精通TensorFlow

定　價：￥89.00

作　者：	[美] 阿曼多·凡丹戈（Armando Fandango）著，劉波，何希平譯
出版社：	機械工業(yè)出版社
叢編項：	深度學習系列
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111614364	出版時間：	2019-01-01	包裝：	平裝
開本：	16開	頁數：	315	字數：

內容簡介

　　TensorFlow是目前流行的數值計算庫，專用于構建分布式、云計算和移動環(huán)境。TensorFlow將數據表示為張量，將計算表示為計算圖。《精通TensorFlow》是一本綜合指南，可讓您理解TensorFlow 1.x的高級功能，深入了解TensorFlow 內核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用遷移學習、生成對抗網絡和深度強化學習等概念來構建深度學習模型。通過本書，您將獲得在各種數據集（例如 MNIST、CIFAR-10、PTB、text8和COCO圖像）上的實踐經驗。您還能夠學習TensorFlow1.x的高級功能，例如分布式TensorFlow，使用TensorFlow服務部署生產模型，以及在Android和iOS平臺上為移動和嵌入式設備構建和部署TensorFlow模型。您將看到如何在R統(tǒng)計軟件中調用 TensorFlow和Keras API，還能了解在TensorFlow的代碼無法按預期工作時所需的調試技術?！毒═ensorFlow》可幫助您深入了解TensorFlow，使您成為解決人工智能問題的專家?？傊趯W習本書之后，可掌握TensorFlow和Keras的產品，并獲得構建更智能、更快速、更高效的機器學習和深度學習系統(tǒng)所需的技能。

作者簡介

　　Armando Fandango利用自己在深度學習、計算方法和分布式計算方面的專業(yè)知識，創(chuàng)造了人工智能（AI）產品。他為Owen.ai公司在AI產品戰(zhàn)略方面提供建議。他創(chuàng)建了NeuraSights公司，其目標是利用神經網絡創(chuàng)建有技術深度的產品。他還創(chuàng)建了Vets2Data公司，這家非盈利機構主要幫助美國退役軍人掌握AI技能。Armando出版了2本專著，并在國際期刊和會議上發(fā)表了他的研究成果。

圖書目錄

譯者序
原書序
原書前言
第 1章　TensorFlow 101 // 1
1.1　什么是 TensorFlow // 1
1.2　TensorFlow內核 // 2
1.2.1　簡單的示例代碼 -Hello TensorFlow // 2
1.2.2　張量 // 3
1.2.3　常量 // 4
1.2.4　操作 // 5
1.2.5　占位符 // 6
1.2.6　從 Python對象創(chuàng)建張量 // 7
1.2.7　變量 // 9
1.2.8　由庫函數生成的張量 // 10
1.2.9　通過 tf.get_variable( )獲取變量 // 13
1.3　數據流圖或計算圖 // 14
1.3.1　執(zhí)行順序和延遲加載 // 15
1.3.2　跨計算設備執(zhí)行計算圖 -CPU和 GPU // 15
1.3.3　多個計算圖 // 18
1.4　TensorBoard // 19
1.4.1　TensorBoard最小的例子 // 19
1.4.2　TensorBoard的細節(jié) // 21
1.5　總結 // 21
第 2章　TensorFlow的高級庫 // 22
2.1　TF Estimator // 22
2.2　TF Slim // 24
2.3　TFLearn // 25
2.3.1　創(chuàng)建 TFLearn層 // 26
2.3.2　創(chuàng)建 TFLearn模型 // 30
2.3.3　訓練 TFLearn模型 // 30
2.3.4　使用 TFLearn模型 // 30
2.4　PrettyTensor // 31
2.5　Sonnet // 32
2.6　總結 // 34
第 3章　Keras101 // 35
3.1　安裝 Keras // 35
3.2　Keras的神經網絡模型 // 36
3.2.1　在 Keras中創(chuàng)建模型的過程 // 36
3.3　創(chuàng)建 Keras模型 // 36
3.3.1　用于創(chuàng)建 Keras模型的序列化 API // 36
3.3.2　用于創(chuàng)建 Keras模型的功能性 API // 37
3.4　Keras的層 // 37
3.4.1　Keras內核層 // 37
3.4.2　Keras卷積層 // 38
3.4.3　Keras池化層 // 38
3.4.4　Keras局連接層 // 39
3.4.5　Keras循環(huán)層 // 39
3.4.6　Keras嵌入層 // 39
3.4.7　Keras合并層 // 39
3.4.8　Keras高級激活層 // 40
3.4.9　Keras歸一化層 // 40
3.4.10　Keras噪聲層 // 40
3.5　將網絡層添加到 Keras模型中 // 40
3.5.1　利用序列化 API將網絡層添加到 Keras模型中 // 40
3.5.2　利用功能性 API將網絡層添加到 Keras模型中 // 41
3.6　編譯 Keras模型 // 41
3.7　訓練 Keras模型 // 42
3.8　使用 Keras模型進行預測 // 42
3.9　Keras中的其他模塊 // 43
3.10　基于 MNIST數據集的 Keras順序模型示例 // 43
3.11　總結 // 45
第 4章　基于TensorFlow的經典機器學習算法 // 47
4.1　簡單的線性回歸 // 48
4.1.1　數據準備 // 49
4.1.2　建立簡單的回歸模型 // 50
4.1.3　使用訓練好的模型進行預測 // 55
4.2　多元回歸 // 55
4.3　正則化回歸 // 58
4.3.1　Lasso正則化 // 59
4.3.2　嶺正則化 // 62
4.3.3　彈性網正則化 // 64
4.4　使用 Logistic回歸進行分類 // 65
4.4.1　二分類的 Logistic回歸 // 65
4.4.2　多類分類的 Logistic回歸 // 66
4.5　二分類 // 66
4.6　多分類 // 69
4.7　總結 // 73
第 5章　基于 TensorFlow和 Keras的神經網絡和多層感知機 // 74
5.1　感知機 // 74
5.2　多層感知機 // 76
5.3　用于圖像分類的多層感知機 // 77
5.3.1　通過 TensorFlow構建用于 MNIST分類的多層感知機 // 77
5.3.2　通過 Keras構建用于 MNIST分類的多層感知機 // 83
5.3.3　通過 TFLearn構建用于 MNIST分類的多層感知機 // 85
5.3.4　多層感知機與 TensorFlow、 Keras和 TFLearn的總結 // 86
5.4　用于時間序列回歸的多層感知機 // 86
5.5　總結 // 89
第 6章　基于TensorFlow和Keras的 RNN // 90
6.1　簡單 RNN // 90
6.2　RNN改進版本 // 92
6.3　LSTM網絡 // 93
6.4　GRU網絡 // 95
6.5　基于TensorFlow的 RNN // 96
6.5.1　TensorFlow的RNN單元類 // 96
6.5.2　 TensorFlow 的RNN模型構造類 // 97
6.5.3　 TensorFlow的 RNN單元封裝類 // 97
6.6　基于Keras的 RNN // 98
6.7　RNN的應用領域 // 98
6.8　將基于Keras的 RNN用于MNIST數據 // 99
6.9　總結 // 100
第 7章　基于TensorFlow和 Keras的 RNN在時間序列數據中的應用 //101
7.1　航空公司乘客數據集 // 101
7.1.1　加載 airpass數據集 // 102
7.1.2　可視化 airpass數據集 // 102
7.2　使用TensorFlow為 RNN模型預處理數據集 // 103
7.3　TensorFlow中的簡單 RNN // 104
7.4　TensorFlow中的 LSTM網絡 // 106
7.5　TensorFlow中的 GRU網絡 // 107
7.6　使用 Keras為 RNN模型預處理數據集 // 108
7.7　基于 Keras的簡單 RNN // 109
7.8　基于 Keras的 LSTM網絡 // 111
7.9　基于 Keras的 GRU網絡 // 112
7.10　總結 // 113
第 8章　基于TensorFlow和 Keras的RNN在文本數據中的應用 // 114
8.1　詞向量表示 // 114
8.2　為 word2vec模型準備數據 // 116
8.2.1　加載和準備PTB數據集 // 117
8.2.2　加載和準備text8數據集 // 118
8.2.3　準備小的驗證集 // 119
8.3　使用TensorFlow的 skip-gram模型 // 119
8.4　使用t-SNE可視化單詞嵌入 // 124
8.5　基于Keras的 skip-gram模型 // 126
8.6　使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1　使用TensorFlow中的 LSTM模型生成文本 // 131
8