新書推薦：
《
我的心理医生是只猫
》
售價：NT$
225.0
《
巴拉吉预言
》
售價：NT$
340.0
《
股权控制战略：如何实现公司控制和有效激励（第2版）
》
售價：NT$
449.0
《
汉译名著·哲学经典十种
》
售價：NT$
3460.0
《
成吉思汗传：看历代帝王将相谋略 修炼安身成事之根本
》
售價：NT$
280.0
《
爱丁堡古罗马史-罗马城的起源和共和国的崛起
》
售價：NT$
349.0
《
自伤自恋的精神分析
》
售價：NT$
240.0
《
大宋悬疑录：貔貅刑
》
售價：NT$
340.0
|
| 編輯推薦： |
前谷歌专家、现Tensorflow创业新贵，新版力邀现谷歌专家加盟，共话新版核心技术与前沿案例。
本书前版作为业界首著伴随Tensorflow火遍全球，旨在面向生产|商业场景，彻底贯通原理|实践。
深入原理|走访主创|结合真实项目，AI、ML团队争相赞誉力荐，与Tensorflow一道成为事实标准。
代码全面升级为1.4 版，重点关注新版功能，增设专题论述TF高层封装和深度学习自然语言应用。
|
| 內容簡介： |
|
TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。本书为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。本书适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等。
|
| 關於作者： |
|
郑泽宇，2011年获北京大学计算机学士学位，2013年获卡内基梅隆大学计算机硕士学位，前谷歌高级工程师，现为才云科技Caicloud.io联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，带领团队成功开发国内首个成熟的分布式TensorFlow深度学习平台，在机器学习、人工智能领域有着丰富的经验。梁博文，谷歌工程师。2011年获北京大学计算机学士学位，2013年获哥伦比亚大学计算机硕士学位，同年加入谷歌翻译组，参与并领导了多个项目，负责了3个语言的翻译模型的研发工作，在自然语言处理方面有丰富经验，在统计翻译模型、神经网络翻译模型、语料数据清洗等方面均有深入研究。
|
| 目錄：
|
第1章深度学习简介1
1.1人工智能、机器学习与深度学习2
1.2深度学习的发展历程6
1.3深度学习的应用10
1.3.1计算机视觉10
1.3.2语音识别13
1.3.3自然语言处理14
1.3.4人机博弈17
1.4深度学习工具介绍和对比19
小结23
第2章TensorFlow环境搭建25
2.1TensorFlow的主要依赖包25
2.1.1Protocol Buffer25
2.1.2Bazel27
2.2TensorFlow安装29
2.2.1使用Docker安装30
2.2.2使用pip安装31
2.2.3从源代码编译安装32
2.3TensorFlow测试样例37
小结38
第3章TensorFlow入门39
3.1TensorFlow计算模型计算图39
3.1.1计算图的概念39
3.1.2计算图的使用40
3.2TensorFlow数据模型张量42
3.2.1张量的概念42
3.2.2张量的使用44
3.3TensorFlow运行模型会话45
3.4TensorFlow实现神经网络47
3.4.1TensorFlow游乐场及神经网络简介47
3.4.2前向传播算法简介50
3.4.3神经网络参数与TensorFlow变量54
3.4.4通过TensorFlow训练神经网络模型58
3.4.5完整神经网络样例程序62
小结64
第4章深层神经网络66
4.1深度学习与深层神经网络66
4.1.1线性模型的局限性67
4.1.2激活函数实现去线性化70
4.1.3多层网络解决异或运算73
4.2损失函数定义74
4.2.1经典损失函数75
4.2.2自定义损失函数79
4.3神经网络优化算法81
4.4神经网络进一步优化85
4.4.1学习率的设置85
4.4.2过拟合问题87
4.4.3滑动平均模型91
小结92
第5章MNIST数字识别问题94
5.1MNIST数据处理94
5.2神经网络模型训练及不同模型结果对比97
5.2.1TensorFlow训练神经网络97
5.2.2使用验证数据集判断模型效果102
5.2.3不同模型效果比较103
5.3变量管理107
5.4TensorFlow模型持久化112
5.4.1持久化代码实现112
5.4.2持久化原理及数据格式117
5.5TensorFlow最佳实践样例程序126
小结132
第6章图像识别与卷积神经网络134
6.1图像识别问题简介及经典数据集135
6.2卷积神经网络简介139
6.3卷积神经网络常用结构142
6.3.1卷积层142
6.3.2池化层147
6.4经典卷积网络模型149
6.4.1LeNet-5模型150
6.4.2Inception-v3模型156
6.5卷积神经网络迁移学习160
6.5.1迁移学习介绍160
6.5.2TensorFlow实现迁移学习161
小结168
第7章图像数据处理170
7.1TFRecord输入数据格式170
7.1.1TFRecord格式介绍171
7.1.2TFRecord样例程序171
7.2图像数据处理173
7.2.1TensorFlow图像处理函数174
7.2.2图像预处理完整样例183
7.3多线程输入数据处理框架185
7.3.1队列与多线程186
7.3.2输入文件队列190
7.3.3组合训练数据（batching）193
7.3.4输入数据处理框架196
7.4数据集（Dataset）199
7.4.1数据集的基本使用方法199
7.4.2数据集的高层操作202
小结207
第8章循环神经网络208
8.1循环神经网络简介208
8.2长短时记忆网络（LSTM）结构214
8.3循环神经网络的变种218
8.3.1双向循环神经网络和深层循环神经网络218
8.3.2循环神经网络的dropout221
8.4循环神经网络样例应用222
小结226
第9章自然语言处理227
9.1语言模型的背景知识227
9.1.1语言模型简介227
9.1.2语言模型的评价方法229
9.2神经语言模型232
9.2.1PTB数据集的预处理233
9.2.2PTB数据的batching方法236
9.2.3基于循环神经网络的神经语言模型238
9.3神经网络机器翻译244
9.3.1机器翻译背景与Seq2Seq模型介绍245
9.3.2机器翻译文本数据的预处理246
9.3.3Seq2Seq模型的代码实现250
9.3.4注意力机制257
小结261
第10章TensorFlow高层封装262
10.1TensorFlow高层封装总览262
10.2Keras介绍267
10.2.1Keras基本用法267
10.2.2Keras高级用法272
10.3Estimator介绍277
10.3.1Estimator基本用法278
10.3.2Estimator自定义模型280
10.3.3使用数据集（Dataset）作为Estimator输入284
小结286
第11章TensorBoard可视化287
11.1TensorBoard简介287
11.2TensorFlow计算图可视化289
11.2.1命名空间与TensorBoard图上节点290
11.2.2节点信息297
11.3监控指标可视化301
11.4高维向量可视化309
小结317
第12章TensorFlow计算加速318
12.1TensorFlow使用GPU318
12.2深度学习训练并行模式324
12.3多GPU并行327
12.4分布式TensorFlow334
12.4.1分布式TensorFlow原理334
12.4.2分布式TensorFlow模型训练338
小结348
|
| 內容試閱：
|
前言
深度学习这个词在过去的一年之中已经轰炸了媒体、技术博客甚至朋友圈。这也许正是你会读到本书的原因之一。数十年来，人工智能技术虽不断发展，但像深度学习这样在学术界和工业界皆具颠覆性的技术实在是十年难遇。可惜的是，理解和灵活运用深度学习并不容易，尤其是其复杂的数学模型，让不少感兴趣的同学很快从入门到放弃。在本书第1版前，很难找到从实战出发的深度学习和TensorFlow参考书，这也是笔者在工作之余熬夜撰写这本书的动力。笔者本人作为一枚标准码农、创业党，希望这本书能够帮助码农和准码农们绕过深度学习复杂的数据公式，快速上手深度学习，解决工作、学习中的实际问题。2016年初，笔者和小伙伴们从美国谷歌辞职，回到祖国并在杭州联合创办了才云科技（Caicloud.io），为企业提供人工智能平台和解决方案。回国之初，很多企业对于TensorFlow都显示出了浓厚的兴趣，然而在深度交流之后，发现TensorFlow虽然是一款非常容易上手的工具，但是深度学习的技术并不是每一家企业都能掌握的。为了让更多的人和企业可以享受到深度学习技术带来的福利，笔者与电子工业出版社的张春雨编辑一拍即合，开始了本书的撰写工作。使用TensorFlow实现深度学习是本书介绍的重点。本书将从TensorFlow的安装开始，依次介绍TensorFlow的基本概念、使用TensorFlow实现全连接深层神经网络、卷积神经网络和循环神经网络等深度学习算法，以及TensorFlow并行化输入数据处理流程、TensorBoard可视化工具、TensorFlow高层封装、带GPU的分布式TensorFlow使用方法。在介绍使用TensorFlow实现不同深度学习算法的同时，也介绍了这些算法背后的理论，并列举了这些算法可以解决的具体问题。本书避开了枯燥复杂的数学公式，从实际问题出发，在实践中介绍深度学习的概念和TensorFlow的用法。本书第1版出版之后，笔者收到了广大读者的踊跃来信。信中既充分肯定了第1版对他们学习TensorFlow和深度学习的帮助，又提出了对更新TensorFlow版本和其他新内容的期待，这正是笔者开始撰写第2版的强大动力。第1版中大部分示例都是与计算机视觉相关的，为了更好地介绍与自然语言处理相关的内容，笔者特别邀请了在Google翻译组工作了5年的梁博文来撰写这部分内容。第2版中将有专门的一个章节介绍语言模型、Seq2Seq模型、注意力（attention）模型等自然语言应用。TensorFlow是一个飞速发展的工具。第1版在写作时的最新版本为0.9.0，然而到第1版出版时，谷歌已经推出了TensorFlow的第一个正式版1.0.0。相比第1版中使用的TensorFlow 0.9.0，TensorFlow 1.0.0以后的版本对API也进行了大量调整，之前的大量示例代码已经无法正常运行。第2版在更新示例API版本的同时，对TensorFlow 0.9.0之后推出的重要新功能也进行了详细介绍，希望能够帮助读者更好地使用TensorFlow。为了让广大读者更好地理解和使用书中的示例代码，我们为大家提供了一个完全公开的GitHub代码库来维护TensorFlow不同版本的示例程序。该代码库的网址为https：github.comcaicloudtensorflow-tutorial。笔者衷心地希望各位读者能够从本书中获益，这也是对我们最大的支持和鼓励。对于书中出现的任何错误或者不准确的地方，欢迎大家批评指正，并发送邮件至zeyu@caicloud.io。读者也可以登录博文视点官网http：www.broadview.com.cn，下载本书代码或提交勘误信息。一旦勘误信息被作者或编辑确认，即可获得博文视点奖励积分，用于兑换电子书。读者可以随时浏览图书页面，查看已发布的勘误信息。致谢在此我要特别感谢为此书做出贡献的每一个人。首先，我要感谢所有的读者。在第1版出版之后，我收到了大量的读者来信。这些信中表达了对本书内容的喜爱，同时也给出了非常多的宝贵建议。广大读者的支持和鼓励正是我完成第2版的最大动力。在此，我再次感谢每一位读者，希望第2版中更多的干货值得大家投入宝贵的精力去阅读。其次，我要感谢加入第2版写作的作者梁博文。在繁重的Google日常工作的同时，梁博文经常深夜撰写自然语言处理的相关内容并调试示例代码，非常辛苦。正是因为梁博文的辛勤付出，才让第2版中的内容更加全面。最后，我要再次感谢在第1版写作过程中给予过我大力支持的所有人。没有他们的支持也就没有这本书的诞生在紧张的创业之余，才云科技CEO张鑫给了我极大的支持和鼓励，让我有足够的时间投入到此书第1版的撰写工作中。我也要感谢我的妻子温苗苗以及我的父母、岳父岳母，没有他们一直以来的支持和帮助，我不可能完成此书的写作。每当遇到困难的时候，长辈们的鼓励是我前进的最大动力。最后，我还要感谢所有为本书付出心血的电子工业出版社的编辑们。无论在本书的定位，还是在具体的文字推敲、编辑加工、版式设计上，张春雨、刘佳禾和孙奇俏都给予了巨大的帮助。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
