TensorFlow 2學(xué)習(xí)指南

定　價(jià)：￥79.00

作　者：	[英] 托尼·霍爾德羅伊德（Tony Holdroyd）著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	人工智能科學(xué)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302564638	出版時(shí)間：	2020-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	168	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《TensorFlow 2學(xué)習(xí)指南》探討了TensorFlow 2的諸多應(yīng)用實(shí)踐，內(nèi)容涵蓋各種熱門的應(yīng)用場(chǎng)景，包括波士頓房?jī)r(jià)、圖像去噪、圖像識(shí)別、圖像風(fēng)格遷移、文本生成、文本情感分析等。同時(shí)深刻剖析了TensorFlow 2在每個(gè)人工智能細(xì)分方向的應(yīng)用實(shí)踐，專門為“應(yīng)用落地”而編寫。書中每章聚焦一個(gè)具體的技術(shù)，提供多個(gè)詳細(xì)的案例，并附有大量的代碼和注釋，幫助讀者快速入門和熟練掌握。《TensorFlow 2學(xué)習(xí)指南》可作為廣大對(duì)TensorFlow感興趣的讀者的參考書，也可作為高等院校計(jì)算機(jī)、人工智能等相關(guān)專業(yè)的教材。

作者簡(jiǎn)介

　　Tony Holdroyd畢業(yè)于杜倫大學(xué)，主修數(shù)學(xué)和物理，具有MCSD、MCSD．net和SCJP等技術(shù)資格。隨后獲得倫敦大學(xué)計(jì)算機(jī)科學(xué)碩士學(xué)位。曾任計(jì)算機(jī)科學(xué)和數(shù)學(xué)專業(yè)的高級(jí)講師，負(fù)責(zé)設(shè)計(jì)和教授C、C++、Java、C#和SQL等多種語言的編程課程。Tony對(duì)神經(jīng)網(wǎng)絡(luò)的熱情源于碩士論文所做的研究，在碩士期間還開發(fā)了多個(gè)機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)應(yīng)用程序，并建議媒體行業(yè)將深度學(xué)習(xí)應(yīng)用于圖像和音樂處理。

圖書目錄

目錄

第一部分TensorFlow 2基本內(nèi)容介紹

第1章TensorFlow 2 簡(jiǎn)介

1．1初識(shí)TensorFlow生態(tài)系統(tǒng)

1．2TensorFlow的安裝

1．3內(nèi)務(wù)管理和Eager操作

1．3．1導(dǎo)入TensorFlow

1．3．2TensorFlow的編碼風(fēng)格約定

1．3．3動(dòng)態(tài)圖機(jī)制

1．3．4聲明Eager變量

1．3．5聲明TensorFlow常量

1．3．6創(chuàng)建tensor張量

1．3．7張量的秩(維數(shù))

1．3．8指定張量的元素

1．3．9將張量轉(zhuǎn)換為NumPy/Python變量

1．3．10計(jì)算張量的大小(元素?cái)?shù))

1．3．11查看張量的數(shù)據(jù)類型

1．3．12張量元素的基本運(yùn)算規(guī)則

1．3．13廣播機(jī)制

1．3．14TensorFlow轉(zhuǎn)置和矩陣乘法

1．3．15張量數(shù)據(jù)類型的轉(zhuǎn)換

1．3．16聲明不規(guī)則張量

1．4TensorFlow的基本操作

1．4．1計(jì)算張量的平方差

1．4．2計(jì)算平均值

1．4．3隨機(jī)初始化張量

1．4．4查找最大和最小元素的索引

1．4．5使用檢查點(diǎn)保存和恢復(fù)張量值

1．4．6tf．function

1．5小結(jié)

第2章TensorFlow 2的高級(jí)API——Keras

2．1Keras的使用情況及優(yōu)勢(shì)

2．2Keras特性

2．3Keras默認(rèn)配置文件

2．4Keras后端

2．5Keras數(shù)據(jù)類型

2．6Keras模型

2．6．1Keras序列模型

2．6．2Keras函數(shù)式API

2．6．3子類化Keras模型類

2．6．4使用數(shù)據(jù)管道

2．6．5保存和加載Keras模型

2．6．6Keras數(shù)據(jù)集

2．7小結(jié)

第3章基于TensorFlow 2的ANN技術(shù)

3．1獲取數(shù)據(jù)集

3．1．1從NumPy數(shù)組獲取數(shù)據(jù)

3．1．2從CSV文件獲取數(shù)據(jù)

3．1．3使用TFRecords存取數(shù)據(jù)

3．1．4使用獨(dú)熱編碼處理數(shù)據(jù)

3．2ANN層

3．2．1全連接層

3．2．2卷積層

3．2．3最大池化層

3．2．4批標(biāo)準(zhǔn)化層和Dropout層

3．2．5Softmax層

3．3激活函數(shù)

3．4創(chuàng)建模型

3．5梯度計(jì)算

3．6損失函數(shù)

3．7小結(jié)

第二部分TensorFlow 2中的有監(jiān)督和無監(jiān)督學(xué)習(xí)

第4章基于TensorFlow 2的有監(jiān)督學(xué)習(xí)

4．1有監(jiān)督學(xué)習(xí)

4．2線性回歸

4．3第一個(gè)線性回歸示例

4．4波士頓房?jī)r(jià)數(shù)據(jù)集

4．5邏輯回歸(分類)

4．6k最近鄰(KNN)

4．7小結(jié)

第5章基于TensorFlow 2的無監(jiān)督學(xué)習(xí)

5．1自動(dòng)編碼器

5．2一個(gè)簡(jiǎn)單的自動(dòng)編碼器

5．2．1數(shù)據(jù)預(yù)處理

5．2．2訓(xùn)練

5．2．3結(jié)果顯示

5．3自動(dòng)編碼器的應(yīng)用——去噪

5．3．1設(shè)置

5．3．2數(shù)據(jù)預(yù)處理

5．3．3帶噪聲的圖像

5．3．4創(chuàng)建編碼層

5．3．5創(chuàng)建解碼層

5．3．6模型概要

5．3．7模型實(shí)例化、編譯和訓(xùn)練

5．3．8圖像去噪

5．3．9TensorBoard輸出

5．4小結(jié)

第三部分TensorFlow 2的神經(jīng)網(wǎng)絡(luò)應(yīng)用

第6章基于TensorFlow 2的圖像識(shí)別

6．1基于TensorFlow的Quick Draw圖像分類

6．1．1數(shù)據(jù)獲取

6．1．2設(shè)置環(huán)境

6．1．3數(shù)據(jù)預(yù)處理

6．1．4模型創(chuàng)建

6．1．5模型訓(xùn)練和測(cè)試

6．1．6TensorBoard回調(diào)函數(shù)

6．1．7模型保存、加載和重新測(cè)試

6．1．8用．h5格式保存和加載NumPy圖像數(shù)據(jù)

6．1．9預(yù)訓(xùn)練模型的加載和使用

6．2基于TensorFlow的CIFAR 10圖像分類

6．2．1簡(jiǎn)介

6．2．2應(yīng)用

6．3小結(jié)

第7章基于TensorFlow 2的圖像風(fēng)格遷移

7．1導(dǎo)入配置

7．2圖像預(yù)處理

7．3查看原始圖像

7．4使用VGG19架構(gòu)

7．5創(chuàng)建模型

7．6計(jì)算損失

7．7執(zhí)行風(fēng)格遷移

7．8最終展示

7．9小結(jié)

第8章基于TensorFlow 2的循環(huán)神經(jīng)網(wǎng)絡(luò)

8．1神經(jīng)網(wǎng)絡(luò)處理模式

8．2循環(huán)結(jié)構(gòu)

8．3RNN的應(yīng)用

8．4RNN代碼示例

8．5模型構(gòu)建與實(shí)例化

8．6模型訓(xùn)練與使用

8．7小結(jié)

第9章TensorFlow Estimators和TensorFlow Hub

9．1TensorFlow Estimators

9．2TensorFlow Hub

9．2．1IMDB(電影評(píng)論數(shù)據(jù)庫)

9．2．2數(shù)據(jù)集

9．2．3代碼

9．3小結(jié)

附錄從tf1．12轉(zhuǎn)換為tf2