| 作者 |
| 阿曼多·凡丹戈（Armando Fandango） |
| 丛书名 |
| 出版社 |
| 机械工业出版社* |
| ISBN |
| 9787111614364 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。 《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的高级功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。 您还能够学习TensorFlow1.x的高级功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。 《精通TensorFlow》可帮助您深入了解TensorFlow，使您成为解决人工智能问题的专家。总之，在学习本书之后，可掌握TensorFlow和Keras的产品，并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。 |
| 目录 |
| 译者序 原书序 原书前言 第 1章 TensorFlow 101 1 1.1 什么是 TensorFlow 1 1.2 TensorFlow内核 2 1.2.1 简单的示例代码 -Hello TensorFlow 2 1.2.2 张量 3 1.2.3 常量 4 1.2.4 操作 5 1.2.5 占位符 6 1.2.6 从 Python对象创建张量 7 1.2.7 变量 9 1.2.8 由库函数生成的张量 10 1.2.9 通过 tf.get_variable( )获取变量 13 1.3 数据流图或计算图 14 1.3.1 执行顺序和延迟加载 15 1.3.2 跨计算设备执行计算图 -CPU和 GPU 15 1.3.3 多个计算图 18 1.4 TensorBoard 19 1.4.1 TensorBoard最小的例子 19 1.4.2 TensorBoard的细节 21 1.5 总结 21 第 2章 TensorFlow的高级库 22 2.1 TF Estimator 22 2.2 TF Slim 24 2.3 TFLearn 25 2.3.1 创建 TFLearn层 26 2.3.2 创建 TFLearn模型 30 2.3.3 训练 TFLearn模型 30 2.3.4 使用 TFLearn模型 30 2.4 PrettyTensor 31 2.5 Sonnet 32 2.6 总结 34 第 3章 Keras101 35 3.1 安装 Keras 35 3.2 Keras的神经网络模型 36 3.2.1 在 Keras中创建模型的过程 36 3.3 创建 Keras模型 36 3.3.1 用于创建 Keras模型的序列化 API 36 3.3.2 用于创建 Keras模型的功能性 API 37 3.4 Keras的层 37 3.4.1 Keras内核层 37 3.4.2 Keras卷积层 38 3.4.3 Keras池化层 38 3.4.4 Keras局连接层 39 3.4.5 Keras循环层 39 3.4.6 Keras嵌入层 39 3.4.7 Keras合并层 39 3.4.8 Keras高级激活层 40 3.4.9 Keras归一化层 40 3.4.10 Keras噪声层 40 3.5 将网络层添加到 Keras模型中 40 3.5.1 利用序列化 API将网络层添加到 Keras模型中 40 3.5.2 利用功能性 API将网络层添加到 Keras模型中 41 3.6 编译 Keras模型 41 3.7 训练 Keras模型 42 3.8 使用 Keras模型进行预测 42 3.9 Keras中的其他模块 43 3.10 基于 MNIST数据集的 Keras顺序模型示例 43 3.11 总结 45 第 4章 基于TensorFlow的经典机器学习算法 47 4.1 简单的线性回归 48 4.1.1 数据准备 49 4.1.2 建立简单的回归模型 50 4.1.3 使用训练好的模型进行预测 55 4.2 多元回归 55 4.3 正则化回归 58 4.3.1 Lasso正则化 59 4.3.2 岭正则化 62 4.3.3 弹性网正则化 64 4.4 使用 Logistic回归进行分类 65 4.4.1 二分类的 Logistic回归 65 4.4.2 多类分类的 Logistic回归 66 4.5 二分类 66 4.6 多分类 69 4.7 总结 73 第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 74 5.1 感知机 74 5.2 多层感知机 76 5.3 用于图像分类的多层感知机 77 5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 77 5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 83 5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 85 5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 86 5.4 用于时间序列回归的多层感知机 86 5.5 总结 89 第 6章 基于TensorFlow和Keras的 RNN 90 6.1 简单 RNN 90 6.2 RNN改进版本 92 6.3 LSTM网络 93 6.4 GRU网络 95 6.5 基于TensorFlow的 RNN 96 6.5.1 TensorFlow的RNN单元类 96 6.5.2 TensorFlow 的RNN模型构造类 97 6.5.3 TensorFlow的 RNN单元封装类 97 6.6 基于Keras的 RNN 98 6.7 RNN的应用领域 98 6.8 将基于Keras的 RNN用于MNIST数据 99 6.9 总结 100 第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 101 7.1 航空公司乘客数据集 101 7.1.1 加载 airpass数据集 102 7.1.2 可视化 airpass数据集 102 7.2 使用TensorFlow为 RNN模型预处理数据集 103 7.3 TensorFlow中的简单 RNN 104 7.4 TensorFlow中的 LSTM网络 106 7.5 TensorFlow中的 GRU网络 107 7.6 使用 Keras为 RNN模型预处理数据集 108 7.7 基于 Keras的简单 RNN 109 7.8 基于 Keras的 LSTM网络 111 7.9 基于 Keras的 GRU网络 112 7.10 总结 113 第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 114 8.1 词向量表示 114 8.2 为 word2vec模型准备数据 116 8.2.1 加载和准备PTB数据集 117 8.2.2 加载和准备text8数据集 118 8.2.3 准备小的验证集 119 8.3 使用TensorFlow的 skip-gram模型 119 8.4 使用t-SNE可视化单词嵌入 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 |