|
|
|
精通TensorFlow》是一本綜合指南，可讓您理解TensorFlow 1.x的高級功能，深入了解TensorFlow 內核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用遷移學習、生成對抗網路和深度強化學習等概念來構建深度學習模型。通過本書，您將獲得在各種數據集（例如 MNIST、CIFAR-10、PTB、text8和COCO圖像）上的實踐經驗。
您還能夠學習TensorFlow1.x的高級功能，例如分散式TensorFlow，使用TensorFlow服務部署生產模型，以及在Android和iOS平台上為移動和嵌入式設備構建和部署TensorFlow模型。您將看到如何在R統計軟體中調用 TensorFlow和Keras API，還能了解在TensorFlow的代碼無法按預期工作時所需的調試技術。
《精通TensorFlow》可幫助您深入了解TensorFlow，使您成為解決人工智慧問題的專家。總之，在學習本書之後，可掌握TensorFlow和Keras的產品，並獲得構建更智能、更快速、更高效的機器學習和深度學習系統所需的技能。
Armando Fandango利用自己在深度學習、計算方法和分散式運算方面的專業知識，創造了人工智慧（AI）產品。他為Owen.ai公司在AI產品戰略方面提供建議。他創建了NeuraSights公司，其目標是利用神經網路創建有技術深度的產品。他還創建了Vets2Data公司，這家非盈利機構主要幫助美國退役軍人掌握AI技能。 Armando出版了2本專著，並在國際期刊和會議上發表了他的研究成果。
譯者序
原書序
原書前言
第1章 TensorFlow 101 // 1
1.1 什麼是 TensorFlow // 1
1.2 TensorFlow內核 // 2
1.2.1 簡單的示例代碼 -Hello TensorFlow // 2
1.2.2 張量 // 3
1.2.3 常量 // 4
1.2.4 操作 // 5
1.2.5 預留位置 // 6
1.2.6 從 Python對象創建張量 // 7
1.2.7 變數 // 9
1.2.8 由庫函數生成的張量 // 10
1.2.9 通過 tf.get_variable( )獲取變數 // 13
1.3 資料流程圖或計算圖 // 14
1.3.1 執行順序和延遲載入 // 15
1.3.2 跨計算設備執行計算圖 -CPU和 GPU // 15
1.3.3 多個計算圖 // 18
1.4 TensorBoard // 19
1.4.1 TensorBoard最小的例子 // 19
1.4.2 TensorBoard的細節 // 21
1.5 總結 // 21
第2章 TensorFlow的高級庫 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 創建 TFLearn層 // 26
2.3.2 創建 TFLearn模型 // 30
2.3.3 訓練 TFLearn模型 // 30
2.3.4 使用 TFLearn模型 // 30
2.4 PrettyTensor // 31
2.5 Sonnet // 32
2.6 總結 // 34
第3章 Keras101 // 35
3.1 安裝 Keras // 35
3.2 Keras的神經網路模型 // 36
3.2.1 在 Keras中創建模型的過程 // 36
3.3 創建 Keras模型 // 36
3.3.1 用於創建 Keras模型的序列化 API // 36
3.3.2 用於創建 Keras模型的功能性 API // 37
3.4 Keras的層 // 37
3.4.1 Keras內核層 // 37
3.4.2 Keras卷積層 // 38
3.4.3 Keras池化層 // 38
3.4.4 Keras局連接層 // 39
3.4.5 Keras迴圈層 // 39
3.4.6 Keras嵌入層 // 39
3.4.7 Keras合併層 // 39
3.4.8 Keras高級啟動層 // 40
3.4.9 Keras歸一化層 // 40
3.4.10 Keras雜訊層 // 40
3.5 將網路層添加到 Keras模型中 // 40
3.5.1 利用序列化 API將網路層添加到 Keras模型中 // 40
3.5.2 利用功能性 API將網路層添加到 Keras模型中 // 41
3.6 編譯 Keras模型 // 41
3.7 訓練 Keras模型 // 42
3.8 使用 Keras模型進行預測 // 42
3.9 Keras中的其他模組 // 43
3.10 基於 MNIST資料集的 Keras順序模型示例 // 43
3.11 總結 // 45
第4章 基於TensorFlow的經典機器學習演算法 // 47
4.1 簡單的線性回歸 // 48
4.1.1 數據準備 // 49
4.1.2 建立簡單的回歸模型 // 50
4.1.3 使用訓練好的模型進行預測 // 55
4.2 多元回歸 // 55
4.3 正則化回歸 // 58
4.3.1 Lasso正則化 // 59
4.3.2 嶺正則化 // 62
4.3.3 彈性網正則化 // 64
4.4 使用 Logistic回歸進行分類 // 65
4.4.1 二分類的 Logistic回歸 // 65
4.4.2 多類分類的 Logistic回歸 // 66
4.5 二分類 // 66
4.6 多分類 // 69
4.7 總結 // 73
第5章 基於 TensorFlow和 Keras的神經網路和多層感知機 // 74
5.1 感知機 // 74
5.2 多層感知機 // 76
5.3 用於圖像分類的多層感知機 // 77
5.3.1 通過 TensorFlow構建用於 MNIST分類的多層感知機 // 77
5.3.2 通過 Keras構建用於 MNIST分類的多層感知機 // 83
5.3.3 通過 TFLearn構建用於 MNIST分類的多層感知機 // 85
5.3.4 多層感知機與 TensorFlow、 Keras和 TFLearn的總結 // 86
5.4 用於時間序列回歸的多層感知機 // 86
5.5 總結 // 89
第6章 基於TensorFlow和Keras的 RNN // 90
6.1 簡單 RNN // 90
6.2 RNN改進版本 // 92
6.3 LSTM網路 // 93
6.4 GRU網路 // 95
6.5 基於TensorFlow的 RNN // 96
6.5.1 TensorFlow的RNN單元類 // 96
6.5.2 TensorFlow 的RNN模型構造類 // 97
6.5.3 TensorFlow的 RNN單元封裝類 // 97
6.6 基於Keras的 RNN // 98
6.7 RNN的應用領域 // 98
6.8 將基於Keras的 RNN用於MNIST資料 // 99
6.9 總結 // 100
第7章 基於TensorFlow和 Keras的 RNN在時間序列資料中的應用 //101
7.1 航空公司乘客資料集 // 101
7.1.1 載入 airpass資料集 // 102
7.1.2 視覺化 airpass資料集 // 102
7.2 使用TensorFlow為 RNN模型預處理資料集 // 103
7.3 TensorFlow中的簡單 RNN // 104
7.4 TensorFlow中的 LSTM網路 // 106
7.5 TensorFlow中的 GRU網路 // 107
7.6 使用 Keras為 RNN模型預處理資料集 // 108
7.7 基於 Keras的簡單 RNN // 109
7.8 基於 Keras的 LSTM網路 // 111
7.9 基於 Keras的 GRU網路 // 112
7.10 總結 // 113
第8章 基於TensorFlow和 Keras的RNN在文本資料中的應用 // 114
8.1 詞向量表示 // 114
8.2 為 word2vec模型準備資料 // 116
8.2.1 載入和準備PTB資料集 // 117
8.2.2 載入和準備text8資料集 // 118
8.2.3 準備小的驗證集 // 119
8.3 使用TensorFlow的 skip-gram模型 // 119
8.4 使用t-SNE視覺化單詞嵌入 // 124
8.5 基於Keras的 skip-gram模型 // 126
8.6 使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1 使用TensorFlow中的 LSTM模型生成文本 // 131
