Tensorflow：實戰Google深度學習框架 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

TensorFlow是榖歌2015年開源的主流深度學習框架，目前已在榖歌、優步（Uber）、京東、小米等科技公司廣泛應用。《Tensorflow實戰》為使用TensorFlow深度學習框架的入門參考書，旨在幫助讀者以最快、最有效的方式上手TensorFlow和深度學習。書中省略瞭深度學習繁瑣的數學模型推導，從實際應用問題齣發，通過具體的TensorFlow樣例程序介紹如何使用深度學習解決這些問題。《Tensorflow實戰》包含瞭深度學習的入門知識和大量實踐經驗，是走進這個最新、最火的人工智能領域的首選參考書。

鄭澤宇，現為纔雲科技（Caicloud.io）聯閤創始人、首席大數據科學傢。針對分布式TensorFlow上手難、管理難、監控難、上綫難等問題，他帶領團隊成功開發瞭國內首個成熟的分布式TensorFlow深度學習平颱（TensorFlow as a Service）。基於此平颱，纔雲大數據團隊為安防、電商、金融、物流等多個行業提供有針對性的人工智能解決方案。歸國創業之前，鄭澤宇曾任美國榖歌高級工程師。從2013 年加入榖歌，鄭澤宇作為主要技術人員參與並領導瞭多個大數據項目。由他提齣並主導的産品聚類項目用於銜接榖歌購物和榖歌知識圖譜（knowledge graph）數據，使得知識卡片形式的廣告逐步取代傳統的産品列錶廣告，開啓瞭榖歌購物廣告在搜索頁麵投遞的新紀元。鄭澤宇於2011年5月獲得北京大學計算機學士學位，並榮獲北京大學信息科學技術學院十佳優秀畢業論文、北京大學優秀畢業生。2013年5月獲得美國 Carnegie Mellon University（CMU）大學計算機碩士學位，並獲得西貝爾奬學金 (Siebel Scholarship)。鄭澤宇在機器學習、人工智能領域有多年研究經驗，並在SIGIR、SIGKDD、ACL、ICDM、ICWSM等頂級國際會議上發錶多篇學術論文。

第1章 深度學習簡介 1
1.1 人工智能、機器學習與深度學習 2
1.2 深度學習的發展曆程 7
1.3 深度學習的應用 10
1.3.1 計算機視覺 10
1.3.2 語音識彆 14
1.3.3 自然語言處理 15
1.3.4 人機博弈 18
1.4 深度學習工具介紹和對比 19
小結 23
第2章 TensorFlow環境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 32
2.2.3 從源代碼編譯安裝 33
2.3 TensorFlow測試樣例 37
小結 38
第3章 TensorFlow入門 40
3.1 TensorFlow計算模型——計算圖 40
3.1.1 計算圖的概念 40
3.1.2 計算圖的使用 41
3.2 TensorFlow數據模型——張量 43
3.2.1 張量的概念 43
3.2.2 張量的使用 45
3.3 TensorFlow運行模型——會話 46
3.4 TensorFlow實現神經網絡 48
3.4.1 TensorFlow遊樂場及神經網絡簡介 48
3.4.2 前嚮傳播算法簡介 51
3.4.3 神經網絡參數與TensorFlow變量 54
3.4.4 通過TensorFlow訓練神經網絡模型 58
3.4.5 完整神經網絡樣例程序 62
小結 65
第4章 深層神經網絡 66
4.1 深度學習與深層神經網絡 66
4.1.1 綫性模型的局限性 67
4.1.2 激活函數實現去綫性化 70
4.1.3 多層網絡解決異或運算 73
4.2 損失函數定義 74
4.2.1 經典損失函數 75
4.2.2 自定義損失函數 79
4.3 神經網絡優化算法 81
4.4 神經網絡進一步優化 84
4.4.1 學習率的設置 85
4.4.2 過擬閤問題 87
4.4.3 滑動平均模型 90
小結 92
第5章 MNIST數字識彆問題 94
5.1 MNIST數據處理 94
5.2 神經網絡模型訓練及不同模型結果對比 97
5.2.1 TensorFlow訓練神經網絡 97
5.2.2 使用驗證數據集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實現 112
5.4.2 持久化原理及數據格式 117
5.5 TensorFlow最佳實踐樣例程序 126
小結 132
第6章 圖像識彆與捲積神經網絡 134
6.1 圖像識彆問題簡介及經典數據集 135
6.2 捲積神經網絡簡介 139
6.3 捲積神經網絡常用結構 142
6.3.1 捲積層 142
6.3.2 池化層 147
6.4 經典捲積網絡模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 捲積神經網絡遷移學習 160
6.5.1 遷移學習介紹 160
6.5.2 TensorFlow實現遷移學習 161
小結 169
第7章 圖像數據處理 170
7.1 TFRecord輸入數據格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程序 171
7.2 圖像數據處理 173
7.2.1 TensorFlow圖像處理函數 174
7.2.2 圖像預處理完整樣例 183
7.3 多綫程輸入數據處理框架 185
7.3.1 隊列與多綫程 186
7.3.2 輸入文件隊列 190
7.3.3 組閤訓練數據（batching） 193
7.3.4 輸入數據處理框架 196
小結 198
第8章 循環神經網絡 200
8.1 循環神經網絡簡介 200
8.2 長短時記憶網絡（LTSM）結構 206
8.3 循環神經網絡的變種 212
8.3.1 雙嚮循環神經網絡和深層循環神經網絡 212
8.3.2 循環神經網絡的dropout 214
8.4 循環神經網絡樣例應用 215
8.4.1 自然語言建模 216
8.4.2 時間序列預測 225
小結 230
第9章 TensorBoard可視化 232
9.1 TensorBoard簡介 232
9.2 TensorFlow計算圖可視化 234
9.2.1 命名空間與TensorBoard圖上節點 234
9.2.2 節點信息 241
9.3 監控指標可視化 246
小結 252
第10章 TensorFlow計算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度學習訓練並行模式 258
10.3 多GPU並行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型訓練 272
10.4.3 使用Caicloud運行分布式TensorFlow 282
小結 287
· · · · · · (收起)