作品简介

TensorFlow是谷歌2015年开源的主流深度学习框架,目前已得到广泛应用。本书为TensorFlow入门参考书,旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导,从实际应用问题出发,通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验,是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow0.9.0升级到了TensorFlow1.4.0。在升级API的同时,第2版也补充了更多只有TensorFlow1.4.0才支持的功能。另外,第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。

郑泽宇,2011年获北京大学计算机学士学位,2013年获卡内基梅隆大学计算机硕士学位,前谷歌高级工程师,现为才云科技(Caicloud.io)联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题,带领团队成功开发国内成熟的分布式TensorFlow深度学习平台,在机器学习、人工智能领域有着丰富的经验。

梁博文,谷歌工程师。2011年获北京大学计算机学士学位,2013年获哥伦比亚大学计算机硕士学位,同年加入谷歌翻译组,参与并领导了多个项目,负责了3个语言的翻译模型的研发工作,在自然语言处理方面有丰富经验,在统计翻译模型、神经网络翻译模型、语料数据清洗等方面均有深入研究。

作品目录

  • 作者介绍
  • 推荐序1
  • 推荐序2
  • 前言
  • 第1章 深度学习简介
  • 1.1 人工智能、机器学习与深度学习
  • 1.2 深度学习的发展历程
  • 1.3 深度学习的应用
  • 1.4 深度学习工具介绍和对比
  • 小结
  • 第2章 TensorFlow环境搭建
  • 2.1 TensorFlow的主要依赖包
  • 2.2 TensorFlow安装
  • 2.3 TensorFlow测试样例
  • 小结
  • 第3章 TensorFlow入门
  • 3.1 TensorFlow计算模型——计算图
  • 3.2 TensorFlow数据模型——张量
  • 3.3 TensorFlow运行模型——会话
  • 3.4 TensorFlow实现神经网络
  • 小结
  • 第4章 深层神经网络
  • 4.1 深度学习与深层神经网络
  • 4.2 损失函数定义
  • 4.3 神经网络优化算法
  • 4.4 神经网络进一步优化
  • 小结
  • 第5章 MNIST数字识别问题
  • 5.1 MNIST数据处理
  • 5.2 神经网络模型训练及不同模型结果对比
  • 5.3 变量管理
  • 5.4 TensorFlow模型持久化
  • 5.5 TensorFlow最佳实践样例程序
  • 小结
  • 第6章 图像识别与卷积神经网络
  • 6.1 图像识别问题简介及经典数据集
  • 6.2 卷积神经网络简介
  • 6.3 卷积神经网络常用结构
  • 6.4 经典卷积网络模型
  • 6.5 卷积神经网络迁移学习
  • 小结
  • 第7章 图像数据处理
  • 7.1 TFRecord输入数据格式
  • 7.2 图像数据处理
  • 7.3 多线程输入数据处理框架
  • 7.4 数据集(Dataset)
  • 小结
  • 第8章 循环神经网络
  • 8.2 长短时记忆网络(LSTM)结构
  • 8.3 循环神经网络的变种
  • 8.4 循环神经网络样例应用
  • 小结
  • 第9章 自然语言处理
  • 9.1 语言模型的背景知识
  • 9.2 神经语言模型
  • 9.3 神经网络机器翻译
  • 小结
  • 第10章 TensorFlow高层封装
  • 10.1 TensorFlow高层封装总览
  • 10.2 Keras介绍
  • 10.3 Estimator介绍
  • 小结
  • 第11章 TensorBoard可视化
  • 11.1 Tensor Board简介
  • 11.2 TensorFlow计算图可视化
  • 11.3 监控指标可视化
  • 11.4 高维向量可视化
  • 小结
  • 第12章 TensorFlow计算加速
  • 12.1 TensorFlow使用GPU
  • 12.2 深度学习训练并行模式
  • 12.3 多GPU并行
  • 12.4 分布式TensorFlow
  • 小结
展开全部