TensorFlow進階指南：基礎、算法與應用

定　價：￥99.00

作　者：	黃鴻波著
出版社：	電子工業(yè)出版社
叢編項：	博文視點AI系列叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121345654	出版時間：	2018-11-01	包裝：	平裝
開本：	16	頁數：	376	字數：

內容簡介

　　《TensorFlow進階指南：基礎、算法與應用》是由人工智能一線從業(yè)專家根據自己日常工作的體會與經驗總結而成的，在對TensorFlow的基礎知識、環(huán)境搭建、神經網絡、常用技術的詳細講解當中穿插了自己實戰(zhàn)的經驗與教訓。更與眾不同的是，《TensorFlow進階指南：基礎、算法與應用》詳細地解析了使用TensorFlow進行深度學習領域中常用模型的搭建、調參和部署整個流程，以及數據集的使用方法，能夠幫助您快速理解和掌握TensorFlow相關技術，最后還用實戰(zhàn)項目幫助您快速地學會TensorFlow開發(fā)，并使用TensorFlow技術來解決實際問題。《TensorFlow進階指南：基礎、算法與應用》代碼主要是在1.6版本的基礎上進行開發(fā)的，同時兼容1.2~1.10的版本，并已得到驗證?！禩ensorFlow進階指南：基礎、算法與應用》主要面向對TensorFlow、深度學習、人工智能具有強烈興趣且希望盡快入門的相關從業(yè)人員、高校相關專業(yè)的教育工作者和在校學生，以及正在從事深度學習工作且希望深入的數據科學家、軟件工程師、大數據平臺工程師、項目管理者等。

作者簡介

　　黃鴻波，珠海金山辦公軟件有限公司（WPS）人工智能領域專家，高級算法工程師，擁有多年軟件開發(fā)經驗。曾在格力電器股份有限公司大數據中心擔任人工智能領域專家，且在多家公司擔任過高級工程師，技術經理，技術總監(jiān)等職務。曾帶領團隊開發(fā)過基于人臉識別技術的智能支付系統、推薦系統、知識圖譜、智能問答系統等。擅長數據挖掘、機器學習、移動開發(fā)等專業(yè)領域，并擁有豐富的實戰(zhàn)經驗。

圖書目錄

第1章人工智能與深度學習 1
1.1 人工智能與機器學習 1
1.2 無處不在的深度學習 6
1.3 如何入門深度學習 7
1.4 主流深度學習框架介紹 13
第2章搭建TensorFlow環(huán)境 15
2.1 基于pip安裝 15
2.1.1 基于Windows環(huán)境安裝TensorFlow 15
2.1.2 基于Linux環(huán)境安裝TensorFlow 22
2.2 基于Java安裝TensorFlow 24
2.3 安裝TensorFlow的常用依賴模塊 27
2.4 Hello TensorFlow 30
2.4.1 MNIST數據集 30
2.4.2 編寫訓練程序 32
2.5 小結 35
第3章 TensorFlow基礎 36
3.1 TensorFlow的系統架構 36
3.1.1 Client 37
3.1.2 Distributed Master 38
3.1.3 Worker Service 39
3.1.4 Kernel Implements 39
3.2 TensorFlow的數據結構——張量 39
3.2.1 什么是張量 39
3.2.2 張量的階 40
3.2.3 張量的形狀 40
3.2.4 數據類型 41
3.3 TensorFlow的計算模型——圖 42
3.3.1 計算圖基礎 42
3.3.2 計算圖的組成 43
3.3.3 計算圖的使用 45
3.3.4 小結 48
3.4 TensorFlow中的會話——Session 48
第4章 TensorFlow中常用的激活函數與神經網絡 50
4.1 激活函數的概念 50
4.2 常用的激活函數 51
4.2.1 Sigmoid函數 51
4.2.2 Tanh函數 53
4.2.3 ReLU函數 55
4.2.4 Softplus函數 57
4.2.5 Softmax函數 58
4.2.6 小結 59
4.3 損失函數的概念 60
4.4 損失函數的分類 63
4.5 常用的損失函數 65
4.5.1 0-1損失函數 65
4.5.2 Log損失函數 66
4.5.3 Hinge損失函數 69
4.5.4 指數損失 70
4.5.5 感知機損失 70
4.5.6 平方（均方）損失函數 71
4.5.7 絕對值損失函數 71
4.5.8 自定義損失函數 71
4.6 正則項 72
4.6.1 L0范數和L1范數 72
4.6.2 L2范數 73
4.6.3 核范數 74
4.7 規(guī)則化參數 76
4.8 易混淆的概念 76
4.9 神經網絡的優(yōu)化方法 77
4.9.1 梯度下降算法 77
4.9.2 隨機梯度下降算法 79
4.9.3 其他的優(yōu)化算法 80
4.9.4 小結 84
4.10 生成式對抗網絡（GAN） 84
4.10.1 CGAN 96
4.10.2 DCGAN 97
4.10.3 WGAN 98
4.10.4 LSGAN 99
4.10.5 BEGAN 100
第5章卷積神經網絡 102
5.1 神經網絡簡介 102
5.1.1 神經元與神經網絡 102
5.1.2 感知器（單層神經網絡）與多層感知器 104
5.2 圖像識別問題 108
5.3 常用的圖像庫介紹 111
5.4 卷積神經網絡簡介 114
5.4.1 CNN的基本原理與卷積核 115
5.4.2 池化 116
5.4.3 再探ReLU 118
5.5 CNN模型 119
5.5.1 LeNet-5模型 119
5.5.2 AlexNet模型 123
5.5.3 Inception模型 130
5.6 用CNN實現MNIST訓練 147
第6章循環(huán)神經網絡 152
6.1 初識循環(huán)神經網絡 152
6.1.1 前饋神經網絡 153
6.1.2 神經網絡中的時序信息 159
6.2 詳解循環(huán)神經網絡 160
6.3 RNN的變種——雙向RNN 163
6.4 One-Hot Encoding 166
6.5 詞向量和word2vec 167
6.5.1 CBOW模型 168
6.5.2 Skip-Gram模型 169
6.6 梯度消失問題和梯度爆炸問題 170
6.6.1 梯度下降 171
6.6.2 解決梯度消失和梯度爆炸問題的方法 173
6.7 RNN的變種——LSTM 180
6.8 寫詩機器人 190
第7章 TensorFlow的可視化 197
7.1 TensorBoard簡介 197
7.2 生成和使用TensorBoard 201
7.3 TensorBoard的面板展示 209
7.4 小結 224
第8章 TensorFlow中的數據操作 225
8.1 制作TFRecords數據集 225
8.2 Dataset API介紹 231
8.3 TensorFlow中的隊列 234
第9章支持向量機（SVM） 241
9.1 什么是支持向量機 241
9.2 計算最優(yōu)超平面 243
9.3 TensorFlow實現線性SVM 244
9.4 非線性SVM介紹 248
9.5 使用TensorFlow實現非線性SVM分類器 251
第10章 TensorFlow結合Flask發(fā)布MNIST模型 259
10.1 Flask框架介紹 259
10.2 訓練MNIST模型 260
10.3 小結 276
第11章 TensorFlow模型的發(fā)布與部署 277
11.1 TensorFlow Serving的前導知識 277
11.2 TensorFlow Serving 模型打包 281
11.3 TensorFlow Serving模型的部署和調用 285
第12章 TensorFlow Lite牛刀小試 286
12.1 什么是TensorFlow Lite 286
12.2 如何使用TensorFlow Lite模型 288
12.3 TensorFlow Lite與Android結合實現圖像識別 291
第13章 TensorFlow GPU 297
13.1 什么是GPU 297
13.2 GPU的選擇 298
13.3 搭建TensorFlow GPU 300
13.3.1 在Windows上搭建TensorFlow GPU 300
13.3.2 在Linux上搭建TensorFlow GPU 308
13.4 使用TensorFlow GPU進行訓練 312
第14章 TensorFlow與目標檢測 318
14.1 傳統目標檢測方法 318
14.2 RCNN介紹 320
14.3 Fast-RCNN 322
14.4 Faster-RCNN 326
14.5 YOLO 329
附錄A TensorFlow歷代版本更新內容 355
A.1 TensorFlow 1.3版本更新內容 355
A.2 TensorFlow 1.4版本更新內容 356
A.3 TensorFlow 1.5版本更新內容 357
A.4 TensorFlow 1.6版本更新內容 357
A.5 TensorFlow 1.7版本更新內容 358
A.6 TensorFlow 1.8版本更新內容 358
A.7 TensorFlow 1.9版本更新內容 359