本書特色
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！禩ensorFlow：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，旨在幫助讀者以快速、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 樣例程序介紹如何了使用深度學習解決這些問題！禩ensorFlow：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，是走進這個前沿、熱門的人工智能領域的*參考書。讀者對象：對人工智能、深度學習感興趣的計算機相關從業人員，想要使用深度學習或TensorFlow 的數據科學家、工程師，希望了解深度學習的大數據平臺工程師，對人工智能、機器學習感興趣的在校學生，希望找深度學習相關崗位的求職人員，等等。
TensorFlow實戰Google深度學習框架 內容簡介
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）、京東、小米等科技公司廣泛應用！禩ensorFlow：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，旨在幫助讀者以快速、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 樣例程序介紹如何了使用深度學習解決這些問題！禩ensorFlow：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，是走進這個前沿、熱門的人工智能領域的首選參考書。讀者對象：對人工智能、深度學習感興趣的計算機相關從業人員，想要使用深度學習或TensorFlow 的數據科學家、工程師，希望了解深度學習的大數據平臺工程師，對人工智能、機器學習感興趣的在校學生，希望找深度學習相關崗位的求職人員，等等。
TensorFlow實戰Google深度學習框架 目錄
第1章 深度學習簡介 1
1.1 人工智能、機器學習與深度學習 2
1.2 深度學習的發展歷程 7
1.3 深度學習的應用 10
1.3.1 計算機視覺 10
1.3.2 語音識別 14
1.3.3 自然語言處理 15
1.3.4 人機博弈 18
1.4 深度學習工具介紹和對比 19
小結 23
第2章 TensorFlow環境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 32
2.2.3 從源代碼編譯安裝 33
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 40
3.1 TensorFlow計算模型——計算圖 40
3.1.1 計算圖的概念 40
3.1.2 計算圖的使用 41
3.2 TensorFlow數據模型——張量 43
3.2.1 張量的概念 43
3.2.2 張量的使用 45
3.3 TensorFlow運行模型——會話 46
3.4 TensorFlow實現神經網絡 48
3.4.1 TensorFlow游樂場及神經網絡簡介 48
3.4.2 前向傳播算法簡介 51
3.4.3 神經網絡參數與TensorFlow變量 54
3.4.4 通過TensorFlow訓練神經網絡模型 58
3.4.5 完整神經網絡樣例程序 62
小結 65
第4章 深層神經網絡 66
4.1 深度學習與深層神經網絡 66
4.1.1 線性模型的局限性 67
4.1.2 激活函數實現去線性化 70
4.1.3 多層網絡解決異或運算 73
4.2 損失函數定義 74
4.2.1 經典損失函數 75
4.2.2 自定義損失函數 79
4.3 神經網絡優化算法 81
4.4 神經網絡進一步優化 84
4.4.1 學習率的設置 85
4.4.2 過擬合問題 87
4.4.3 滑動平均模型 90
小結 92
第5章 MNIST數字識別問題 94
5.1 MNIST數據處理 94
5.2 神經網絡模型訓練及不同模型結果對比 97
5.2.1 TensorFlow訓練神經網絡 97
5.2.2 使用驗證數據集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實現 112
5.4.2 持久化原理及數據格式 117
5.5 TensorFlow*佳實踐樣例程序 126
小結 132
第6章 圖像識別與卷積神經網絡 134
6.1 圖像識別問題簡介及經典數據集 135
6.2 卷積神經網絡簡介 139
6.3 卷積神經網絡常用結構 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經典卷積網絡模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經網絡遷移學習 160
6.5.1 遷移學習介紹 160
6.5.2 TensorFlow實現遷移學習 161
小結 169
第7章 圖像數據處理 170
7.1 TFRecord輸入數據格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程序 171
7.2 圖像數據處理 173
7.2.1 TensorFlow圖像處理函數 174
7.2.2 圖像預處理完整樣例 183
7.3 多線程輸入數據處理框架 185
7.3.1 隊列與多線程 186
7.3.2 輸入文件隊列 190
7.3.3 組合訓練數據（batching） 193
7.3.4 輸入數據處理框架 196
小結 198
第8章 循環神經網絡 200
8.1 循環神經網絡簡介 200
8.2 長短時記憶網絡（LTSM）結構 206
8.3 循環神經網絡的變種 212
8.3.1 雙向循環神經網絡和深層循環神經網絡 212
8.3.2 循環神經網絡的dropout 214
8.4 循環神經網絡樣例應用 215
8.4.1 自然語言建模 216
8.4.2 時間序列預測 225
小結 230
第9章 TensorBoard可視化 232
9.1 TensorBoard簡介 232
9.2 TensorFlow計算圖可視化 234
9.2.1 命名空間與TensorBoard圖上節點 234
9.2.2 節點信息 241
9.3 監控指標可視化 246
小結 252
第10章 TensorFlow計算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度學習訓練并行模式 258
10.3 多GPU并行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型訓練 272
10.4.3 使用Caicloud運行分布式TensorFlow 282
小結 287
1.1 人工智能、機器學習與深度學習 2
1.2 深度學習的發展歷程 7
1.3 深度學習的應用 10
1.3.1 計算機視覺 10
1.3.2 語音識別 14
1.3.3 自然語言處理 15
1.3.4 人機博弈 18
1.4 深度學習工具介紹和對比 19
小結 23
第2章 TensorFlow環境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 32
2.2.3 從源代碼編譯安裝 33
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 40
3.1 TensorFlow計算模型——計算圖 40
3.1.1 計算圖的概念 40
3.1.2 計算圖的使用 41
3.2 TensorFlow數據模型——張量 43
3.2.1 張量的概念 43
3.2.2 張量的使用 45
3.3 TensorFlow運行模型——會話 46
3.4 TensorFlow實現神經網絡 48
3.4.1 TensorFlow游樂場及神經網絡簡介 48
3.4.2 前向傳播算法簡介 51
3.4.3 神經網絡參數與TensorFlow變量 54
3.4.4 通過TensorFlow訓練神經網絡模型 58
3.4.5 完整神經網絡樣例程序 62
小結 65
第4章 深層神經網絡 66
4.1 深度學習與深層神經網絡 66
4.1.1 線性模型的局限性 67
4.1.2 激活函數實現去線性化 70
4.1.3 多層網絡解決異或運算 73
4.2 損失函數定義 74
4.2.1 經典損失函數 75
4.2.2 自定義損失函數 79
4.3 神經網絡優化算法 81
4.4 神經網絡進一步優化 84
4.4.1 學習率的設置 85
4.4.2 過擬合問題 87
4.4.3 滑動平均模型 90
小結 92
第5章 MNIST數字識別問題 94
5.1 MNIST數據處理 94
5.2 神經網絡模型訓練及不同模型結果對比 97
5.2.1 TensorFlow訓練神經網絡 97
5.2.2 使用驗證數據集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實現 112
5.4.2 持久化原理及數據格式 117
5.5 TensorFlow*佳實踐樣例程序 126
小結 132
第6章 圖像識別與卷積神經網絡 134
6.1 圖像識別問題簡介及經典數據集 135
6.2 卷積神經網絡簡介 139
6.3 卷積神經網絡常用結構 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經典卷積網絡模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經網絡遷移學習 160
6.5.1 遷移學習介紹 160
6.5.2 TensorFlow實現遷移學習 161
小結 169
第7章 圖像數據處理 170
7.1 TFRecord輸入數據格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程序 171
7.2 圖像數據處理 173
7.2.1 TensorFlow圖像處理函數 174
7.2.2 圖像預處理完整樣例 183
7.3 多線程輸入數據處理框架 185
7.3.1 隊列與多線程 186
7.3.2 輸入文件隊列 190
7.3.3 組合訓練數據（batching） 193
7.3.4 輸入數據處理框架 196
小結 198
第8章 循環神經網絡 200
8.1 循環神經網絡簡介 200
8.2 長短時記憶網絡（LTSM）結構 206
8.3 循環神經網絡的變種 212
8.3.1 雙向循環神經網絡和深層循環神經網絡 212
8.3.2 循環神經網絡的dropout 214
8.4 循環神經網絡樣例應用 215
8.4.1 自然語言建模 216
8.4.2 時間序列預測 225
小結 230
第9章 TensorBoard可視化 232
9.1 TensorBoard簡介 232
9.2 TensorFlow計算圖可視化 234
9.2.1 命名空間與TensorBoard圖上節點 234
9.2.2 節點信息 241
9.3 監控指標可視化 246
小結 252
第10章 TensorFlow計算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度學習訓練并行模式 258
10.3 多GPU并行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型訓練 272
10.4.3 使用Caicloud運行分布式TensorFlow 282
小結 287
展開全部
TensorFlow實戰Google深度學習框架 相關資料
本書作者以美國大學讀研的學識、Google全職算法專家的經驗，從0到1系統地講解了深度學習以及全球受歡迎深度學習框架TensorFlow，并提供了多種場景的應用實例，是深度學習應用領域的開創性著作。
——北京數問科技有限公司創始人CEO、Carnegie Mellon University計算機博士，向光
本書由淺入深，介紹了TensorFlow在典型場景中的應用實踐，提供分布式訓練等大量實例，是Tensorflow開發者和深度學習愛好者的必備參考資料。
——小米深度學習工程師，陳迪豪
“互聯網 ”的大潮催生了諸如“互聯網 外賣”、“互聯網 打車”、“互聯網 家政”等眾多商業模式的創新和創業佳話；而當“互聯網 ”已被寫入教科書并成為傳統行業都在積極踐行的發展道路時，過去一年科技界的聚光燈卻被人工智能和深度學習所創造的一個個奇跡所占據。從阿爾法狗肆虐圍棋界，到人工智能創業大軍的崛起，都預示著我們即將步入“AI ”的時代：“AI 教育”、“AI 媒體”、“AI 醫學”、“AI 配送”、“AI 農業”等層出不窮。 AI在近期的爆發離不開數據的“質”和“量”的提升，離不開高性能計算平臺的發展，也更離不開算法的進步，而深度學習則成為了推動算法進步中的一個主力軍。TensorFlow作為谷歌開源的深度學習框架，飽含了谷歌過去10年間對于人工智能的探索和成功商業應用。谷歌的自駕車、搜索、購物、廣告、云計算產品等，都無時無刻沒有利用類似TensorFlow的深度學習算法將數據的價值大化，從而創造巨大的商業價值。 TensorFlow作為一個開源框架，在極短時間內迅速圈粉并已成為github.上的耀眼明星。然而，掌握深度學習需要較強的理論功底，用好Tensorflow又需要足夠的實踐和解析。開源項目和代碼本身固然重要，但更重要的是使用者的經驗和領域知識，如何將底層技術或工具采用佳實踐和使用模式來解決現實問題。我與作者共事多年，瀏覽本書后深深體會到該著作是作者在谷歌多年分布式深度學習實踐經驗和其理論才學的濃縮，也相信這本從入門到高級實踐的讀物能夠為每個讀者帶來一個精神盛宴，并幫助計算機技術從業者在各自的業務領域打開新的思路、插上新的翅膀。
——杭州才云科技有限公司聯合創始人CEO、Carnegie Mellon University計算機博士，張鑫
TensorFlow實戰Google深度學習框架 作者簡介
鄭澤宇，現為才云科技(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國內首個成熟的分布式TensorFlow深度學習平臺（TensorFlow as a Service）；诖似脚_，才云大數據團隊為安防、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并領導了多個大數據項目。由他提出并主導的產品聚類項目用于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。鄭澤宇于2011年5月獲得北京大學計算機學士學位，并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，并獲得西貝爾獎學金 (Siebel Scholarship)。鄭澤宇在機器學習、人工智能領域有多年研究經驗，并在SIGIR、SIGKDD、ACL、ICDM、ICWSM等*國際會議上發表多篇學術論文.
書友推薦
- >
中國歷史的瞬間
- >
莉莉和章魚
- >
名家帶你讀魯迅:故事新編
- >
二體千字文
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
本類暢銷
