內容簡介
TensorFlow是谷歌2015年開源的主流深度學習框架，目前已得到廣泛應用。《TensorFlow：實戰Google深度學習框架（第2版）》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、熱門的人工智能領域的優選參考書。
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版也補充了更多隻有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。
《TensorFlow：實戰Google深度學習框架（第2版）》適用於想要使用深度學習或TensorFlow的數據科學家、工程師，希望瞭解深度學習的大數據平臺工程師，對人工智能、深度學習感興趣的計算機相關從業人員及在校學生等。
鄭澤宇，2011年獲北京大學計算機學士學位，2013年獲卡內基梅隆大學計算機碩士學位，前谷歌高級工程師，現為才雲科技(Caicloud.io)聯合創始人、首席大數據科學家。針對分佈式TensorFlow上手難、管理難、監控難、上線難等問題，帶領團隊成功開發國內成熟的分佈式TensorFlow深度學習平臺，在機器學習、人工智能領域有著豐富的經驗。
梁博文，谷歌工程師。2011年獲北京大學計算機學士學位，2013年獲哥倫比亞大學計算機碩士學位，同年加入谷歌翻譯組，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、神經網絡翻譯模型、語料數據清洗等方面均有深入研究。
目錄
第1章 深度學習簡介
1.1 人工智能、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 計算機視覺
1.3.2 語音識別
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 從源代碼編譯安裝
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數據模型——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實現神經網絡
3.4.1 TensorFlow遊樂場及神經網絡簡介
3.4.2 前向傳播算法簡介
3.4.3 神經網絡參數與TensorFlow變量
3.4.4 通過TensorFlow訓練神經網絡模型
3.4.5 完整神經網絡樣例程序
小結
第4章 深層神經網絡
4.1 深度學習與深層神經網絡
4.1.1 線性模型的侷限性
4.1.2 激活函數實現去線性化
4.1.3 多層網絡解決異或運算
4.2 損失函數定義
4.2.1 經典損失函數
4.2.2 自定義損失函數
4.3 神經網絡優化算法
4.4 神經網絡進一步優化
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數據處理
5.2 神經網絡模型訓練及不同模型結果對比
5.2.1 TensorFlow訓練神經網絡
5.2.2 使用驗證數據集判斷模型效果
5.2.3 不同模型效果比較
5.3 變量管理
5.4 TensorFlow模型持久化
5.4.1 持久化代碼實現
5.4.2 持久化原理及數據格式
5.5 TensorFlow最佳實踐樣例程序
小結
第6章 圖像識別與卷積神經網絡
6.1 圖像識別問題簡介及經典數據集
6.2 卷積神經網絡簡介
6.3 卷積神經網絡常用結構
6.3.1 卷積層
6.3.2 池化層
6.4 經典卷積網絡模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷積神經網絡遷移學習
6.5.1 遷移學習介紹
6.5.2 TensorFlow實現遷移學習
小結
第7章 圖像數據處理
7.1 TFRecord輸入數據格式
7.1.1 TFRecord格式介紹
7.1.2 TFRecord樣例程序
7.2 圖像數據處理
7.2.1 TensorFlow圖像處理函數
7.2.2 圖像預處理完整樣例
7.3 多線程輸入數據處理框架
7.3.1 隊列與多線程
7.3.2 輸入文件隊列
7.3.3 組合訓練數據（batching）
7.3.4 輸入數據處理框架
7.4 數據集（Dataset）
7.4.1 數據集的基本使用方法
7.4.2 數據集的高層操作
小結
第8章 循環神經網絡
8.1 循環神經網絡簡介
8.2 長短時記憶網絡（LSTM）結構
8.3 循環神經網絡的變種
8.3.1 雙向循環神經網絡和深層循環神經網絡
8.3.2 循環神經網絡的dropout
8.4 循環神經網絡樣例應用
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數據集的預處理
9.2.2 PTB數據的batching方法
9.2.3 基於循環神經網絡的神經語言模型
9.3 神經網絡機器翻譯
9.3.1 機器翻譯背景與Seq2Seq模型介紹
9.3.2 機器翻譯文本數據的預處理
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自定義模型
10.3.3 使用數據集（Dataset）作為Estimator輸入
小結
第11章 TensorBoard可視化
11.1 TensorBoard簡介
11.2 TensorFlow計算圖可視化
11.2.1 命名空間與TensorBoard圖上節點
11.2.2 節點信息
11.3 監控指標可視化
11.4 高維向量可視化
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 分佈式TensorFlow
12.4.1 分佈式TensorFlow原理
12.4.2 分佈式TensorFlow模型訓練
小結
版權聲明：本文內容由互聯網用戶自發貢獻，版權歸作者所有，本公眾號不擁有所有權，也不承擔相關法律責任。如果您發現本公眾號中有涉嫌抄襲的內容，歡迎發送郵件至：[email protected] 進行舉報，並提供相關證據，一經查實，本公眾號將立刻刪除涉嫌侵權內容。
書籍資源請微信搜索關注“中科院計算所培訓中心”公眾號，添加公眾號上的微信客服諮詢。
閱讀更多 中科院計算所培訓中心 的文章
