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
走向TENSORFLOW 2.0:深度學習應用編程快速入門 版權信息
- ISBN：9787121376467
- 條形碼：9787121376467 ; 978-7-121-37646-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
走向TENSORFLOW 2.0:深度學習應用編程快速入門 本書特色
TensorFlow大名鼎鼎，現在已經更新了10多個版本，隨著版本的更新其接口和功能也越來越強大。尤其是TensorFlow的高階API接口，集成了很多算法和網絡模型，可以達到所用即所得的地步。但是由于各種原因，我們往往很少去了解如何使用這些高級API來進行編程，解決自己的問題。因此本書旨在能夠以編程實踐為入手，按照實用為先的理念讓更多的AI愛好者或者想要入門的人工智能的開發者能夠快速上手編程。 本書分為兩大部分,*部分是深度學習編程基礎實踐，包含三個章節：Python基礎編程實踐、TensorFlow基礎編程實踐、Python Web編程框架Flask。第二部分是TensorFlow高級API編程實踐，包括五個章節：無監督學習、基于對抗學習的風格遷移、集成微信中的聊天機器人、基于BERT的知識提取、圖片自動識別與標注。本書中既有既有理論知識又案例的編程實現代碼，會對代碼進行詳細的講解以使讀者能夠跟著書本內容實踐編碼。
走向TENSORFLOW 2.0:深度學習應用編程快速入門 內容簡介
TensorFlow大名鼎鼎，現在已經更新了10多個版本，隨著版本的更新其接口和功能也越來越強大。尤其是TensorFlow的高階API接口，集成了很多算法和網絡模型，可以達到所用即所得的地步。但是由于各種原因，我們往往很少去了解如何使用這些不錯API來進行編程，解決自己的問題。因此本書旨在能夠以編程實踐為入手，按照實用為先的理念讓更多的AI愛好者或者想要入門的人工智能的開發者能夠快速上手編程。 本書分為兩大部分,部分是深度學習編程基礎實踐，包含三個章節：Python基礎編程實踐、TensorFlow基礎編程實踐、Python Web編程框架Flask。第二部分是TensorFlow不錯API編程實踐，包括五個章節：無監督學習、基于對抗學習的風格遷移、集成微信中的聊天機器人、基于BERT的知識提取、圖片自動識別與標注。本書中既有既有理論知識又案例的編程實現代碼，會對代碼進行詳細的講解以使讀者能夠跟著書本內容實踐編碼。
走向TENSORFLOW 2.0:深度學習應用編程快速入門 目錄
第1章 Python基礎編程入門 1
1.1 Python的歷史 1
1.1.1 Python版本的演進 1
1.1.2 Python的工程應用情況 2
1.2 Python的基本數據類型 2
1.3 Python數據處理工具之Pandas 6
1.3.1 數據讀取和存儲 7
1.3.2 數據查看和選取 8
1.3.3 數據處理 11
1.4 Python圖像處理工具之PIL 14
1.4.1 PIL簡介 14
1.4.2 PIL接口詳解 14
1.4.3 PIL圖像處理實踐 18
第2章 TensorFlow 2.0快速入門 21
2.1 TensorFlow 2.0簡介 21
2.2 TensorFlow 2.0環境搭建 22
2.2.1 CPU環境搭建 22
2.2.2 基于Docker的GPU環境搭建 23
2.3 TensorFlow 2.0基礎知識 25
2.3.1 TensorFlow 2.0 Eager模式簡介 25
2.3.2 TensorFlow 2.0 AutoGraph簡介 26
2.3.3 TensorFlow 2.0低階API基礎編程 26
2.4 TensorFlow 2.0高階API（tf.keras） 32
2.4.1 tf.keras高階API概覽 32
2.4.2 tf.keras高階API編程 34
第3章 基于CNN的圖像識別應用編程實踐 36
3.1 CNN相關基礎理論 36
3.1.1 卷積神經網絡概述 36
3.1.2 卷積神經網絡結構 36
3.1.3 卷積神經網絡三大核心概念 38
3.2 TensorFlow 2.0 API詳解 38
3.2.1 tf.keras.Sequential 39
3.2.2 tf.keras.layers.Conv2D 41
3.2.3 tf.keras.layers.MaxPool2D 42
3.2.4 tf.keras.layers.Flatten與tf.keras.layer.Dense 42
3.2.5 tf.keras.layers.Dropout 43
3.2.6 tf.keras.optimizers.Adam 43
3.3 項目工程結構設計 44
3.4 項目實現代碼詳解 44
3.4.1 工具類實現 45
3.4.2 cnnModel實現 46
3.4.3 執行器實現 48
3.4.4 Web應用實現 52
第4章 基于Seq2Seq的中文聊天機器人編程實踐 55
4.1 NLP基礎理論知識 55
4.1.1 語言模型 55
4.1.2 循環神經網絡 57
4.1.3 Seq2Seq模型 59
4.2 TensorFlow 2.0 API詳解 61
4.2.1 tf.keras.preprocessing.text.Tokenizer 61
4.2.2 tf.keras.preprocessing.sequence.pad_sequences 62
4.2.3 tf.data.Dataset.from_tensor_slices 63
4.2.4 tf.keras.layers.Embedding 63
4.2.5 tf.keras.layers.GRU 63
4.2.6 tf.keras.layers.Dense 65
4.2.7 tf.expand_dims 65
4.2.8 tf.keras.optimizers.Adam 65
4.2.9 tf.keras.losses.SparseCategoricalCrossentropy 66
4.2.10 tf.math.logical_not 66
4.2.11 tf.concat 66
4.2.12 tf.bitcast 67
4.3 項目工程結構設計 67
4.4 項目實現代碼詳解 68
4.4.1 工具類實現 68
4.4.2 data_util實現 69
4.4.3 seq2seqModel實現 71
4.4.4 執行器實現 77
4.4.5 Web應用實現 83
第5章 基于CycleGAN的圖像風格遷移應用編程實踐 85
5.1 GAN基礎理論 85
5.1.1 GAN的基本思想 85
5.1.2 GAN的基本工作機制 86
5.1.3 GAN的常見變種及應用場景 86
5.2 CycleGAN的算法原理 88
5.3 TensorFlow 2.0 API詳解 88
5.3.1 tf.keras.Sequential 88
5.3.2 tf.keras.Input 91
5.3.3 tf.keras.layers.BatchNormalization 91
5.3.4 tf.keras.layers.Dropout 92
5.3.5 tf.keras.layers.Concatenate 93
5.3.6 tf.keras.layers.LeakyReLU 93
5.3.7 tf.keras.layers.UpSampling2D 93
5.3.8 tf.keras.layers.Conv2D 93
5.3.9 tf.optimizers.Adam 94
5.4 項目工程結構設計 95
5.5 項目實現代碼詳解 96
5.5.1 工具類實現 96
5.5.2 CycleganModel實現 100
5.5.3 執行器實現 105
5.5.4 Web應用實現 109
第6章 基于Transformer的文本情感分析編程實踐 111
6.1 Transformer相關理論知識 111
6.1.1 Transformer基本結構 111
6.1.2 注意力機制 112
6.1.3 位置編碼 116
6.2 TensorFlow 2.0 API詳解 117
6.2.1 tf.keras.preprocessing.text.Tokenizer 117
6.2.2 tf.keras.preprocessing.sequence.pad_sequences 118
6.2.3 tf.data.Dataset.from_tensor_slices 118
6.2.4 tf.keras.layers.Embedding 118
6.2.5 tf.keras.layers.Dense 119
6.2.6 tf.keras.optimizers.Adam 119
6.2.7 tf.optimizers.schedules.LearningRateSchedule 120
6.2.8 tf.keras.layers.Conv1D 120
6.2.9 tf.nn.moments 121
6.3 項目工程結構設計 121
6.4 項目實現代碼詳解 122
6.4.1 工具類實現 122
6.4.2 data_util實現 124
6.4.3 textClassiferMode實現 128
6.4.4 執行器實現 138
6.4.5 Web應用實現 142
第7章 基于TensorFlow Serving的模型部署實踐 144
7.1 TensorFlow Serving框架簡介 144
7.1.1 Servable 145
7.1.2 Source 145
7.1.3 Loader 145
7.1.4 Manager 145
7.2 TensorFlow Serving環境搭建 146
7.2.1 基于Docker搭建TensorFlow Serving環境 146
7.2.2 基于Ubuntu 16.04搭建TensorFlow Serving環境 146
7.3 API詳解 147
7.3.1 tf.keras.models.load_model 147
7.3.2 tf.keras.experimental.export_saved_model 147
7.3.3 tf.keras.backend.set_learning_phase 148
7.4 項目工程結構設計 148
7.5 項目實現代碼詳解 149
7.5.1 工具類實現 149
7.5.2 模型文件導出模塊實現 150
7.5.3 模型文件部署模塊實現 150
7.5.4 Web應用模塊實現 152
1.1 Python的歷史 1
1.1.1 Python版本的演進 1
1.1.2 Python的工程應用情況 2
1.2 Python的基本數據類型 2
1.3 Python數據處理工具之Pandas 6
1.3.1 數據讀取和存儲 7
1.3.2 數據查看和選取 8
1.3.3 數據處理 11
1.4 Python圖像處理工具之PIL 14
1.4.1 PIL簡介 14
1.4.2 PIL接口詳解 14
1.4.3 PIL圖像處理實踐 18
第2章 TensorFlow 2.0快速入門 21
2.1 TensorFlow 2.0簡介 21
2.2 TensorFlow 2.0環境搭建 22
2.2.1 CPU環境搭建 22
2.2.2 基于Docker的GPU環境搭建 23
2.3 TensorFlow 2.0基礎知識 25
2.3.1 TensorFlow 2.0 Eager模式簡介 25
2.3.2 TensorFlow 2.0 AutoGraph簡介 26
2.3.3 TensorFlow 2.0低階API基礎編程 26
2.4 TensorFlow 2.0高階API（tf.keras） 32
2.4.1 tf.keras高階API概覽 32
2.4.2 tf.keras高階API編程 34
第3章 基于CNN的圖像識別應用編程實踐 36
3.1 CNN相關基礎理論 36
3.1.1 卷積神經網絡概述 36
3.1.2 卷積神經網絡結構 36
3.1.3 卷積神經網絡三大核心概念 38
3.2 TensorFlow 2.0 API詳解 38
3.2.1 tf.keras.Sequential 39
3.2.2 tf.keras.layers.Conv2D 41
3.2.3 tf.keras.layers.MaxPool2D 42
3.2.4 tf.keras.layers.Flatten與tf.keras.layer.Dense 42
3.2.5 tf.keras.layers.Dropout 43
3.2.6 tf.keras.optimizers.Adam 43
3.3 項目工程結構設計 44
3.4 項目實現代碼詳解 44
3.4.1 工具類實現 45
3.4.2 cnnModel實現 46
3.4.3 執行器實現 48
3.4.4 Web應用實現 52
第4章 基于Seq2Seq的中文聊天機器人編程實踐 55
4.1 NLP基礎理論知識 55
4.1.1 語言模型 55
4.1.2 循環神經網絡 57
4.1.3 Seq2Seq模型 59
4.2 TensorFlow 2.0 API詳解 61
4.2.1 tf.keras.preprocessing.text.Tokenizer 61
4.2.2 tf.keras.preprocessing.sequence.pad_sequences 62
4.2.3 tf.data.Dataset.from_tensor_slices 63
4.2.4 tf.keras.layers.Embedding 63
4.2.5 tf.keras.layers.GRU 63
4.2.6 tf.keras.layers.Dense 65
4.2.7 tf.expand_dims 65
4.2.8 tf.keras.optimizers.Adam 65
4.2.9 tf.keras.losses.SparseCategoricalCrossentropy 66
4.2.10 tf.math.logical_not 66
4.2.11 tf.concat 66
4.2.12 tf.bitcast 67
4.3 項目工程結構設計 67
4.4 項目實現代碼詳解 68
4.4.1 工具類實現 68
4.4.2 data_util實現 69
4.4.3 seq2seqModel實現 71
4.4.4 執行器實現 77
4.4.5 Web應用實現 83
第5章 基于CycleGAN的圖像風格遷移應用編程實踐 85
5.1 GAN基礎理論 85
5.1.1 GAN的基本思想 85
5.1.2 GAN的基本工作機制 86
5.1.3 GAN的常見變種及應用場景 86
5.2 CycleGAN的算法原理 88
5.3 TensorFlow 2.0 API詳解 88
5.3.1 tf.keras.Sequential 88
5.3.2 tf.keras.Input 91
5.3.3 tf.keras.layers.BatchNormalization 91
5.3.4 tf.keras.layers.Dropout 92
5.3.5 tf.keras.layers.Concatenate 93
5.3.6 tf.keras.layers.LeakyReLU 93
5.3.7 tf.keras.layers.UpSampling2D 93
5.3.8 tf.keras.layers.Conv2D 93
5.3.9 tf.optimizers.Adam 94
5.4 項目工程結構設計 95
5.5 項目實現代碼詳解 96
5.5.1 工具類實現 96
5.5.2 CycleganModel實現 100
5.5.3 執行器實現 105
5.5.4 Web應用實現 109
第6章 基于Transformer的文本情感分析編程實踐 111
6.1 Transformer相關理論知識 111
6.1.1 Transformer基本結構 111
6.1.2 注意力機制 112
6.1.3 位置編碼 116
6.2 TensorFlow 2.0 API詳解 117
6.2.1 tf.keras.preprocessing.text.Tokenizer 117
6.2.2 tf.keras.preprocessing.sequence.pad_sequences 118
6.2.3 tf.data.Dataset.from_tensor_slices 118
6.2.4 tf.keras.layers.Embedding 118
6.2.5 tf.keras.layers.Dense 119
6.2.6 tf.keras.optimizers.Adam 119
6.2.7 tf.optimizers.schedules.LearningRateSchedule 120
6.2.8 tf.keras.layers.Conv1D 120
6.2.9 tf.nn.moments 121
6.3 項目工程結構設計 121
6.4 項目實現代碼詳解 122
6.4.1 工具類實現 122
6.4.2 data_util實現 124
6.4.3 textClassiferMode實現 128
6.4.4 執行器實現 138
6.4.5 Web應用實現 142
第7章 基于TensorFlow Serving的模型部署實踐 144
7.1 TensorFlow Serving框架簡介 144
7.1.1 Servable 145
7.1.2 Source 145
7.1.3 Loader 145
7.1.4 Manager 145
7.2 TensorFlow Serving環境搭建 146
7.2.1 基于Docker搭建TensorFlow Serving環境 146
7.2.2 基于Ubuntu 16.04搭建TensorFlow Serving環境 146
7.3 API詳解 147
7.3.1 tf.keras.models.load_model 147
7.3.2 tf.keras.experimental.export_saved_model 147
7.3.3 tf.keras.backend.set_learning_phase 148
7.4 項目工程結構設計 148
7.5 項目實現代碼詳解 149
7.5.1 工具類實現 149
7.5.2 模型文件導出模塊實現 150
7.5.3 模型文件部署模塊實現 150
7.5.4 Web應用模塊實現 152
展開全部
走向TENSORFLOW 2.0:深度學習應用編程快速入門 相關資料
本書探討了開源機器學習軟件庫TensorFlow 2.0的諸多應用實踐，內容涵蓋各種熱門的應用場景，包括圖像識別、自然語言對話機器人、基于生成網絡的圖片風格遷移、文本情感分析等。該書是為“應用落地”而編寫的，每章均附有大量的代碼和注釋，幫助讀者更快地入門和實現應用落地。本書前兩章分別介紹了Python的用法和TensorFlow的基礎，在*后一章又探討了如何將TensorFlow所訓練的模型部署到生產環境中。本書對有志于在相關領域進行研究并快速產出原型的技術人員具有很高的參考價值。
壽黎但
浙江大學計算機學院教授
深度學習在工業領域逐步得到應用，尤其是其與物聯網的結合，在智能家居、智慧城市、智慧交通、智慧醫療、智慧教育、智慧工業等多種行業場景中具有廣闊的發展空間。而在這一發展過程中，培養合格的人工智能與物聯網結合方向的研發人才，實現人工智能技術在工業應用領域的技術落地和實際應用，是人工智能領域教育培訓的一個重要方向。本書詳細介紹了深度學習基本原理和基于TensorFlow 2.0的編程實踐入門，可以為人工智能領域的入門讀者提供非常好的實踐導引。
董亞波
浙江大學計算機學院副教授，人工智能研究所副所長
在與本書作者的項目合作中，借助其豐富的TensorFlow開發經驗，使得項目得以順利進行。有幸能夠看到本書樣章，書中內容短小精悍，有大量實戰樣例。讀者閱讀本書后，能夠快速走進以TensorFlow 2.0為基礎的AI系統開發領域。
牟磊育
中國地震局地球物理研究所 地震數據質量人工智能檢測項目負責人
這一波人工智能浪潮與以往我們所討論的人工智能*的不同，就是其已經迅速在工業領域進行應用；ヂ摼W 人工智能 大數據的時代正在到來，新一代人工智能正加速推進經濟向智能化躍升。因此，投資界非？春媚壳叭斯ぶ悄茉贗OT、5G等方向的應用前景。本書作者以深厚的專業知識和多年的實踐經驗，由淺入深，用生動語言講述了人工智能的基本原理、知識結構、工業應用。相信此書能夠為人工智能愛好者，以及在此領域開展技術研究的讀者提供一個通俗易懂的入門導引，幫助讀者更快捷地進入人工智能應用領域。
詹家芳
原德國林德工程（杭州）有限公司總經理，留美碩士
走向TENSORFLOW 2.0:深度學習應用編程快速入門 作者簡介
趙英。喊⒗镌迫斯ぶ悄茴I域MVP，目前在阿里云從事產業、工業智能方向的解決方案架構師工作，基于數據智能、人工智能等技術和產品解決傳統產業、工業的痛點和難點問題，F個人維護一個優秀的開源NLP項目——基于Seq2Seq的中文智能聊天機器人，目前GitHub stars超過1100。
書友推薦
- >
推拿
- >
山海經
- >
巴金－再思錄
- >
月亮虎
- >
朝聞道
- >
莉莉和章魚
- >
苦雨齋序跋文-周作人自編集
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
