從零開始學TensorFlow 2.0

定　價：￥79.00

作　者：	趙銘著
出版社：	電子工業(yè)出版社
叢編項：	循序漸進學AI系列叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥75.80)

ISBN：	9787121393761	出版時間：	2020-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	268	字數(shù)：

內容簡介

　　本書從TensorFlow 2.0的基礎知識講起，深入介紹TensorFlow 2.0的進階實戰(zhàn)，并配合項目實戰(zhàn)案例，重點介紹使用TensorFlow 2.0的新特性進行機器學習的方法，使讀者能夠系統(tǒng)地學習機器學習的相關知識，并對TensorFlow 2.0的新特性有更深入的理解。本書共14章，主要介紹機器學習、TensorFlow 2.0基礎、張量、數(shù)據(jù)層、CNN等內容，中間還穿插了機器學習中常見的圖形識別、文本處理和對抗訓練等實例，以幫助讀者理解TensorFlow 2.0。本書著重介紹了在TensorFlow 2.0中使用Keras的方法，Keras是TensorFlow 2.0中的重點概念，十分有必要對其進行學習。本書內容通俗易懂、案例豐富、實用性強，特別適用于TensorFlow 2.0的入門者和進階者，以及有志從事機器學習的愛好者，本書還適合用作相關機構的培訓教材。

作者簡介

　　趙銘：互聯(lián)網(wǎng)20年從業(yè)者，目前就職于醫(yī)療大數(shù)據(jù)行業(yè)，從事數(shù)據(jù)倉庫、數(shù)據(jù)分析和知識圖譜等方面的研究。跟進了多個從0到1的項目，在項目調研、項目執(zhí)行、項目推廣和項目維護工作中均有不同程度的參與。曾在人人網(wǎng)擔任基礎架構工程師，在粉絲網(wǎng)擔任SRE部門開發(fā)工程師。在多年的工作中，積累了一定的開發(fā)經(jīng)驗。歐鐵軍：擁有15年軟件和互聯(lián)網(wǎng)工作背景。曾任IBM中國研究院研究員、高級軟件工程師，成功完成多個IBM產品線的前沿研究工作，并在供應鏈、業(yè)務流程、智慧城市領域實施了多個大型項目；曾任國美庫巴網(wǎng)CTO，在國美收購庫巴網(wǎng)一案中起到了關鍵作用。在之后的幾年里，分別在3家創(chuàng)業(yè)公司擔任CTO，帶領團隊在云計算、O2O、C2B領域完成了多次技術攻關。擁有多項計算機工程領域專利，發(fā)表了多篇學術論文。

圖書目錄

第1章人工智能的概念\t1
1．1 機器學習\t1
1．2 神經(jīng)網(wǎng)絡\t3
1．3 常用的深度學習框架\t3
第2章 TensorFlow初探\t5
2．1 在Linux系統(tǒng)中安裝TensorFlow 2．0\t5
2．2 在Linux系統(tǒng)中安裝TensorFlow 2．0的GPU版本\t5
2．3 在Windows系統(tǒng)中安裝TensorFlow 2．0\t6
2．4 在Windows系統(tǒng)中安裝TensorFlow 2．0的GPU版本\t14
第3章 TensorFlow的基礎概念\t17
3．1 張量\t17
3．2 GPU加速\t19
3．3 數(shù)據(jù)集\t20
3．4 自定義層\t22
3．4．1 網(wǎng)絡層的常見操作\t22
3．4．2 自定義網(wǎng)絡層\t24
3．4．3 網(wǎng)絡層組合\t25
3．4．4 自動求導\t26
第4章 TensorFlow與多層感知器\t30
4．1 MLP簡介\t30
4．2 基礎MLP網(wǎng)絡\t30
4．2．1 回歸分析\t30
4．2．2 分類任務\t33
4．3 基礎模型\t36
4．4 權重初始化\t39
4．5 激活函數(shù)\t41
4．6 批標準化\t44
4．7 dropout\t46
4．8 模型集成\t48
4．9 優(yōu)化器\t49
第5章 TensorFlow與卷積神經(jīng)網(wǎng)絡\t52
5．1 基礎卷積神經(jīng)網(wǎng)絡\t52
5．2 卷積層的概念及示例\t53
5．3 池化層的概念及示例\t54
5．4 全連接層的概念及示例\t55
5．5 模型的概念、配置及訓練\t57
第6章 TensorFlow自編碼器\t60
6．1 自編碼器簡介\t60
6．2 卷積自編碼器\t64
第7章 TensorFlow高級編程\t68
7．1 Keras基礎\t68
7．1．1 構造數(shù)據(jù)\t68
7．1．2 樣本權重和類權重\t70
7．1．3 回調\t72
7．2 函數(shù)式API\t76
7．2．1 構建簡單的網(wǎng)絡\t76
7．2．2 構建多個模型\t78
7．2．3 兩種典型的復雜網(wǎng)絡\t82
7．3 使用Keras自定義網(wǎng)絡層和模型\t86
7．3．1 構建簡單網(wǎng)絡\t86
7．3．2 構建自定義模型\t90
7．4 Keras訓練模型\t94
7．4．1 常見模型的訓練流程\t94
7．4．2 自定義指標\t96
7．4．3 自定義訓練和驗證循環(huán)\t100
7．5 Keras模型的保存\t106
第8章 TensorFlow文本分類\t121
8．1 簡單文本分類\t121
8．2 卷積文本分類\t131
8．3 RNN文本分類\t143
第9章 TensorFlow圖像處理\t152
9．1 圖像分類\t152
9．2 圖像識別\t162
9．3 生成對抗網(wǎng)絡\t168
第10章 TensorFlow決策樹\t180
10．1 Boosted Trees簡介\t180
10．2 數(shù)據(jù)預測\t180
第11章 TensorFlow過擬合和欠擬合\t197
11．1 過擬合和欠擬合的基本概念\t197
11．2 過擬合和欠擬合\t197
11．3 優(yōu)化方法\t208
11．3．1 dropout優(yōu)化方案\t208
11．3．2 L2正則化優(yōu)化\t212
第12章 TensorFlow結構化數(shù)據(jù)\t217
12．1 數(shù)字列\(zhòng)t219
12．2 bucketized列\(zhòng)t220
12．3 類別列\(zhòng)t222
12．4 嵌入列\(zhòng)t223
12．5 哈希特征列\(zhòng)t224
12．6 交叉功能列\(zhòng)t226
12．7 結構化數(shù)據(jù)的使用\t227
第13章 TensorFlow回歸\t233
13．1 一元線性回歸\t233
13．2 多元線性回歸\t237
13．3 汽車油耗回歸示例\t241