TensorFlow进阶指南：基础、算法与应用
作者:黄鸿波
格式: pdf、txt、epub、azw3、mobi、docx
编辑推荐
1.拒绝艰涩难懂——本书是作者在用自己的话讲解TensorFlow，中国人都能轻松读懂，特别适合零基础读者，没有不懂，只有更懂。
2.拒绝臃肿拖沓——本书真正来自于作者一线从业经验与体会，只讲有用的，不含偏门的。
3.拒绝断章取义——本书囊括了TensorFlow用于实际工作的全流程，使读者能真正实现从想法到产品，只有流畅，没有断崖。
4.拒绝含混支吾——本书对TensorFlow每一个环节的讲解，都是作者运用自己多年一线从业功力推敲与解构的，没有模糊不清，只有恍然大悟。
内容简介
本书是由人工智能一线从业专家根据自己日常工作的体会与经验总结而成的，在对TensorFlow的基础知识、环境搭建、神经网络、常用技术的详细讲解当中穿插了自己实战的经验与教训。更与众不同的是，本书详细地解析了使用TensorFlow进行深度学习领域中常用模型的搭建、调参和部署整个流程，以及数据集的使用方法，能够帮助您快速理解和掌握TensorFlow相关技术，*后还用实战项目帮助您快速地学会TensorFlow开发，并使用TensorFlow技术来解决实际问题。本书代码主要是在1.6版本的基础上进行开发的，同时兼容1.2~1.10的版本，并已得到验证。本书主要面向对TensorFlow、深度学习、人工智能具有强烈兴趣且希望尽快入门的相关从业人员、高校相关专业的教育工作者和在校学生，以及正在从事深度学习工作且希望深入的数据科学家、软件工程师、大数据平台工程师、项目管理者等。
作者简介
黄鸿波，珠海金山办公软件有限公司（WPS）人工智能领域专家，高级算法工程师，拥有多年软件开发经验。曾在格力电器股份有限公司大数据中心担任人工智能领域专家，且在多家公司担任过高级工程师，技术经理，技术总监等职务。曾带领团队开发过基于人脸识别技术的智能支付系统、推荐系统、知识图谱、智能问答系统等。擅长数据挖掘、机器学习、移动开发等专业领域，并拥有丰富的实战经验。
目 录
第1章 人工智能与深度学习 1
1.1 人工智能与机器学习 1
1.2 无处不在的深度学习 6
1.3 如何入门深度学习 7
1.4 主流深度学习框架介绍 13
第2章 搭建TensorFlow环境 15
2.1 基于pip安装 15
2.1.1 基于Windows环境安装TensorFlow 15
2.1.2 基于Linux环境安装TensorFlow 22
2.2 基于Java安装TensorFlow 24
2.3 安装TensorFlow的常用依赖模块 27
2.4 Hello TensorFlow 30
2.4.1 MNIST数据集 30
2.4.2 编写训练程序 32
2.5 小结 35
第3章 TensorFlow基础 36
3.1 TensorFlow的系统架构 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的数据结构——张量 39
3.2.1 什么是张量 39
3.2.2 张量的阶 40
3.2.3 张量的形状 40
3.2.4 数据类型 41
3.3 TensorFlow的计算模型——图 42
3.3.1 计算图基础 42
3.3.2 计算图的组成 43
3.3.3 计算图的使用 45
3.3.4 小结 48
3.4 TensorFlow中的会话——Session 48
第4章 TensorFlow中常用的激活函数与神经网络 50
4.1 激活函数的概念 50
4.2 常用的激活函数 51
4.2.1 Sigmoid函数 51
4.2.2 Tanh函数 53
4.2.3 ReLU函数 55
4.2.4 Softplus函数 57
4.2.5 Softmax函数 58
4.2.6 小结 59
4.3 损失函数的概念 60
4.4 损失函数的分类 63
4.5 常用的损失函数 65
4.5.1 0-1损失函数 65
4.5.2 Log损失函数 66
4.5.3 Hinge损失函数 69
4.5.4 指数损失 70
4.5.5 感知机损失 70
4.5.6 平方（均方）损失函数 71
4.5.7 绝对值损失函数 71
4.5.8 自定义损失函数 71
4.6 正则项 72
4.6.1 L0范数和L1范数 72
4.6.2 L2范数 73
4.6.3 核范数 74
4.7 规则化参数 76
4.8 易混淆的概念 76
4.9 神经网络的优化方法 77
4.9.1 梯度下降算法 77
4.9.2 随机梯度下降算法 79
4.9.3 其他的优化算法 80
4.9.4 小结 84
4.10 生成式对抗网络（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 卷积神经网络 102
5.1 神经网络简介 102
5.1.1 神经元与神经网络 102
5.1.2 感知器（单层神经网络）与多层感知器 104
5.2 图像识别问题 108
5.3 常用的图像库介绍 111
5.4 卷积神经网络简介 114
5.4.1 CNN的基本原理与卷积核 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实现MNIST训练 147
第6章 循环神经网络 151
6.1 初识循环神经网络 151
6.1.1 前馈神经网络 152
6.1.2 神经网络中的时序信息 158
6.2 详解循环神经网络 159
6.3 RNN的变种——双向RNN 162
6.4 One-Hot Encoding 165
6.5 词向量和word2vec 166
6.5.1 CBOW模型 167
6.5.2 Skip-Gram模型 168
6.6 梯度消失问题和梯度爆炸问题 169
6.6.1 梯度下降 170
6.6.2 解决梯度消失和梯度爆炸问题的方法 172
6.7 RNN的变种——LSTM 179
6.8 写诗机器人 189
第7章 TensorFlow的可视化 196
7.1 TensorBoard简介 196
7.2 生成和使用TensorBoard 200
7.3 TensorBoard的面板展示 208
7.4 小结 223
第8章 TensorFlow中的数据操作 224
8.1 制作TFRecords数据集 224
8.2 Dataset API介绍 230
8.3 TensorFlow中的队列 233
第9章 支持向量机（SVM） 240
9.1 什么是支持向量机 240
9.2 计算最优超平面 242
9.3 TensorFlow实现线性SVM 243
9.4 非线性SVM介绍 247
9.5 使用TensorFlow实现非线性SVM分类器 250
第10章 TensorFlow结合Flask发布MNIST模型 258
10.1 Flask框架介绍 258
10.2 训练MNIST模型 259
10.3 小结 275
第11章 TensorFlow模型的发布与部署 276
11.1 TensorFlow Serving的前导知识 276
11.2 TensorFlow Serving 模型打包 280
11.3 TensorFlow Serving模型的部署和调用 284
第12章 TensorFlow Lite牛刀小试 285
12.1 什么是TensorFlow Lite 285
12.2 如何使用TensorFlow Lite模型 287
12.3 TensorFlow Lite与Android结合实现图像识别 290
第13章 TensorFlow GPU 296
13.1 什么是GPU 296
13.2 GPU的选择 297
13.3 搭建TensorFlow GPU 299
13.3.1 在Windows上搭建TensorFlow GPU 299
13.3.2 在Linux上搭建TensorFlow GPU 307
13.4 使用TensorFlow GPU进行训练 311
第14章 TensorFlow与目标检测 317
14.1 传统目标检测方法 317
14.2 RCNN介绍 319
14.3 Fast-RCNN 321
14.4 Faster-RCNN 325
14.5 YOLO 328
附录A TensorFlow历代版本更新内容 354
A.1 TensorFlow 1.3版本更新内容 354
A.2 TensorFlow 1.4版本更新内容 355
A.3 TensorFlow 1.5版本更新内容 356
A.4 TensorFlow 1.6版本更新内容 356
A.5 TensorFlow 1.7版本更新内容 357
A.6 TensorFlow 1.8版本更新内容 357
A.7 TensorFlow 1.9版本更新内容 358
全部评论: 0条