掃一掃
關注中圖網
官方微博
¥32.7(3.7折)?
預估到手價是按參與促銷活動、以最優惠的購買方案計算出的價格（不含優惠券部分），僅供參考，未必等同于實際到手價。
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(第2版) 版權信息
- ISBN：9787121330667
- 條形碼：9787121330667 ; 978-7-121-33066-7
- 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(第2版) 本書特色
TensorFlow是谷歌2015年開源的主流深度學習框架，目前已得到廣泛應用。本書為TensorFlow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。書中省略了煩瑣的數學模型推導，從實際應用問題出發，通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含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優選參考書。第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow 1.4.0。在升級API的同時，第2版也補充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。本書適用于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、深度學習感興趣的計算機相關從業人員及在校學生等。
TensorFlow 實戰Google深度學習框架(第2版) 內容簡介
√ 前谷歌專家、現Tensorflow創業新貴，新版力邀現谷歌專家加盟，共話新版核心技術與前沿案例。 √ 本書前版作為業界首著伴隨Tensorflow火遍全球，旨在面向生產|商業場景，徹底貫通原理|實踐。 √ 深入原理|走訪主創|結合真實項目，AI、ML團隊爭相贊譽力薦，與Tensorflow一道成為事實標準。 √ 代碼全面升級為1.4 版，重點關注新版功能，增設專題論述TF高層封裝和深度學習自然語言應用。
TensorFlow 實戰Google深度學習框架(第2版) 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 6
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 13
1.3.3 自然語言處理 14
1.3.4 人機博弈 17
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 31
2.2.3 從源代碼編譯安裝 32
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 39
3.1 TensorFlow計算模型——計算圖 39
3.1.1 計算圖的概念 39
3.1.2 計算圖的使用 40
3.2 TensorFlow數據模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運行模型——會話 45
3.4 TensorFlow實現神經網絡 47
3.4.1 TensorFlow游樂場及神經網絡簡介 47
3.4.2 前向傳播算法簡介 50
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 64
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 85
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 91
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 168
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
7.4 數據集（Dataset） 199
7.4.1 數據集的基本使用方法 199
7.4.2 數據集的高層操作 202
小結 207
第8章 循環神經網絡 208
8.1 循環神經網絡簡介 208
8.2 長短時記憶網絡（LSTM）結構 214
8.3 循環神經網絡的變種 218
8.3.1 雙向循環神經網絡和深層循環神經網絡 218
8.3.2 循環神經網絡的dropout 221
8.4 循環神經網絡樣例應用 222
小結 226
第9章 自然語言處理 227
9.1 語言模型的背景知識 227
9.1.1 語言模型簡介 227
9.1.2 語言模型的評價方法 229
9.2 神經語言模型 232
9.2.1 PTB數據集的預處理 233
9.2.2 PTB數據的batching方法 236
9.2.3 基于循環神經網絡的神經語言模型 238
9.3 神經網絡機器翻譯 244
9.3.1 機器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機器翻譯文本數據的預處理 246
9.3.3 Seq2Seq模型的代碼實現 250
9.3.4 注意力機制 257
小結 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數據集（Dataset）作為Estimator輸入 284
小結 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡介 287
11.2 TensorFlow計算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節點 290
11.2.2 節點信息 297
11.3 監控指標可視化 301
11.4 高維向量可視化 309
小結 317
第12章 TensorFlow計算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學習訓練并行模式 324
12.3 多GPU并行 327
12.4 分布式TensorFlow 334
12.4.1 分布式TensorFlow原理 334
12.4.2 分布式TensorFlow模型訓練 338
小結 348
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 6
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 13
1.3.3 自然語言處理 14
1.3.4 人機博弈 17
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 31
2.2.3 從源代碼編譯安裝 32
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 39
3.1 TensorFlow計算模型——計算圖 39
3.1.1 計算圖的概念 39
3.1.2 計算圖的使用 40
3.2 TensorFlow數據模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運行模型——會話 45
3.4 TensorFlow實現神經網絡 47
3.4.1 TensorFlow游樂場及神經網絡簡介 47
3.4.2 前向傳播算法簡介 50
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 64
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 85
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 91
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 168
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
7.4 數據集（Dataset） 199
7.4.1 數據集的基本使用方法 199
7.4.2 數據集的高層操作 202
小結 207
第8章 循環神經網絡 208
8.1 循環神經網絡簡介 208
8.2 長短時記憶網絡（LSTM）結構 214
8.3 循環神經網絡的變種 218
8.3.1 雙向循環神經網絡和深層循環神經網絡 218
8.3.2 循環神經網絡的dropout 221
8.4 循環神經網絡樣例應用 222
小結 226
第9章 自然語言處理 227
9.1 語言模型的背景知識 227
9.1.1 語言模型簡介 227
9.1.2 語言模型的評價方法 229
9.2 神經語言模型 232
9.2.1 PTB數據集的預處理 233
9.2.2 PTB數據的batching方法 236
9.2.3 基于循環神經網絡的神經語言模型 238
9.3 神經網絡機器翻譯 244
9.3.1 機器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機器翻譯文本數據的預處理 246
9.3.3 Seq2Seq模型的代碼實現 250
9.3.4 注意力機制 257
小結 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數據集（Dataset）作為Estimator輸入 284
小結 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡介 287
11.2 TensorFlow計算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節點 290
11.2.2 節點信息 297
11.3 監控指標可視化 301
11.4 高維向量可視化 309
小結 317
第12章 TensorFlow計算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學習訓練并行模式 324
12.3 多GPU并行 327
12.4 分布式TensorFlow 334
12.4.1 分布式TensorFlow原理 334
12.4.2 分布式TensorFlow模型訓練 338
小結 348
展開全部
TensorFlow 實戰Google深度學習框架(第2版) 相關資料
終于等到這本TensorFlow技術書的升級。這本書和其他介紹技術框架的書不太一樣，它從深度學習簡介開始，一點一點深入到TensorFlow的使用，同時把算法和框架的使用結合起來，讓讀者
在了解框架的同時，還能夠更深入地了解深度學習算法的原理。示例代碼注釋詳盡，語言風格通俗易懂，算法介紹由淺入深，可謂是難得的好書。——馮博 TalkingData 數據科學家
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優選參考資料。
——陳迪豪 第四范式先知平臺架構師
Google的每一次技術發布，都會成為萬眾矚目的焦點。TensorFlow從開源到現在，已經吸引了眾多開發者、機器學習愛好者、科研和企業用戶貢獻代碼，新功能如雨后春筍般出現，迭代周期
之短，響應速度之快，業界少有。其獨特的張量（Tensor）和圖（Graph）構建算法模型的方式讓人耳目一新，給模型設計者更大的自由度。TensorFlow的入門學習資源也琳瑯滿目，讓人無從選擇，《TensorFlow：實戰Google深度學習框架（第2版）》這本書，從基本概念到完整模型，從抽象理論到工程實現，涵蓋了圖像、文本領域的常用方法，以及可視化和分布式計算等高級主
題，相信開卷之后大有裨益，助力開發者完成產品級應用落地。
——趙永科 阿里云資深研發工程師
Google的深度學習開源方案TensorFlow近年來在人工智能領域被廣泛使用并大放異彩。本書不僅對深度神經網絡的底層技術做了講解，還提供了TensorFlow在圖像處理、語義理解、性能加速、數據可視化等方面的實戰案例，濃縮了大量開發知識和實踐經驗，是一本非常有參考價值的TensorFlow中文著作。
——陳運文 達觀數據董事長兼CEO
TensorFlow作為主流的深度學習框架，已經被積極地應用于各類商業產品中，成為機器學習工程師必須了解的知識。本書不僅介紹了深度學習的發展及應用，還提供了環境搭建教程及實際問題的解決技巧。本書避免了晦澀數學公式所帶來的負擔，通俗易懂。建議想要入門并了解深度學習理論和應用的朋友們閱讀！
——趙越 普華永道高級數據科學家
本書作者以美國知名大學讀研的學識、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非常受歡迎的深度學習框架TensorFlow的相關知識，提供了多種場景的應用實例，是深度學習應用領域的代表性作品。
——向光 北京數問科技有限公司創始人、CEO，Carnegie Mellon University計算機博士
這是一本關于TensorFlow實戰的書，通俗易懂，深入淺出，強烈建議大家持卷品讀！
——唐建 蒙特利爾大學深度學習算法中心助理教授
TensorFlow 實戰Google深度學習框架(第2版) 作者簡介
鄭澤宇，2011年獲北京大學計算機學士學位，2013年獲卡內基梅隆大學計算機碩士學位，前谷歌高級工程師，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，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，在機器學習、人工智能領域有著豐富的經驗。梁博文，谷歌工程師。2011年獲北京大學計算機學士學位，2013年獲哥倫比亞大學計算機碩士學位，同年加入谷歌翻譯組，參與并領導了多個項目，負責了3個語言的翻譯模型的研發工作，在自然語言處理方面有豐富經驗，在統計翻譯模型、神經網絡翻譯模型、語料數據清洗等方面均有深入研究。
書友推薦
- >
朝聞道
- >
我與地壇
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
山海經
- >
小考拉的故事-套裝共3冊
- >
推拿
- >
伊索寓言-世界文學名著典藏-全譯本
- >
龍榆生：詞曲概論/大家小書
本類暢銷
