中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
TensorFlow2.X項目實戰 版權信息
- ISBN：9787121397066
- 條形碼：9787121397066 ; 978-7-121-39706-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
TensorFlow2.X項目實戰 本書特色
適讀人群 ：適合有人工智能、TensorFlow基礎，但只有零散的知識，沒有工程能力，無法將所學組裝成真正項目的讀者。基于2.X版本 覆蓋了TF的大量接口 實戰案例可應用于真實場景 真正把學習落實到項目和代碼中
TensorFlow2.X項目實戰 內容簡介
本書基于TensorFlow 2.1版本進行編寫。書中內容分為4篇。 篇包括TensorFlow的安裝、使用方法。這部分內容可以使讀者快速上手TensorFlow工具。 第2篇包括數據集制作、特征工程等數據預處理工作，以及與數值分析相關的模型（其中包括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篇從自然語言處理、計算機視覺兩個應用方向介紹了基礎的算法原理和主流的模型。具體包括：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篇介紹了生成式模型和零次學習兩種技術，其中系統地介紹了信息熵、歸一化、f-GAN、很優傳輸、Sinkhorn算法，以及變分自編碼、DeblurGAN、AttGAN、DIM、VSC等模型。 本書結構清晰、案例豐富、通俗易懂、實用性強，適合對人工智能、TensorFlow感興趣的讀者作為自學教程。另外，本書也適合社會培訓學校作為培訓教材，還適合計算機相關專業作為教學參考書。
TensorFlow2.X項目實戰 目錄
=======第1 篇 準備
第1 章 學習準備 /．． 2
1．1 什么是TensorFlow 框架 /． 2
1．2 如何學習本書 /．．． 3
/
第2 章 快速上手TensorFlow /．． 5
2．1 配置TensorFlow 環境 /． 5
2．2 訓練模型的兩種方式 / 13
2．2．1 “靜態圖”方式 /．．．13
2．2．2 “動態圖”方式 /．．．14
2．3 實例1：用靜態圖訓練模型，使其能夠從一組數據中找到y≈2x 規律 15
2．4 實例2：用動態圖訓練一個具有保存檢查點功能的回歸模型 24
/
第3 章 TensorFlow 2．X 編程基礎 /．． 28
3．1 動態圖的編程方式 /． 28
3．1．1 實例3：在動態圖中獲取參數 /．．．28
3．1．2 實例4：在靜態圖中使用動態圖 /．．．31
3．1．3 什么是自動圖 /．．32
3．2 掌握估算器框架接口的應用 / 33
3．3 實例7：將估算器模型轉化成靜態圖模型 49
3．4 實例8：用估算器框架實現分布式部署訓練 54
3．5 掌握tf．keras 接口的應用 /．．． 58
3．6 分配運算資源與使用分布策略 ．． 72
3．7 用tfdbg 調試TensorFlow 模型 ．．． 75
3．8 用自動混合精度加速模型訓練 ．． 75
/
=======第2 篇 基礎
第4 章 用TensorFlow 制作自己的數據集 80
4．1 數據集的基本介紹 /． 80
4．2 實例11：將模擬數據制作成內存對象數據集 ．． 82
4．3 實例12：將圖片制作成內存對象數據集 ．． 88
4．4 實例13：將Excel 文件制作成內存對象數據集 ．．． 94
4．5 實例14：將圖片文件制作成TFRecord 數據集 ．．． 98
4．6 實例15：將內存對象制作成Dataset 數據集 ．． 104
4．7 實例16：將圖片文件制作成Dataset 數據集 ．． 117
4．7．1 代碼實現：讀取樣本文件的目錄及標簽 ．． 117
4．8 實例17：在動態圖中讀取Dataset 數據集 ．． 123
4．9 實例18：在不同場景中使用數據集 125
4．10 tf．data．Dataset 接口的更多應用 ．． 129
/
第5 章 數值分析與特征工程 / 130
5．1 什么是特征工程 /．．． 130
5．1．1 特征工程的作用 /． 130
5．1．2 特征工程的方法 /． 131
5．1．3 離散數據特征與連續數據特征 / 131
5．1．4 連續數據與離散數據的相互轉換 / 132
5．2 什么是特征列接口 /．． 132
5．2．1 實例19：用feature_column 模塊處理連續值特征列 ．． 132
5．2．2 實例20：將連續值特征列轉換成離散值特征列 ． 136
5．2．3 實例21：將離散文本特征列轉換為one-hot 編碼與詞向量 ．．． 139
5．2．4 實例22：根據特征列生成交叉列 ． 147
5．2．5 了解序列特征列接口 /． 148
5．2．6 實例23：使用序列特征列接口對文本數據預處理 ． 149
5．3 實例24：用wide_deep 模型預測人口收入 153
5．4 實例25：梯度提升樹（TFBT）接口的應用 ．． 170
5．5 實例26：基于知識圖譜的電影推薦系統 173
5．6 實例27：預測飛機發動機的剩余使用壽命 182
/
=======第3 篇 進階
第6 章 自然語言處理 /．．． 200
6．1 BERT 模型與NLP 的發展階段 200
6．2 實例28：用TextCNN 模型分析評論者是否滿意 ．． 201
6．2．1 什么是卷積神經網絡 /． 201
6．2．2 模型任務與數據集介紹 /． 202
6．2．3 熟悉模型：了解TextCNN 模型 /．． 202
6．2．4 數據預處理：用preprocessing 接口制作字典 ．． 203
6．2．5 代碼實現：生成NLP 文本數據集 206
6．2．6 代碼實現：定義TextCNN 模型 /．． 208
6．2．7 運行程序 / 210
6．3 實例29：用帶有注意力機制的模型分析評論者是否滿意 210
6．4 實例30：用帶有動態路由的RNN 模型實現文本分類任務 ． 224
6．5 NLP 中的常見任務及數據集 236
6．6 了解Transformers 庫 /．．． 239
6．7 實例31：用管道方式完成多種NLP 任務 ．． 243
6．8 Transformers 庫中的自動模型類（TFAutoModel） ．．． 255
6．9 Transformers 庫中的BERTology 系列模型 ． 259
6．10 Transformers 庫中的詞表工具 269
6．11 BERTology 系列模型 /． 281
6．12 用遷移學習訓練BERT 模型來對中文分類 ．．． 300
/
第7 章 機器視覺處理 /．．． 307
7．1 實例34：使用預訓練模型識別圖像 307
7．2 了解EfficientNet 系列模型 /． 311
7．3 實例36：在估算器框架中用tf．keras 接口訓練ResNet 模型，識別圖片中是橘子還是蘋果 /．． 325
7．3．1 樣本準備 / 325
7．3．2 代碼實現：準備訓練與測試數據集 ．． 326
7．3．3 代碼實現：制作模型輸入函數 / 326
7．3．4 代碼實現：搭建ResNet 模型 /．． 327
7．3．5 代碼實現：訓練分類器模型 / 328
7．3．6 運行程序：評估模型 /． 329
7．3．7 擴展：全連接網絡的優化 / 330
7．3．8 在微調過程中如何選取預訓練模型 ．． 330
7．4 基于圖片內容的處理任務 /．． 331
7．5 實例37：用YOLO V3 模型識別門牌號 ． 341
/
=======第4 篇 高級
第8 章 生成式模型――能夠輸出內容的模型 ． 364
8．1 快速了解信息熵（information entropy） 364
8．2 通用的無監督模型――自編碼與對抗神經網絡 ． 372
8．3 實例38：用多種方法實現變分自編碼神經網絡 373
8．4 常用的批量歸一化方法 /．． 386
8．5 實例39：構建DeblurGAN 模型，將模糊照片變清晰 ．． 388
8．6 全面了解WGAN 模型 / 404
8．7 實例40：構建AttGAN 模型，對照片進行加胡子、加頭簾、加眼鏡、變年輕等修改/．． 411
8．8 散度在神經網絡中的應用 /．． 440
8．9 實例42：用*大化互信息（DIM）模型做一個圖片搜索器 453
/
第9 章 識別未知分類的方法――零次學習 ． 464
9．1 了解零次學習 /．．． 464
9．2 零次學習中的常見難點 /．． 469
9．3 帶有視覺結構約束的直推ZSL（VSC 模型） 472
9．4 詳解Sinkhorn 迭代算法 /．． 481
9．5 實例43：用VSC 模型識別圖片中的鳥屬于什么類別 ．． 490
9．5．1 模型任務與樣本介紹 /． 490
9．5．2 用遷移學習的方式獲得訓練集分類模型 ．． 492
9．5．3 用分類模型提取圖片的視覺特征 / 492
9．5．4 代碼實現：訓練VSC 模型，將類屬性特征轉換成類視覺特征 ． 493
9．5．5 代碼實現：基于W 距離的損失函數 494
9．5．6 加載數據并進行訓練 /． 495
9．5．7 代碼實現：根據特征距離對圖片進行分類 ．． 496
9．6 提升零次學習精度的方法 /．． 497
9．6．1 分析視覺特征的質量 /． 497
9．6．2 分析直推式學習的效果 /． 499
9．6．3 分析直推模型的能力 /． 499
9．6．4 分析未知類別的聚類效果 / 500
9．6．5 清洗測試數據集 /． 502
9．6．6 利用可視化方法進行輔助分析 / 503
后記――讓技術更好地商業化落地 /． 505
展開全部
TensorFlow2.X項目實戰 作者簡介
李金洪，精通c、c++、匯編、python、java、go等語言。擅長神經網絡、算法、協議分析、逆向、移動互聯網安全架構等技術 先后擔任過CAD算法工程師、手機游戲主程、架構師、項目經理、CTO、部門經理、資深產品總監等職位，也曾自主創業過。
書友推薦
- >
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)
- >
山海經
- >
龍榆生：詞曲概論/大家小書
- >
名家帶你讀魯迅:朝花夕拾
- >
我從未如此眷戀人間
- >
唐代進士錄
- >
月亮虎
- >
自卑與超越
本類暢銷
