面向机器智能的TensorFlow实践/智能系统与技术丛书

山姆·亚伯拉罕、丹尼亚尔·哈夫纳、埃里克· 厄威特、阿里尔·斯卡尔皮内里著的《面向机器智能 的TensorFlow实践》是一本绝佳的TensorFlow入门 指南。几位作者都来自研发一线，他们用自己的宝贵 经验，结合众多高质量的代码，生动讲解TensorFlow 的底层原理，并从实践角度介绍如何将两种常见模型 ——深度卷积网络、循环神经网络应用到图像理解和 自然语言处理的典型任务中。此外，还介绍了在模型 部署和编程中可用的诸多实用技巧。 全书分为四部分，共9章。第一部分（第1～2章 ）讨论TensorFlow的设计模式以及选择TensorFlow 作为深度学习库的优势和面临的挑战，并给出详细的 安装指南。第二部分（第3～4章）深入介绍 TensorFlow API的基础知识和机器学习基础。第三部 分（第5～6章）探讨如何用TensorFlow实现高级深度 模型，涉及卷积神经网络（或CNN）模型和循环神经 网络（或RNN）模型。第四部分（第7～8章）探讨 TensorFlow API中最新推出的特性，包括如何准备用 于部署的模型、一些有用的编程模式等。第9章给出 一些进一步了解TensorFlow的学习资源。

段菲，清华大学信号与信息处理专业博士，前三星电子中国研究院高级研究员，现为英特尔中国研究院高级研究员。研究方向是深度学习、计算机视觉、数据可视化。参与翻译过《机器学习》《机器学习实践：测试驱动的开发方法》《DirectX103D游戏编程深度探索》等多本图书。

译者序 前言 第一部分　开启TensorFlow之旅 第1章　引言 1.1　无处不在的数据 1.2　深度学习 1.3　TensorFlow：一个现代的机器学习库 1.4　TensorFlow：技术概要 1.5　何为TensorFlow 1.5.1　解读来自官网的单句描述 1.5.2　单句描述未体现的内容 1.6　何时使用TensorFlow 1.7　TensorFlow的优势 1.8　使用TensorFlow所面临的挑战 1.9　高歌猛进 第2章　安装TensorFlow 2.1　选择安装环境 2.2　Jupyter Notebook与matplotlib 2.3　创建Virtualenv环境 2.4　TensorFlow的简易安装 2.5　源码构建及安装实例：在64位Ubuntu Linux上安装GPU版TensorFlow 2.5.1　安装依赖库 2.5.2　安装Bazel 2.5.3　安装CUDA软件（仅限NVIDIA GPU） 2.5.4　从源码构建和安装TensorFlow 2.6　安装Jupyter Notebook 2.7　安装matplotlib 2.8　测试TensorFlow、Jupyter Notebook及matplotlib 2.9　本章小结 第二部分　TensorFlow与机器学习基础 第3章　TensorFlow基础 3.1　数据流图简介 3.1.1　数据流图基础 3.1.2　节点的依赖关系 3.2　在TensorFlow中定义数据流图 3.2.1　构建第一个TensorFlow数据流图 3.2.2　张量思维 3.2.3　张量的形状 3.2.4　TensorFlow的Operation 3.2.5　TensorFlow的Graph对象 3.2.6　TensorFlow Session 3.2.7　利用占位节点添加输入 3.2.8　Variable对象 3.3　通过名称作用域组织数据流图 3.4　练习：综合运用各种组件 3.4.1　构建数据流图 3.4.2　运行数据流图 3.5　本章小结 第4章　机器学习基础 4.1　有监督学习简介 4.2　保存训练检查点 4.3　线性回归 4.4　对数几率回归 4.5　softmax分类 4.6　多层神经网络 4.7　梯度下降法与误差反向传播算法 第三部分　用TensorFlow实现更高级的深度模型 第5章　目标识别与分类 5.1　卷积神经网络 5.2　卷积 5.2.1　输入和卷积核 5.2.2　跨度 5.2.3　边界填充 5.2.4　数据格式 5.2.5　深入探讨卷积核 5.3　常见层 5.3.1　卷积层 5.3.2　激活函数 5.3.3　池化层 5.3.4　归一化 5.3.5　高级层 5.4　图像与TensorFlow 5.4.1　加载图像 5.4.2　图像格式 5.4.3　图像操作 5.4.4　颜色 5.5　CNN的实现 5.5.1　Stanford Dogs数据集 5.5.2　将图像转为TFRecord文件 5.5.3　加载图像 5.5.4　模型 5.5.5　训练 5.5.6　用TensorBoard调试滤波器 5.6　本章小结 第6章　循环神经网络与自然语言处理 6.1　循环神经网络简介 6.1.1　时序的世界 6.1.2　近似任意程序 6.1.3　随时间反向传播 6.1.4　序列的编码和解码 6.1.5　实现第一个循环神经网络 6.1.6　梯度消失与梯度爆炸 6.1.7　长短时记忆网络 6.1.8　RNN结构的变种 6.2　词向量嵌入 6.2.1　准备维基百科语料库 6.2.2　模型结构 6.2.3　噪声对比分类器 6.2.4　训练模型 6.3　序列分类 6.3.1　Imdb影评数据集 6.3.2　使用词向量嵌入 6.3.3　序列标注模型 6.3.4　来自最后相关活性值的softmax层 6.3.5　梯度裁剪 6.3.6　训练模型 6.4　序列标注 6.4.1　OCR数据集 6.4.2　时间步之间共享的soft-max层 6.4.3　训练模型 6.4.4　双向RNN 6.5　预测编码 6.5.1　字符级语言建模 6.5.2　ArXiv摘要API 6.5.3　数据预处理 6.5.4　预测编码模型 6.5.5　训练模型 6.5.6　生成相似序列 6.6　本章小结 第四部分　其他提示、技术与特性 第7章　产品环境中模型的部署 7.1　搭建TensorFlow服务开发环境 7.1.1　Docker镜像 7.1.2　Bazel工作区 7.2　导出训练好的模型 7.3　定义服务器接口 7.4　实现推断服务器 7.5　客户端应用 7.6　产品准备 7.7　本章小结 第8章　辅助函数、代码结构和类 8.1　确保目录结构存在 8.2　下载函数 8.3　磁盘缓存修饰器 8.4　属性字典 8.5　惰性属性修饰器 8.6　覆盖数据流图修饰器 第9章　结语：其他资源