tensorflow技术解析与实战 人工智能 李嘉璇
举报
-
作者:
李嘉璇
-
出版社:
人民邮电出版社
-
ISBN:
9787115456137
-
出版时间:
2017-05
-
版次:
1
-
装帧:
其他
-
开本:
16
-
页数:
296页
-
字数:
432千字
-
出版时间:
2017-05
-
版次:
1
-
装帧:
其他
-
开本:
16
-
页数:
296页
-
字数:
432千字
售价
¥
30.00
3.8折
定价
¥79.00
品相
全新品相描述
上书时间2024-04-17
卖家超过10天未登录
手机购买
微信扫码访问
-
-
商品描述:
-
主编:
“谷歌大脑”的工程师jeff dean发来寄语
李航、余凯等人工智能领域专家倾力
基于tenorflow 1.1,包揽tenorflow的新特
技术内容全面,实战案例丰富,视野广阔
人脸识别、语音识别、图像和语音相结合等热点一应俱全
tenorflow是深度学的流行的框架之一,极适合新手入门。谷歌公司正致力于建立一个相关软件和机器学模型的开源生态系统,这是人工智能发展的技术风。
本书基于tenorflow1.1版本,深入tenorflow基础、设计理念、编程模型、源码分析和模型构建、界应用、大规模数据训练等。全书分为基础篇、实战篇和提高篇三部分。
“基础篇”
人工智能入门,学深度学的方法。
tenorflow基础、设计架构和编程模型。
常用api、批标准化、模型的存储与加载、队列及线程、实现一个自定义op。
tenorborad可视化的全面解析。
源码分析。
神经网络(n和rnn)的发展演化以及如何用tenorflow实现这些网络。
第三方上层框架kera和tflearn的应用。
“实战篇”
用tenorflow实现个神经网络。
用tenorflow实现n、rnn、ltm和自动的各种示例。
tenorflow在人脸识别、语音识别、智能机器人、语音和图像相结合以及生成式对抗网络(gan)等领域的实际应用。
“提高篇”
tenorflow的分布式、架构和模式。
移动端开发(android、io和树莓派)。
tenorflow的新特,线代数编程框架xla、调试器debugger、动态图fold、生产环境erving。
tenorflow和kubere相结合。
tenorflowonpark。
硬件计算加速。
机器学的评测体系。
本书深入浅出,理论联系实际,实战案例新颖,适合对tenorflow感兴趣的各层次读者阅读。
目录:
篇 基础篇
章 人工智能概述 2
1.1 什么是人工智能 2
1.2 什么是深度学 5
1.3 深度学的入门方法 7
1.4 什么是tensorflow 11
1.5 为什么要学tensorflow 12
1.5.1 tensorflow的特 14
1.5.2 使用tensorflow的公司 15
1.5.3 tensorflow的发展 16
1.6 机器学的相关赛事 16
1.6.1 image的ilsvrc 17
1.6.2 kaggle 18
1.6.3 天池大数据竞赛 19
1.7 的人工智能公司 20
1.8 小结 22
第2章 tensorflow环境的准备 23
2.1 下载tensorflow 1.1.0 23
2.2 基于pip的安装 23
2.2.1 mac os环境准备 24
2.2.2 ubuntu/linux环境准备 25
2.2.3 windows环境准备 25
2.3 基于java的安装 28
2.4 从源代码安装 29
2.5 依赖的其他模块 30
2.5.1 numpy 30
2.5.2 matplotlib 31
2.5.3 jupyter 31
2.5.4 scikit-image 32
2.5.5 librosa 32
2.5.6 nltk 32
2.5.7 keras 33
2.5.8 tflearn 33
2.6 小结 33
第3章 可视化tensorflow 34
3.1 yground 34
3.1.1 数据 35
3.1.2 特征 36
3.1.3 隐藏层 36
3.1.4 输出 37
3.2 tensorboard 39
3.2.1 scalars面板 40
3.2.2 images面板 41
3.2.3 audio面板 42
3.2.4 graphs面板 42
3.2.5 distributions面板 43
3.2.6 histograms面板 43
3.2.7 embeds面板 44
3.3 可视化的例子 44
3.3.1 降维分析 44
3.3.2 嵌入投影仪 48
3.4 小结 51
第4章 tensorflow基础知识 52
4.1 系统架构 52
4.2 设计理念 53
4.3 编程模型 54
4.3.1 边 56
4.3.2 节点 57
4.3.3 其他概念 57
4.4 常用api 60
4.4.1 图、作和张量 60
4.4.2 可视化 61
4.5 变量作用域 62
4.5.1 variable_scope示例 62
4.5.2 name_scope示例 64
4.6 批标准化 64
4.6.1 方法 65
4.6.2 优点 65
4.6.3 示例 65
4.7 神经元函数及优化方法 66
4.7.1 激活函数 66
4.7.2 卷积函数 69
4.7.3 池化函数 72
4.7.4 分类函数 73
4.7.5 优化方法 74
4.8 模型的存储与加载 79
4.8.1 模型的存储与加载 79
4.8.2 图的存储与加载 82
4.9 队列和线程 82
4.9.1 队列 82
4.9.2 队列管理器 85
4.9.3 线程和协调器 86
4.10 加载数据 87
4.10.1 预加载数据 87
4.10.2 填充数据 87
4.10.3 从文件读取数据 88
4.11 实现一个自定义作 92
4.11.1 步骤 92
4.11.2 很好实践 93
4.12 小结 101
第5章 tensorflow源代码解析 102
5.1 tensorflow的目录结构 102
5.1.1 contirb 103
5.1.2 core 104
5.1.3 examples 105
5.1.4 g3doc 105
5.1.5 python 105
5.1.6 tensorboard 105
5.2 tensorflow源代码的学方法 106
5.3 小结 108
第6章 神经网络的发展及其tensorflow实现 109
6.1 卷积神经网络 109
6.2 卷积神经网络发展 110
6.2.1 网络加深 111
6.2.2 增强卷积层的功能 115
6.2.3 从分类任务到检测任务 120
6.2.4 增加新的功能模块 121
6.3 mnist的alex实现 121
6.3.1 加载数据 121
6.3.2 构建网络模型 122
6.3.3 训练模型和评估模型 124
6.4 循环神经网络 125
6.5 循环神经网络发展 126
6.5.1 增强隐藏层的功能 127
6.5.2 双向化及加深网络 129
6.6 tensorflow model zoo 131
6.7 其他研究进展 131
6.7.1 强化学 132
6.7.2 深度森林 132
6.7.3 深度学与艺术 132
6.8 小结 133
第7章 tensorflow的不错框架 134
7.1 tflearn 134
7.1.1 加载数据 134
7.1.2 构建网络模型 135
7.1.3 训练模型 135
7.2 keras 135
7.2.1 keras的优点 136
7.2.2 keras的模型 136
7.2.3 keras的使用 137
7.3 小结 141
第二篇 实战篇
第8章 个tensorflow程序 144
8.1 tensorflow的运行方式 144
8.1.1 生成及加载数据 144
8.1.2 构建网络模型 145
8.1.3 训练模型 145
8.2 超参数的设定 146
8.3 小结 147
第9章 tensorflow在mnist中的应用 148
9.1 mnist数据集简介 148
9.1.1 训练集的标记文件 148
9.1.2 训练集的图片文件 149
9.1.3 测试集的标记文件 149
9.1.4 测试集的图片文件 150
9.2 mnist的分类问题 150
9.2.1 加载数据 150
9.2.2 构建回归模型 151
9.2.3 训练模型 151
9.2.4 评估模型 152
9.3 训练过程的可视化 152
9.4 mnist的卷积神经网络 156
9.4.1 加载数据 157
9.4.2 构建模型 157
9.4.3 训练模型和评估模型 159
9.5 mnist的循环神经网络 161
9.5.1 加载数据 161
9.5.2 构建模型 161
9.5.3 训练数据及评估模型 163
9.6 mnist的无监督学 164
9.6.1 自编码网络 164
9.6.2 tensorflow的自编码网络实现 165
9.7 小结 169
0章 人脸识别 170
10.1 人脸识别简介 170
10.2 人脸识别的技术流程 171
10.2.1 人脸图像采集及检测 171
10.2.2 人脸图像预处理 171
10.2.3 人脸图像特征提取 171
10.2.4 人脸图像匹配与识别 172
10.3 人脸识别的分类 172
10.3.1 人脸检测 172
10.3.2 人脸关键点检测 173
10.3.3 人脸验证 174
10.3.4 人脸属检测 174
10.4 人脸检测 175
10.4.1 lfw数据集 175
10.4.2 数据预处理 175
10.4.3 进行检测 176
10.5 别和年龄识别 178
10.5.1 数据预处理 179
10.5.2 构建模型 181
10.5.3 训练模型 182
10.5.4 验证模型 184
10.6 小结 185
1章 自然语言处理 186
11.1 模型的选择 186
11.2 英文数字语音识别 187
11.2.1 定义输入数据并预处理数据 188
11.2.2 定义网络模型 188
11.2.3 训练模型 188
11.2.4 预测模型 189
11.3 智能聊天机器人 189
11.3.1 190
11.3.2 很好实践 191
11.4 小结 200
2章 图像与语音的结合 201
12.1 看图说话模型 201
12.1.1 202
12.1.2 很好实践 203
12.2 小结 205
3章 生成式对抗网络 206
13.1 生成式对抗网络的 206
13.2 生成式对抗网络的应用 207
13.3 生成式对抗网络的实现 208
13.4 生成式对抗网络的改进 214
13.5 小结 214
第三篇 提高篇
4章 分布式tensorflow 216
14.1 分布式 216
14.1.1 单机多卡和分布式 216
14.1.2 分布式部署方式 217
14.2 分布式架构 218
14.2.1 客户端、主节点和工作节点的关系 218
14.2.2 客户端、主节点和工作节点的交互过程 220
14.3 分布式模式 221
14.3.1 数据并行 221
14.3.2 同步更新和异步更新 222
14.3.3 模型并行 224
14.4 分布式api 225
14.5 分布式训练代码框架 226
14.6 分布式很好实践 227
14.7 小结 235
5章 tensorflow线代数编译框架xla 236
15.1 xla的优势 236
15.2 xla的工作 237
15.3 jit编译方式 238
15.3.1 打开jit编译 238
15.3.2 将作符放在xla设备上 238
15.4 jit编译在mnist上的实现 239
15.5 小结 240
6章 tensorflow debugger 241
16.1 debugger的使用示例 241
16.2 远程调试方法 245
16.3 小结 245
7章 tensorflow和kuberes结合 2
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间:09月02日 10:30
即将开播,去预约
直播中,去观看