扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
深度学习系列精通TENSORFLOW 版权信息
- ISBN：9787111614364
- 条形码：9787111614364 ; 978-7-111-61436-4
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
深度学习系列精通TENSORFLOW 本书特色
TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。
《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的高级功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。
您还能够学习TensorFlow1.x的高级功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。
《精通TensorFlow》可帮助您深入了解TensorFlow，使您成为解决人工智能问题的专家。总之，在学习本书之后，可掌握TensorFlow和Keras的产品，并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。
深度学习系列精通TENSORFLOW 内容简介
TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。 《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的不错功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。 您还能够学习TensorFlow1.x的不错功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。 《精通TensorFlow》可帮助您深入了解TensorFlow，使您成为解决人工智能问题的专家。总之，在学习本书之后，可掌握TensorFlow和Keras的产品，并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。
深度学习系列精通TENSORFLOW 目录
译者序
原书序
原书前言
第 1章 TensorFlow 101 // 1
1.1 什么是 TensorFlow // 1
1.2 TensorFlow内核 // 2
1.2.1 简单的示例代码 -Hello TensorFlow // 2
1.2.2 张量 // 3
1.2.3 常量 // 4
1.2.4 操作 // 5
1.2.5 占位符 // 6
1.2.6 从 Python对象创建张量 // 7
1.2.7 变量 // 9
1.2.8 由库函数生成的张量 // 10
1.2.9 通过 tf.get_variable( )获取变量 // 13
1.3 数据流图或计算图 // 14
1.3.1 执行顺序和延迟加载 // 15
1.3.2 跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3 多个计算图 // 18
1.4 TensorBoard // 19
1.4.1 TensorBoard*小的例子 // 19
1.4.2 TensorBoard的细节 // 21
1.5 总结 // 21
第 2章 TensorFlow的高级库 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 创建 TFLearn层 // 26
2.3.2 创建 TFLearn模型 // 30
2.3.3 训练 TFLearn模型 // 30
2.3.4 使用 TFLearn模型 // 30
2.4 PrettyTensor // 31
2.5 Sonnet // 32
2.6 总结 // 34
第 3章 Keras101 // 35
3.1 安装 Keras // 35
3.2 Keras的神经网络模型 // 36
3.2.1 在 Keras中创建模型的过程 // 36
3.3 创建 Keras模型 // 36
3.3.1 用于创建 Keras模型的序列化 API // 36
3.3.2 用于创建 Keras模型的功能性 API // 37
3.4 Keras的层 // 37
3.4.1 Keras内核层 // 37
3.4.2 Keras卷积层 // 38
3.4.3 Keras池化层 // 38
3.4.4 Keras局连接层 // 39
3.4.5 Keras循环层 // 39
3.4.6 Keras嵌入层 // 39
3.4.7 Keras合并层 // 39
3.4.8 Keras高级激活层 // 40
3.4.9 Keras归一化层 // 40
3.4.10 Keras噪声层 // 40
3.5 将网络层添加到 Keras模型中 // 40
3.5.1 利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2 利用功能性 API将网络层添加到 Keras模型中 // 41
3.6 编译 Keras模型 // 41
3.7 训练 Keras模型 // 42
3.8 使用 Keras模型进行预测 // 42
3.9 Keras中的其他模块 // 43
3.10 基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11 总结 // 45
第 4章 基于TensorFlow的经典机器学习算法 // 47
4.1 简单的线性回归 // 48
4.1.1 数据准备 // 49
4.1.2 建立简单的回归模型 // 50
4.1.3 使用训练好的模型进行预测 // 55
4.2 多元回归 // 55
4.3 正则化回归 // 58
4.3.1 Lasso正则化 // 59
4.3.2 岭正则化 // 62
4.3.3 弹性网正则化 // 64
4.4 使用 Logistic回归进行分类 // 65
4.4.1 二分类的 Logistic回归 // 65
4.4.2 多类分类的 Logistic回归 // 66
4.5 二分类 // 66
4.6 多分类 // 69
4.7 总结 // 73
第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1 感知机 // 74
5.2 多层感知机 // 76
5.3 用于图像分类的多层感知机 // 77
5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4 用于时间序列回归的多层感知机 // 86
5.5 总结 // 89
第 6章 基于TensorFlow和Keras的 RNN // 90
6.1 简单 RNN // 90
6.2 RNN改进版本 // 92
6.3 LSTM网络 // 93
6.4 GRU网络 // 95
6.5 基于TensorFlow的 RNN // 96
6.5.1 TensorFlow的RNN单元类 // 96
6.5.2 TensorFlow 的RNN模型构造类 // 97
6.5.3 TensorFlow的 RNN单元封装类 // 97
6.6 基于Keras的 RNN // 98
6.7 RNN的应用领域 // 98
6.8 将基于Keras的 RNN用于MNIST数据 // 99
6.9 总结 // 100
第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1 航空公司乘客数据集 // 101
7.1.1 加载 airpass数据集 // 102
7.1.2 可视化 airpass数据集 // 102
7.2 使用TensorFlow为 RNN模型预处理数据集 // 103
7.3 TensorFlow中的简单 RNN // 104
7.4 TensorFlow中的 LSTM网络 // 106
7.5 TensorFlow中的 GRU网络 // 107
7.6 使用 Keras为 RNN模型预处理数据集 // 108
7.7 基于 Keras的简单 RNN // 109
7.8 基于 Keras的 LSTM网络 // 111
7.9 基于 Keras的 GRU网络 // 112
7.10 总结 // 113
第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1 词向量表示 // 114
8.2 为 word2vec模型准备数据 // 116
8.2.1 加载和准备PTB数据集 // 117
8.2.2 加载和准备text8数据集 // 118
8.2.3 准备小的验证集 // 119
8.3 使用TensorFlow的 skip-gram模型 // 119
8.4 使用t-SNE可视化单词嵌入 // 124
8.5 基于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
8
原书序
原书前言
第 1章 TensorFlow 101 // 1
1.1 什么是 TensorFlow // 1
1.2 TensorFlow内核 // 2
1.2.1 简单的示例代码 -Hello TensorFlow // 2
1.2.2 张量 // 3
1.2.3 常量 // 4
1.2.4 操作 // 5
1.2.5 占位符 // 6
1.2.6 从 Python对象创建张量 // 7
1.2.7 变量 // 9
1.2.8 由库函数生成的张量 // 10
1.2.9 通过 tf.get_variable( )获取变量 // 13
1.3 数据流图或计算图 // 14
1.3.1 执行顺序和延迟加载 // 15
1.3.2 跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3 多个计算图 // 18
1.4 TensorBoard // 19
1.4.1 TensorBoard*小的例子 // 19
1.4.2 TensorBoard的细节 // 21
1.5 总结 // 21
第 2章 TensorFlow的高级库 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 创建 TFLearn层 // 26
2.3.2 创建 TFLearn模型 // 30
2.3.3 训练 TFLearn模型 // 30
2.3.4 使用 TFLearn模型 // 30
2.4 PrettyTensor // 31
2.5 Sonnet // 32
2.6 总结 // 34
第 3章 Keras101 // 35
3.1 安装 Keras // 35
3.2 Keras的神经网络模型 // 36
3.2.1 在 Keras中创建模型的过程 // 36
3.3 创建 Keras模型 // 36
3.3.1 用于创建 Keras模型的序列化 API // 36
3.3.2 用于创建 Keras模型的功能性 API // 37
3.4 Keras的层 // 37
3.4.1 Keras内核层 // 37
3.4.2 Keras卷积层 // 38
3.4.3 Keras池化层 // 38
3.4.4 Keras局连接层 // 39
3.4.5 Keras循环层 // 39
3.4.6 Keras嵌入层 // 39
3.4.7 Keras合并层 // 39
3.4.8 Keras高级激活层 // 40
3.4.9 Keras归一化层 // 40
3.4.10 Keras噪声层 // 40
3.5 将网络层添加到 Keras模型中 // 40
3.5.1 利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2 利用功能性 API将网络层添加到 Keras模型中 // 41
3.6 编译 Keras模型 // 41
3.7 训练 Keras模型 // 42
3.8 使用 Keras模型进行预测 // 42
3.9 Keras中的其他模块 // 43
3.10 基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11 总结 // 45
第 4章 基于TensorFlow的经典机器学习算法 // 47
4.1 简单的线性回归 // 48
4.1.1 数据准备 // 49
4.1.2 建立简单的回归模型 // 50
4.1.3 使用训练好的模型进行预测 // 55
4.2 多元回归 // 55
4.3 正则化回归 // 58
4.3.1 Lasso正则化 // 59
4.3.2 岭正则化 // 62
4.3.3 弹性网正则化 // 64
4.4 使用 Logistic回归进行分类 // 65
4.4.1 二分类的 Logistic回归 // 65
4.4.2 多类分类的 Logistic回归 // 66
4.5 二分类 // 66
4.6 多分类 // 69
4.7 总结 // 73
第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1 感知机 // 74
5.2 多层感知机 // 76
5.3 用于图像分类的多层感知机 // 77
5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4 用于时间序列回归的多层感知机 // 86
5.5 总结 // 89
第 6章 基于TensorFlow和Keras的 RNN // 90
6.1 简单 RNN // 90
6.2 RNN改进版本 // 92
6.3 LSTM网络 // 93
6.4 GRU网络 // 95
6.5 基于TensorFlow的 RNN // 96
6.5.1 TensorFlow的RNN单元类 // 96
6.5.2 TensorFlow 的RNN模型构造类 // 97
6.5.3 TensorFlow的 RNN单元封装类 // 97
6.6 基于Keras的 RNN // 98
6.7 RNN的应用领域 // 98
6.8 将基于Keras的 RNN用于MNIST数据 // 99
6.9 总结 // 100
第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1 航空公司乘客数据集 // 101
7.1.1 加载 airpass数据集 // 102
7.1.2 可视化 airpass数据集 // 102
7.2 使用TensorFlow为 RNN模型预处理数据集 // 103
7.3 TensorFlow中的简单 RNN // 104
7.4 TensorFlow中的 LSTM网络 // 106
7.5 TensorFlow中的 GRU网络 // 107
7.6 使用 Keras为 RNN模型预处理数据集 // 108
7.7 基于 Keras的简单 RNN // 109
7.8 基于 Keras的 LSTM网络 // 111
7.9 基于 Keras的 GRU网络 // 112
7.10 总结 // 113
第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1 词向量表示 // 114
8.2 为 word2vec模型准备数据 // 116
8.2.1 加载和准备PTB数据集 // 117
8.2.2 加载和准备text8数据集 // 118
8.2.3 准备小的验证集 // 119
8.3 使用TensorFlow的 skip-gram模型 // 119
8.4 使用t-SNE可视化单词嵌入 // 124
8.5 基于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
8
展开全部
深度学习系列精通TENSORFLOW 作者简介
Armando Fandango利用自己在深度学习、计算方法和分布式计算方面的专业知识，创造了人工智能（AI）产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司，其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司，这家非盈利机构主要帮助美国退役军人掌握AI技能。
Armando出版了2本专著，并在国际期刊和会议上发表了他的研究成果。
书友推荐
- >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥14.7¥45.8 - >
李白与唐代文化
李白与唐代文化
¥12.5¥29.8 - >
烟与镜
烟与镜
¥15.4¥48.0 - >
推拿
推拿
¥12.2¥32.0 - >
莉莉和章鱼
莉莉和章鱼
¥19.7¥42.0 - >
史学评论
史学评论
¥13.4¥42.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0 - >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0
本类畅销
-
网络工程师教程(第2版)
¥69.3¥99 -
Python 数据分析基础
¥41¥69 -
Python 3.5从零开始学
¥26.4¥59 -
虚拟化与容器技术
¥49.9¥69.8 -
UG NX 11.0工程图教程-(含1DVD)
¥30.4¥59.9 -
程序设计语言编译原理(第3版)
¥25.4¥39
