面向機(jī)器智能的TensorFlow實踐

定　價：￥69.00

作　者：	[美] 山姆·亞伯拉罕（Sam Abrahams），丹尼亞爾·哈夫納（Danijar Hafner），埃里克·厄威特，阿里爾·斯卡爾皮內(nèi)里著；段菲，陳澎譯
出版社：	機(jī)械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	計算機(jī)/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787111563891	出版時間：	2017-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	212	字?jǐn)?shù)：

內(nèi)容簡介

　　本書是一本*佳的TensorFlow入門指南。幾位作者都來自研發(fā)一線，他們用自己的寶貴經(jīng)驗，結(jié)合眾多高質(zhì)量的代碼，生動講解TensorFlow的底層原理，并從實踐角度介紹如何將兩種常見模型——深度卷積網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用到圖像理解和自然語言處理的典型任務(wù)中。此外，還介紹了在模型部署和編程中可用的諸多實用技巧。全書分為四部分，共9章。第一部分（第1~2章）討論TensorFlow的設(shè)計模式以及選擇TensorFlow作為深度學(xué)習(xí)庫的優(yōu)勢和面臨的挑戰(zhàn)，并給出詳細(xì)的安裝指南。第二部分（第3~4章）深入介紹TensorFlow API的基礎(chǔ)知識和機(jī)器學(xué)習(xí)基礎(chǔ)。第三部分（第5~6章）探討如何用TensorFlow實現(xiàn)高級深度模型，涉及卷積神經(jīng)網(wǎng)絡(luò)（或CNN）模型和循環(huán)神經(jīng)網(wǎng)絡(luò)（或RNN）模型。第四部分（第7~8章）探討TensorFlow API中*新推出的特性，包括如何準(zhǔn)備用于部署的模型、一些有用的編程模式等。第9章給出一些進(jìn)一步了解TensorFlow的學(xué)習(xí)資源。

作者簡介

　　山姆·亞伯拉罕：數(shù)據(jù)科學(xué)家、工程師，富有經(jīng)驗的TensorFlow貢獻(xiàn)者。丹尼亞爾·哈夫納：谷歌軟件工程師埃里克·厄威特：高級軟件工程師阿里爾·斯卡爾皮內(nèi)里：團(tuán)隊負(fù)責(zé)人，高級Java開發(fā)者段菲，清華大學(xué)信號與信息處理專業(yè)博士，前三星電子中國研究院高級研究員，現(xiàn)為英特爾中國研究院高級研究員。研究方向是深度學(xué)習(xí)、計算機(jī)視覺、數(shù)據(jù)可視化。參與翻譯過《機(jī)器學(xué)習(xí)》《機(jī)器學(xué)習(xí)實踐：測試驅(qū)動的開發(fā)方法》《DirectX103D游戲編程深度探索》等多本圖書。

圖書目錄

譯者序
前言
第一部分　開啟TensorFlow之旅
第1章　引言2
1.1　無處不在的數(shù)據(jù)2
1.2　深度學(xué)習(xí)2
1.3　TensorFlow：一個現(xiàn)代的機(jī)器學(xué)習(xí)庫3
1.4　TensorFlow：技術(shù)概要3
1.5　何為TensorFlow4
1.5.1　解讀來自官網(wǎng)的單句描述4
1.5.2　單句描述未體現(xiàn)的內(nèi)容6
1.6　何時使用TensorFlow7
1.7　TensorFlow的優(yōu)勢8
1.8　使用TensorFlow所面臨的挑戰(zhàn)9
1.9　高歌猛進(jìn)9
第2章　安裝TensorFlow10
2.1　選擇安裝環(huán)境10
2.2　Jupyter Notebook與matplotlib12
2.3　創(chuàng)建Virtualenv環(huán)境12
2.4　TensorFlow的簡易安裝13
2.5　源碼構(gòu)建及安裝實例：在64位Ubuntu Linux上安裝GPU版TensorFlow14
2.5.1　安裝依賴庫14
2.5.2　安裝Bazel15
2.5.3　安裝CUDA軟件（僅限NVIDIA GPU）16
2.5.4　從源碼構(gòu)建和安裝TensorFlow18
2.6　安裝Jupyter Notebook20
2.7　安裝matplotlib20
2.8　測試TensorFlow、Jupyter Notebook及matplotlib21
2.9　本章小結(jié)23
第二部分　TensorFlow與機(jī)器學(xué)習(xí)基礎(chǔ)
第3章　TensorFlow基礎(chǔ)26
3.1　數(shù)據(jù)流圖簡介26
3.1.1　數(shù)據(jù)流圖基礎(chǔ)26
3.1.2　節(jié)點(diǎn)的依賴關(guān)系29
3.2　在TensorFlow中定義數(shù)據(jù)流圖33
3.2.1　構(gòu)建第一個TensorFlow數(shù)據(jù)流圖33
3.2.2　張量思維39
3.2.3　張量的形狀43
3.2.4　TensorFlow的Operation44
3.2.5　TensorFlow的Graph對象46
3.2.6　TensorFlow Session48
3.2.7　利用占位節(jié)點(diǎn)添加輸入52
3.2.8　Variable對象53
3.3　通過名稱作用域組織數(shù)據(jù)流圖56
3.4　練習(xí)：綜合運(yùn)用各種組件61
3.4.1　構(gòu)建數(shù)據(jù)流圖63
3.4.2　運(yùn)行數(shù)據(jù)流圖66
3.5　本章小結(jié)71
第4章　機(jī)器學(xué)習(xí)基礎(chǔ)72
4.1　有監(jiān)督學(xué)習(xí)簡介72
4.2　保存訓(xùn)練檢查點(diǎn)74
4.3　線性回歸76
4.4　對數(shù)幾率回歸78
4.5　softmax分類83
4.6　多層神經(jīng)網(wǎng)絡(luò)85
4.7　梯度下降法與誤差反向傳播算法88
第三部分　用TensorFlow實現(xiàn)更高級的深度模型
第5章　目標(biāo)識別與分類96
5.1　卷積神經(jīng)網(wǎng)絡(luò)97
5.2　卷積100
5.2.1　輸入和卷積核100
5.2.2　跨度102
5.2.3　邊界填充104
5.2.4　數(shù)據(jù)格式104
5.2.5　深入探討卷積核105
5.3　常見層107
5.3.1　卷積層108
5.3.2　激活函數(shù)108
5.3.3　池化層111
5.3.4　歸一化113
5.3.5　高級層114
5.4　圖像與TensorFlow116
5.4.1　加載圖像116
5.4.2　圖像格式117
5.4.3　圖像操作121
5.4.4　顏色127
5.5　CNN的實現(xiàn)129
5.5.1　Stanford Dogs數(shù)據(jù)集129
5.5.2　將圖像轉(zhuǎn)為TFRecord文件130
5.5.3　加載圖像133
5.5.4　模型134
5.5.5　訓(xùn)練136
5.5.6　用TensorBoard調(diào)試濾波器137
5.6　本章小結(jié)139
第6章　循環(huán)神經(jīng)網(wǎng)絡(luò)與自然語言處理140
6.1　循環(huán)神經(jīng)網(wǎng)絡(luò)簡介140
6.1.1　時序的世界140
6.1.2　近似任意程序141
6.1.3　隨時間反向傳播142
6.1.4　序列的編碼和解碼143
6.1.5　實現(xiàn)第一個循環(huán)神經(jīng)網(wǎng)絡(luò)145
6.1.6　梯度消失與梯度爆炸145
6.1.7　長短時記憶網(wǎng)絡(luò)147
6.1.8　RNN結(jié)構(gòu)的變種148
6.2　詞向量嵌入149
6.2.1　準(zhǔn)備維基百科語料庫151
6.2.2　模型結(jié)構(gòu)155
6.2.3　噪聲對比分類器156
6.2.4　訓(xùn)練模型156
6.3　序列分類157
6.3.1　Imdb影評數(shù)據(jù)集158
6.3.2　使用詞向量嵌入159
6.3.3　序列標(biāo)注模型159
6.3.4　來自最后相關(guān)活性值的softmax層161
6.3.5　梯度裁剪162
6.3.6　訓(xùn)練模型163
6.4　序列標(biāo)注164
6.4.1　OCR數(shù)據(jù)集164
6.4.2　時間步之間共享的soft-max層166
6.4.3　訓(xùn)練模型169
6.4.4　雙向RNN171
6.5　預(yù)測編碼174
6.5.1　字符級語言建模174
6.5.2　ArXiv摘要API175
6.5.3　數(shù)據(jù)預(yù)處理177
6.5.4　預(yù)測編碼模型178
6.5.5　訓(xùn)練模型182
6.5.6　生成相似序列185
6.6　本章小結(jié)188
第四部分　其他提示、技術(shù)與特性
第7章　產(chǎn)品環(huán)境中模型的部署190
7.1　搭建TensorFlow服務(wù)開發(fā)環(huán)境190
7.1.1　Docker鏡像190
7.1.2　Bazel工作區(qū)191
7.2　導(dǎo)出訓(xùn)練好的模型192
7.3　定義服務(wù)器接口195
7.4　實現(xiàn)推斷服務(wù)器197
7.5　客戶端應(yīng)用201
7.6　產(chǎn)品準(zhǔn)備203
7.7　本章小結(jié)203
第8章　輔助函數(shù)、代碼結(jié)構(gòu)和類204
8.1　確保目錄結(jié)構(gòu)存在204
8.2　下載函數(shù)204
8.3　磁盤緩存修飾器205
8.4　屬性字典206
8.5　惰性屬性修飾器207
8.6　覆蓋數(shù)據(jù)流圖修飾器209
第9章　結(jié)語：其他資源212