Tensorflow實(shí)戰(zhàn)Google深度學(xué)習(xí)框架
https://pan.baidu.com/s/1wJ0h86DA3kNf_8smoPNPeA?pwd=ybr9
√ 前谷歌專家、現(xiàn)Tensorflow創(chuàng)業(yè)新貴，新版力邀現(xiàn)谷歌專家加盟，共話新版核心技術(shù)與前沿案例。
√ 本書前版作為業(yè)界首著伴隨Tensorflow火遍全球，旨在面向生產(chǎn)|商業(yè)場景，徹底貫通原理|實(shí)踐。
√ 深入原理|走訪主創(chuàng)|結(jié)合真實(shí)項(xiàng)目，AI、ML團(tuán)隊(duì)爭相贊譽(yù)推薦，與Tensorflow一道成為事實(shí)標(biāo)準(zhǔn)。
√ 代碼全面升級(jí)為1.4+版，重點(diǎn)關(guān)注新版功能，增設(shè)專題論述TF高層封裝和深度學(xué)習(xí)自然語言應(yīng)用。
TensorFlow是谷歌2015年開源的主流深度學(xué)習(xí)框架，目前已得到廣泛應(yīng)用?！禩ensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學(xué)習(xí)。書中省略了煩瑣的數(shù)學(xué)模型推導(dǎo)，從實(shí)際應(yīng)用問題出發(fā)，通過具體的TensorFlow示例介紹如何使用深度學(xué)習(xí)解決實(shí)際問題。書中包含深度學(xué)習(xí)的入門知識(shí)和大量實(shí)踐經(jīng)驗(yàn)，是走進(jìn)這個(gè)前沿、熱門的人工智能領(lǐng)域的優(yōu)選參考書。
第2版將書中所有示例代碼從TensorFlow 0.9.0升級(jí)到了TensorFlow 1.4.0。在升級(jí)API的同時(shí)，第2版也補(bǔ)充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩 分別介紹TensorFlow高層封裝和深度學(xué)習(xí)在自然語言領(lǐng)域應(yīng)用的內(nèi)容。
《TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》適用于想要使用深度學(xué)習(xí)或TensorFlow的數(shù)據(jù)科學(xué)家、工程師，希望了解大數(shù)據(jù)平臺(tái)工程師，對人工智能、深度學(xué)習(xí)感興趣的計(jì)算機(jī)相關(guān)從業(yè)人員及在校學(xué)生等
第1 深度學(xué)習(xí)簡介
1.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
1.2 深度學(xué)習(xí)的發(fā)展歷程
1.3 深度學(xué)習(xí)的應(yīng)用
1.3.1 計(jì)算機(jī)視覺
1.3.2 語音識(shí)別
1.3.3 自然語言處理
1.3.4 人機(jī)博弈
1.4 深度學(xué)習(xí)工具介紹和對比
小結(jié)
第2 TensorFlow環(huán)境搭建
2.1 TensorFlow的主要依賴包
2.1.1 Protocol Buffer
2.1.2 Bazel
2.2 TensorFlow安裝
2.2.1 使用Docker安裝
2.2.2 使用pip安裝
2.2.3 從源代碼編譯安裝
2.3 TensorFlow測試樣例
小結(jié)
第3 TensorFlow入門
3.1 TensorFlow計(jì)算模型——計(jì)算圖
3.1.1 計(jì)算圖的概念
3.1.2 計(jì)算圖的使用
3.2 TensorFlow數(shù)據(jù)模型——張量
3.2.1 張量的概念
3.2.2 張量的使用
3.3 TensorFlow運(yùn)行模型——會(huì)話
3.4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)
3.4.1 TensorFlow游樂場及神經(jīng)網(wǎng)絡(luò)簡介
3.4.2 前向傳播算法簡介
3.4.3 神經(jīng)網(wǎng)絡(luò)參數(shù)與TensorFlow變量
3.4.4 通過TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型
3.4.5 完整神經(jīng)網(wǎng)絡(luò)樣例程序
小結(jié)
第4 深層神經(jīng)網(wǎng)絡(luò)
4.1 深度學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò)
4.1.1 線性模型的局限性
4.1.2 激活函數(shù)實(shí)現(xiàn)去線性化
4.1.3 多層網(wǎng)絡(luò)解決異或運(yùn)算
4.2 損失函數(shù)定義
4.2.1 經(jīng)典損失函數(shù)
4.2.2 自定義損失函數(shù)
4.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
4.4 神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化
4.4.1 學(xué)習(xí)率的設(shè)置
4.4.2 過擬合問題
4.4.3 滑動(dòng)平均模型
小結(jié)
第5 MNIST數(shù)字識(shí)別問題
5.1 MNIST數(shù)據(jù)處理
5.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及不同模型結(jié)果對比
5.2.1 TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)
5.2.2 使用驗(yàn)證數(shù)據(jù)集判斷模型效果
5.2.3 不同模型效果比較
5.3 變量管理
5.4 TensorFlow模型持久化
5.4.1 持久化代碼實(shí)現(xiàn)
5.4.2 持久化原理及數(shù)據(jù)格式
5.5 TensorFlow最佳實(shí)踐樣例程序
小結(jié)
第6 圖像識(shí)別與卷積神經(jīng)網(wǎng)絡(luò)
6.1 圖像識(shí)別問題簡介及經(jīng)典數(shù)據(jù)集
6.2 卷積神經(jīng)網(wǎng)絡(luò)簡介
6.3 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu)
6.3.1 卷積層
6.3.2 池化層
6.4 經(jīng)典卷積網(wǎng)絡(luò)模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)
6.5.1 遷移學(xué)習(xí)介紹
6.5.2 TensorFlow實(shí)現(xiàn)遷移學(xué)習(xí)
小結(jié)
第7 圖像數(shù)據(jù)處理
7.1 TFRecord輸入數(shù)據(jù)格式
7.1.1 TFRecord格式介紹
7.1.2 TFRecord樣例程序
7.2 圖像數(shù)據(jù)處理
7.2.1 TensorFlow圖像處理函數(shù)
7.2.2 圖像預(yù)處理完整樣例
7.3 多線程輸入數(shù)據(jù)處理框架
7.3.1 隊(duì)列與多線程
7.3.2 輸入文件隊(duì)列
7.3.3 組合訓(xùn)練數(shù)據(jù)（batching）
7.3.4 輸入數(shù)據(jù)處理框架
7.4 數(shù)據(jù)集（Dataset）
7.4.1 數(shù)據(jù)集的基本使用方法
7.4.2 數(shù)據(jù)集的高層操作
小結(jié)
第8 循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
8.2 長短時(shí)記憶網(wǎng)絡(luò)（LSTM）結(jié)構(gòu)
8.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種
8.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和深層循環(huán)神經(jīng)網(wǎng)絡(luò)
8.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的dropout
8.4 循環(huán)神經(jīng)網(wǎng)絡(luò)樣例應(yīng)用
小結(jié)
第9 自然語言處理
9.1 語言模型的背景知識(shí)
9.1.1 語言模型簡介
9.1.2 語言模型的評價(jià)方法
9.2 神經(jīng)語言模型
9.2.1 PTB數(shù)據(jù)集的預(yù)處理
9.2.2 PTB數(shù)據(jù)的batching方法
9.2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)語言模型
9.3 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
9.3.1 機(jī)器翻譯背景與Seq2Seq模型介紹
9.3.2 機(jī)器翻譯文本數(shù)據(jù)的預(yù)處理
9.3.3 Seq2Seq模型的代碼實(shí)現(xiàn)
9.3.4 注意力機(jī)制
小結(jié)
第10 TensorFlow高層封裝
10.1 TensorFlow高層封裝總覽
10.2 Keras介紹
10.2.1 Keras基本用法
10.2.2 Keras高級(jí)用法
10.3 Estimator介紹
10.3.1 Estimator基本用法
10.3.2 Estimator自定義模型
10.3.3 使用數(shù)據(jù)集（Dataset）作為Estimator輸入
小結(jié)
第11 TensorBoard可視化
11.1 TensorBoard簡介
11.2 TensorFlow計(jì)算圖可視化
11.2.1 命名空間與TensorBoard圖上節(jié)點(diǎn)
11.2.2 節(jié)點(diǎn)信息
11.3 監(jiān)控指標(biāo)可視化
11.4 高維向量可視化
小結(jié)
第12 TensorFlow計(jì)算加速
12.1 TensorFlow使用GPU
12.2 深度學(xué)習(xí)訓(xùn)練并行模式
12.3 多GPU并行
12.4 分布式TensorFlow
12.4.1 分布式TensorFlow原理
12.4.2 分布式TensorFlow模型訓(xùn)練
小結(jié)
