|
|
|
TensorFlow是穀歌2015年開源的主流深度學習框架，目前已得到廣泛應用。本書為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略了煩瑣的數學模型推導，從實際應用問題出發，通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。
書中包含深度學習的入門知識和大量實踐經驗，是走進這個前沿、熱門的人工智慧領域的優選參考書。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，第2版也補充了更多只有 TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。
本書適用於想要使用深度學習或TensorFlow的資料科學家、工程師，希望瞭解深度學習的大資料平等。
鄭澤宇，2011年獲北京大學電腦學士學位，2013年獲卡內基梅隆大學電腦碩士學位，前穀歌不錯工程師，現為才雲科技(Caicloud.io)聯 合創始人、大資料科學家。針對分散式TensorFlow上手難、管理難、監控難、上線難等問題，帶領團隊成功開發靠前頭一個成熟的分散式 TensorFlow深度學台，在機器學習、人工智慧領域有著豐富的經驗。
梁博文，穀歌工程師。2011年獲北京大學電腦學士學位，2013年獲哥倫比亞大學電腦碩士學位，同年加入穀歌翻譯組，參與並領導了多個項目，負責了3個語言的翻譯模型的研發工作，在自然語言處理方面有豐富經驗，在統計翻譯模型、神經網路翻譯模型、語料資料等。
第1章 深度學習簡介
1.1 人工智慧、機器學習與深度學習
1.2 深度學習的發展歷程
1.3 深度學習的應用
1.3.1 電腦視覺
1.3.2 語音辨識
1.3.3 自然語言處理
1.3.4 人機博弈
1.4 深度學習工具介紹和對比
小結
第2章 TensorFlow環境搭建
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 從原始程式碼編譯安裝
2.3 TensorFlow測試樣例
小結
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資料模型——張量
3.2.1 張量的概念
3.2.2 張量的使用
3.3 TensorFlow運行模型——會話
3.4 TensorFlow實現神經網路
3.4.1 TensorFlow遊樂場及神經網路簡介
3.4.2 前向傳播演算法簡介
3.4.3 神經網路參數與TensorFlow變數
3.4.4 通過TensorFlow訓練神經網路模型
3.4.5 完整神經網路樣例程式
小結
第4章 深層神經網路
4.1 深度學習與深層神經網路
4.1.1 線性模型的局限性
4.1.2 啟動函數實現去線性化
4.1.3 多層網路解決異或運算
4.2 損失函式定義
4.2.1 經典損失函數
4.2.2 自訂損失函數
4.3 神經網路優化演算法
4.4 神經網路進一步優化
4.4.1 學習率的設置
4.4.2 過擬合問題
4.4.3 滑動平均模型
小結
第5章 MNIST數字識別問題
5.1 MNIST資料處理
5.2 神經網路模型訓練及不同模型結果對比
5.2.1 TensorFlow訓練神經網路
5.2.2 使用驗證資料集判斷模型效果
5.2.3 不同模型效果比較
5.3 變數管理
5.4 TensorFlow模型持久化
5.4.1 持久化代碼實現
5.4.2 持久化原理及資料格式
5.5 TensorFlow最佳實踐樣例程式
小結
第6章 圖像識別與卷積神經網路
6.1 圖像識別問題簡介及經典資料集
6.2 卷積神經網路簡介
6.3 卷積神經網路常用結構
6.3.1 卷積層
6.3.2 池化層
6.4 經典卷積網路模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷積神經網路遷移學習
6.5.1 遷移學習介紹
6.5.2 TensorFlow實現遷移學習
小結
第7章 圖像資料處理
7.1 TFRecord輸入資料格式
7.1.1 TFRecord格式介紹
7.1.2 TFRecord樣例程式
7.2 圖像資料處理
7.2.1 TensorFlow影像處理函數
7.2.2 圖像預處理完整樣例
7.3 多執行緒輸入資料處理框架
7.3.1 佇列與多執行緒
7.3.2 輸入檔佇列
7.3.3 組合訓練資料（batching）
7.3.4 輸入資料處理框架
7.4 資料集（Dataset）
7.4.1 資料集的基本使用方法
7.4.2 資料集的高層操作
小結
第8章 迴圈神經網路
8.1 迴圈神經網路簡介
8.2 長短時記憶網路（LSTM）結構
8.3 迴圈神經網路的變種
8.3.1 雙向迴圈神經網路和深層迴圈神經網路
8.3.2 迴圈神經網路的dropout
8.4 迴圈神經網路樣例應用
小結
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 神經語言模型
9.2.1 PTB資料集的預處理
9.2.2 PTB資料的batching方法
9.2.3 基於迴圈神經網路的神經語言模型
9.3 神經網路機器翻譯
9.3.1 機器翻譯背景與Seq2Seq模型介紹
9.3.2 機器翻譯文本資料的預處理
9.3.3 Seq2Seq模型的代碼實現
9.3.4 注意力機制
小結
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自訂模型
10.3.3 使用資料集（Dataset）作為Estimator輸入
小結
第11章 TensorBoard視覺化
11.1 TensorBoard簡介
11.2 TensorFlow計算圖視覺化
11.2.1 命名空間與TensorBoard圖上節點
11.2.2 節點信息
11.3 監控指標視覺化
11.4 高維向量視覺化
小結
第12章 TensorFlow計算加速
12.1 TensorFlow使用GPU
12.2 深度學習訓練並行模式
12.3 多GPU並行
12.4 分散式TensorFlow
12.4.1 分散式TensorFlow原理
12.4.2 分散式TensorFlow模型訓練
小結
