《Tensorflow實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版)?.pdf》附源代碼完整版-免費(fèi)下載

下載地址：https://pan.baidu.com/s/1-cmGO6qr6dHpDO5aVUKTzg

內(nèi)容簡介

TensorFlow是谷歌2015年開源的主流深度學(xué)習(xí)框架销钝，目前已得到廣泛應(yīng)用曙搬∽葑埃《TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》為TensorFlow入門參考書橡娄，旨在幫助讀者以快速挽唉、有效的方式上手TensorFlow和深度學(xué)習(xí)筷狼。書中省略了煩瑣的數(shù)學(xué)模型推導(dǎo)埂材，從實(shí)際應(yīng)用問題出發(fā)俏险，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)的入門知識和大量實(shí)踐經(jīng)驗(yàn)裤唠，是走進(jìn)這個前沿种蘸、熱門的人工智能領(lǐng)域的優(yōu)選參考書劈彪。

第2版將書中所有示例代碼從TensorFlow 0.9.0升級到了TensorFlow 1.4.0。在升級API的同時痘括，第2版也補(bǔ)充了更多只有TensorFlow 1.4.0才支持的功能纲菌。另外翰舌，第2版還新增兩章分別介紹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)容椅贱。

《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)家只冻、工程師，希望了解深度學(xué)習(xí)的大數(shù)據(jù)平臺工程師山橄，對人工智能航棱、深度學(xué)習(xí)感興趣的計算機(jī)相關(guān)從業(yè)人員及在校學(xué)生等饮醇。

作者簡介

鄭澤宇驳阎，2011年獲北京大學(xué)計算機(jī)學(xué)士學(xué)位馁蒂，2013年獲卡內(nèi)基梅隆大學(xué)計算機(jī)碩士學(xué)位，前谷歌高級工程師撮珠，現(xiàn)為才云科技(Caicloud.io)聯(lián)合創(chuàng)始人、首席大數(shù)據(jù)科學(xué)家勺届。針對分布式TensorFlow上手難饼酿、管理難故俐、監(jiān)控難紊婉、上線難等問題喻犁，帶領(lǐng)團(tuán)隊成功開發(fā)國內(nèi)成熟的分布式TensorFlow深度學(xué)習(xí)平臺还栓，在機(jī)器學(xué)習(xí)乔妈、人工智能領(lǐng)域有著豐富的經(jīng)驗(yàn)路召。

梁博文股淡，谷歌工程師唯灵。2011年獲北京大學(xué)計算機(jī)學(xué)士學(xué)位，2013年獲哥倫比亞大學(xué)計算機(jī)碩士學(xué)位垢揩，同年加入谷歌翻譯組叁巨，參與并領(lǐng)導(dǎo)了多個項(xiàng)目锋勺，負(fù)責(zé)了3個語言的翻譯模型的研發(fā)工作庶橱，在自然語言處理方面有豐富經(jīng)驗(yàn)苏章，在統(tǒng)計翻譯模型垫释、神經(jīng)網(wǎng)絡(luò)翻譯模型撑瞧、語料數(shù)據(jù)清洗等方面均有深入研究订咸。

精彩書評

終于等到這本TensorFlow技術(shù)書的升級脏嚷。這本書和其他介紹技術(shù)框架的書不太一樣父叙，它從深度學(xué)習(xí)簡介開始趾唱，一點(diǎn)一點(diǎn)深入到TensorFlow的使用甜癞，同時把算法和框架的使用結(jié)合起來悠咱，讓讀者在了解框架的同時析既，還能夠更深入地了解深度學(xué)習(xí)算法的原理。示例代碼注釋詳盡谆奥，語言風(fēng)格通俗易懂渡贾，算法介紹由淺入深，可謂是難得的好書雄右。

——馮博 TalkingData 數(shù)據(jù)科學(xué)家

本書由淺入深空骚，介紹了TensorFlow在典型場景中的應(yīng)用實(shí)踐，提供分布式訓(xùn)練等大量實(shí)例擂仍，是TensorFlow開發(fā)者和深度學(xué)習(xí)愛好者的優(yōu)選參考資料囤屹。

——陳迪豪 第四范式先知平臺架構(gòu)師

Google的每一次技術(shù)發(fā)布，都會成為萬眾矚目的焦點(diǎn)逢渔。TensorFlow從開源到現(xiàn)在智厌，已經(jīng)吸引了眾多開發(fā)者哀蘑、機(jī)器學(xué)習(xí)愛好者、科研和企業(yè)用戶貢獻(xiàn)代碼，新功能如雨后春筍般出現(xiàn)，迭代周期之短痰腮，響應(yīng)速度之快误辑，業(yè)界少有砰苍。其獨(dú)特的張量（Tensor）和圖（Graph）構(gòu)建算法模型的方式讓人耳目一新赤惊，給模型設(shè)計者更大的自由度裕膀。TensorFlow的入門學(xué)習(xí)資源也琳瑯滿目智绸，讓人無從選擇，《TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》這本書殴边，從基本概念到完整模型，從抽象理論到工程實(shí)現(xiàn)拳氢，涵蓋了圖像留特、文本領(lǐng)域的常用方法汉操，以及可視化和分布式計算等高級主題，相信開卷之后大有裨益，助力開發(fā)者完成產(chǎn)品級應(yīng)用落地镰烧。

——趙永科 阿里云資深研發(fā)工程師

Google的深度學(xué)習(xí)開源方案TensorFlow近年來在人工智能領(lǐng)域被廣泛使用并大放異彩度陆。本書不僅對深度神經(jīng)網(wǎng)絡(luò)的底層技術(shù)做了講解蹬蚁，還提供了TensorFlow在圖像處理、語義理解朽肥、性能加速、數(shù)據(jù)可視化等方面的實(shí)戰(zhàn)案例，濃縮了大量開發(fā)知識和實(shí)踐經(jīng)驗(yàn)门坷，是一本非常有參考價值的TensorFlow中文著作明也。

陳運(yùn)文 達(dá)觀數(shù)據(jù)董事長兼CEO

TensorFlow作為主流的深度學(xué)習(xí)框架够傍，已經(jīng)被積極地應(yīng)用于各類商業(yè)產(chǎn)品中浴韭，成為機(jī)器學(xué)習(xí)工程師必須了解的知識窟感。本書不僅介紹了深度學(xué)習(xí)的發(fā)展及應(yīng)用紧索，還提供了環(huán)境搭建教程及實(shí)際問題的解決技巧待笑。本書避免了晦澀數(shù)學(xué)公式所帶來的負(fù)擔(dān)，通俗易懂。建議想要入門并了解深度學(xué)習(xí)理論和應(yīng)用的朋友們閱讀！

——趙越 普華永道高級數(shù)據(jù)科學(xué)家

本書作者以美國知名大學(xué)讀研的學(xué)識趟据、Google全職算法專家的經(jīng)驗(yàn)勘伺，從0到1系統(tǒng)地講解了深度學(xué)習(xí)以及非常受歡迎的深度學(xué)習(xí)框架TensorFlow的相關(guān)知識逗栽，提供了多種場景的應(yīng)用實(shí)例霉涨，是深度學(xué)習(xí)應(yīng)用領(lǐng)域的代表性作品按价。

——向光 北京數(shù)問科技有限公司創(chuàng)始人、CEO笙瑟，

Carnegie Mellon University計算機(jī)博士

這是一本關(guān)于TensorFlow實(shí)戰(zhàn)的書楼镐，通俗易懂，深入淺出往枷，強(qiáng)烈建議大家持卷品讀框产！

——唐建 蒙特利爾大學(xué)深度學(xué)習(xí)算法中心助理教授

目錄

第1章 深度學(xué)習(xí)簡介

1.1 人工智能凄杯、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 計算機(jī)視覺

1.3.2 語音識別

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章 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章 TensorFlow入門

3.1 TensorFlow計算模型——計算圖

3.1.1 計算圖的概念

3.1.2 計算圖的使用

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章 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 滑動平均模型

小結(jié)

第5章 MNIST數(shù)字識別問題

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章 圖像識別與卷積神經(jīng)網(wǎng)絡(luò)

6.1 圖像識別問題簡介及經(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章 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 隊列與多線程

7.3.2 輸入文件隊列

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章 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章 自然語言處理

9.1 語言模型的背景知識

9.1.1 語言模型簡介

9.1.2 語言模型的評價方法

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章 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章 TensorBoard可視化

11.1 TensorBoard簡介

11.2 TensorFlow計算圖可視化

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章 TensorFlow計算加速

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)