| | | 精通TensorFlow/深度學習繫列 | 該商品所屬分類:計算機/網絡 -> 人工智能 | 【市場價】 | 745-1081元 | 【優惠價】 | 466-676元 | 【介質】 | book | 【ISBN】 | 9787111614364 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
-
出版社:機械工業
-
ISBN:9787111614364
-
作者:(美)阿曼多·凡丹戈|譯者:劉波//何希平
-
頁數:315
-
出版日期:2019-01-01
-
印刷日期:2019-01-01
-
包裝:平裝
-
開本:16開
-
版次:1
-
印次:1
-
字數:462千字
-
1.牛津大學物聯網課程創建者和首席數據科學家Ajit Jaokar為本書作序並傾情**。 2.通過閱讀本書,能夠深入了解和掌握TensorFlow,並能構建實用的機器學習和深度學習繫統。 3.本書涵蓋了TensorFlow 1.x的許多**功能,並涉及很多**的技術,如遷移學習、深度強化學習、生成對抗網絡等。 4.本書提供了大量示例,其代碼可以通過GitHub網址下載,具體地址見封面背面。
-
TensorFlow是目前流行的數值計算庫,專用於構建分布式、雲計算和移動環境。TensorFlow將數據表示為張量,將計算表示為計算圖。
《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、生成對抗網絡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,例如分布式TensorFlow,使用TensorFlow服務部署生產模型,以及在Android和iOS平臺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統計軟件中調用 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能問題的專家。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繫統所需的技能。
-
Armando Fandango利用自己在深度學習、計算方法和分布式計算方面的專業知識,創造了人工智能(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絡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 占位符 // 6 1.2.6 從 Python對像創建張量 // 7 1.2.7 變量 // 9 1.2.8 由庫函數生成的張量 // 10 1.2.9 通過 tf.get_variable( )獲取變量 // 13 1.3 數據流圖或計算圖 // 14 1.3.1 執行順序和延遲加載 // 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*小的例子 // 19 1.4.2 TensorBoard的細節 // 21 1.5 總結 // 21 第 2章 TensorFlow的**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的神經網絡模型 // 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循環層 // 39 3.4.6 Keras嵌入層 // 39 3.4.7 Keras合並層 // 39 3.4.8 Keras**激活層 // 40 3.4.9 Keras歸一化層 // 40 3.4.10 Keras噪聲層 // 40 3.5 將網絡層添加到 Keras模型中 // 40 3.5.1 利用序列化 API將網絡層添加到 Keras模型中 // 40 3.5.2 利用功能性 API將網絡層添加到 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中的其他模塊 // 43 3.10 基於 MNIST數據集的 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的神經網絡和多層感知機 // 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網絡 // 93 6.4 GRU網絡 // 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數據 // 99 6.9 總結 // 100 第 7章 基於TensorFlow和 Keras的 RNN在時間序列數據中的應用 //101 7.1 航空公司乘客數據集 // 101 7.1.1 加載 airpass數據集 // 102 7.1.2 可視化 airpass數據集 // 102 7.2 使用TensorFlow為 RNN模型預處理數據集 // 103 7.3 TensorFlow中的簡單 RNN // 104 7.4 TensorFlow中的 LSTM網絡 // 106 7.5 TensorFlow中的 GRU網絡 // 107 7.6 使用 Keras為 RNN模型預處理數據集 // 108 7.7 基於 Keras的簡單 RNN // 109 7.8 基於 Keras的 LSTM網絡 // 111 7.9 基於 Keras的 GRU網絡 // 112 7.10 總結 // 113 第 8章 基於TensorFlow和 Keras的RNN在文本數據中的應用 // 114 8.1 詞向量表示 // 114 8.2 為 word2vec模型準備數據 // 116 8.2.1 加載和準備PTB數據集 // 117 8.2.2 加載和準備text8數據集 // 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可視化單詞嵌入 // 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 8.6.2 使用Keras中的 LSTM模型生成文本 // 134 8.7 總結 // 137 第 9章 基於TensorFlow和Keras的 CNN // 138 9.1 理解卷積 // 138 9.2 理解池化 // 141 9.3 CNN架構模式 - LeNet // 142 9.4 在MNIST數據集上構建 LeNet // 143 9.4.1 使用 TensorFlow的 LeNet CNN對 MNIST數據集進行分類 // 143 9.4.2 使用 Keras的 LeNet CNN對MNIST數據集進行分類 // 146 9.5 在CIFAR10數據集上構建LeNet // 148 9.5.1 使用TensorFlow的 CNN對CIFAR10數據集進行分類 // 149 9.5.2 使用Keras的 CNN對CIFAR10數據集進行分類 // 150 9.6 總結 // 151 第 10章 基於TensorFlow和Keras的自編碼器 // 152 10.1 自編碼器類型 // 152 10.2 基於TensorFlow的堆疊自編碼器 // 154 10.3 基於Keras的堆疊自編碼器 // 157 10.4 基於TensorFlow的去噪自編碼器 // 159 10.5 基於Keras的去噪自編碼器 // 161 10.6 基於TensorFlow的變分自編碼器 // 162 10.7 基於Keras的變分自編碼器 // 167 10.8 總結 // 170 第 11章 使用TF服務提供生成環境下的 TensorFlow模型 // 171 11.1 在 TensorFlow中保存和恢復模型 // 171 11.1.1 使用saver類保存和恢復所有網絡計算圖變量 // 172 11.1.2 使用saver類保存和恢復所選變量 // 173 11.2 保存和恢復 Keras模型 // 175 11.3 TensorFlow服務 // 175 11.3.1 安裝TF服務 // 175 11.3.2 保存TF服務的模型 // 176 11.3.3 使用TF服務提供服務模型 // 180 11.4 在Docker容器中提供 TF服務 // 181 11.4.1 安裝Docker // 182 11.4.2 為TF服務構建 Docker鏡像 // 183 11.4.3 在Docker容器中提供模型 // 185 11.5 基於Kubernetes的 TF服務 // 186 11.5.1 安裝 Kubernetes // 186 11.5.2 將 Docker鏡像上傳到dockerhub // 187 11.5.3 在 Kubernetes中部署 // 188 11.6 總結 // 192 第 12章 遷移學習模型和預訓練模型 // 193 12.1 ImageNet數據集 // 193 12.2 重新訓練或微調模型 // 196 12.3 COCO動物數據集和預處理圖像 // 197 12.4 TensorFlow中的 VGG16 // 203 12.4.1 使用TensorFlow中預先訓練的VGG16進行圖像分類 // 204 12.5 將TensorFlow中的圖像預處理用於預先訓練的 VGG16 // 208 12.5.1 使用TensorFlow中重新訓練的VGG16進行圖像分類 // 209 12.6 Keras中的 VGG16 // 215 12.6.1 使用Keras中預先訓練的VGG16進行圖像分類 // 215 12.6.2 使用Keras中重新訓練的VGG16進行圖像分類 // 220 12.7 TensorFlow中的 Inception v3 // 226 12.7.1 使用TensorFlow中 Inception v3進行圖像分類 // 226 12.7.2 使用TensorFlow中重新訓練的Inception v3進行圖像分類 // 231 12.8 總結 // 237 第 13章 深度強化學習 // 238 13.1 OpenAI Gym 101 // 239 13.2 將簡單的策略應用於 cartpole遊戲 // 242 13.3 強化學習 101 // 246 13.3.1 Q函數(在模型無效時學習優化)// 246 13.3.2 強化學習算法的探索與開發 // 246 13.3.3 V函數(在模型可用時學習優化)// 247 13.3.4 強化學習技巧 // 247 13.4 強化學習的樸素神經網絡策略 // 248 13.5 實施 Q-Learning // 250 13.5.1 Q-Learning的初始化和離散化 // 251 13.5.2 基於Q表的 Q-Learning // 252 13.5.3 使用Q網絡或深度 Q網絡(DQN)進行 Q-Learning // 253 13.6 總結 // 254 第 14章 生成對抗網絡(GAN) // 256 14.1 GAN 101 // 256 14.2 建立和訓練 GAN的*佳實踐 // 258 14.3 基於TensorFlow的簡單 GAN // 258 14.4 基於Keras的簡單 GAN // 263 14.5 基於TensorFlow和 Keras的深度卷積 GAN // 268 14.6 總結 // 270 第 15章 基於TensorFlow集群的分布式模型 // 271 15.1 分布式執行策略 // 271 15.2 TensorFlow集群 // 272 15.2.1 定義集群規範 // 274 15.2.2 創建服務器實例 // 274 15.2.3 定義服務器和設備之間的參數和操作 // 276 15.2.4 定義並訓練計算圖以進行異步*新 // 276 15.2.5 定義並訓練計算圖以進行同步*新 // 281 15.3 總結 // 282 第 16章 移動和嵌入式平臺上的TensorFlow模型 // 283 16.1 移動平臺上的 TensorFlow // 283 16.2 Android應用程序中的 TF Mobile // 284 16.3 演示Android上的 TF Mobile // 285 16.4 iOS應用程序中的 TF Mobile // 287 16.5 演示iOS上的TF Mobile // 288 16.6 TensorFlow Lite // 289 16.7 演示Android上的TF Lite應用程序 // 290 16.8 演示iOS上的TF Lite應用程序 // 291 16.9 總結 // 291 第 17章 R中的 TensorFlow和 Keras // 292 17.1 在R中安裝 TensorFlow和 Keras軟件包 // 292 17.2 R中的TF核心 API // 294 17.3 R中的TF Estimator API // 295 17.4 R中的Keras API // 297 17.5 R中的TensorBoard // 300 17.6 R中的tfruns包 // 302 17.7 總結 // 304 第 18章 調試TensorFlow模型 // 305 18.1 使用tf.Session.run( )獲取張量值 // 305 18.2 使用tf.Print( )輸出張量值 // 306 18.3 使用tf.Assert( )斷言條件 // 306 18.4 使用TensorFlow調試器(tfdbg)進行調試 // 308 18.5 總結 // 310 附錄 張量處理單元 // 311
| | | | | |