精通TensorFlow

 

TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。
《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的不错功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。
您还能够学习TensorFlow1.x的不错功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。
《精通TensorFlow》可帮助您深入了解TensorFlow，使您成为解决人工智能问题的专家。总之，在学习本书之后，可掌握TensorFlow和Keras的产品，并获得构建更智能、更快速、更高效的机器学习和深度学习系统所需的技能。

 

译者序
原书序
原书前言
章TensorFlow101//1
1.1什么是TensorFlow//1
1.2TensorFlow内核//2
1.2.1简单的示例代码-HelloTensorFlow//2
1.2.2张量//3
1.2.3常量//4
1.2.4操作//5
1.2.5占位符//6
1.2.6从Python对象创建张量//7
1.2.7变量//9
1.2.8由库函数生成的张量//10
1.2.9通过tf.get_variable()获取变量//13
1.3数据流图或计算图//14
1.3.1执行顺序和延迟加载//15
1.3.2跨计算设备执行计算图-CPU和GPU//15
1.3.3多个计算图//18
1.4TensorBoard//19
1.4.1TensorBoard最小的例子//19
1.4.2TensorBoard的细节//21
1.5总结//21
第2章TensorFlow的不错库//22
2.1TFEstimator//22
2.2TFSlim//24
2.3TFLearn//25
2.3.1创建TFLearn层//26
2.3.2创建TFLearn模型//30
2.3.3训练TFLearn模型//30
2.3.4使用TFLearn模型//30
2.4PrettyTensor//31
2.5Sonnet//32
2.6总结//34
第3章Keras101//35
3.1安装Keras//35
3.2Keras的神经网络模型//36
3.2.1在Keras中创建模型的过程//36
3.3创建Keras模型//36
3.3.1用于创建Keras模型的序列化API//36
3.3.2用于创建Keras模型的功能性API//37
3.4Keras的层//37
3.4.1Keras内核层//37
3.4.2Keras卷积层//38
3.4.3Keras池化层//38
3.4.4Keras局连接层//39
3.4.5Keras循环层//39
3.4.6Keras嵌入层//39
3.4.7Keras合并层//39
3.4.8Keras不错激活层//40
3.4.9Keras归一化层//40
3.4.10Keras噪声层//40
3.5将网络层添加到Keras模型中//40
3.5.1利用序列化API将网络层添加到Keras模型中//40
3.5.2利用功能性API将网络层添加到Keras模型中//41
3.6编译Keras模型//41
3.7训练Keras模型//42
3.8使用Keras模型进行预测//42
3.9Keras中的其他模块//43
3.10基于MNIST数据集的Keras顺序模型示例//43
3.11总结//45
第4章基于TensorFlow的经典机器学习算法//47
4.1简单的线性回归//48
4.1.1数据准备//49
4.1.2建立简单的回归模型//50
4.1.3使用训练好的模型进行预测//55
4.2多元回归//55
4.3正则化回归//58
4.3.1Lasso正则化//59
4.3.2岭正则化//62
4.3.3弹性网正则化//64
4.4使用Logistic回归进行分类//65
4.4.1二分类的Logistic回归//65
4.4.2多类分类的Logistic回归//66
4.5二分类//66
4.6多分类//69
4.7总结//73
第5章基于TensorFlow和Keras的神经网络和多层感知机//74
5.1感知机//74
5.2多层感知机//76
5.3用于图像分类的多层感知机//77
5.3.1通过TensorFlow构建用于MNIST分类的多层感知机//77
5.3.2通过Keras构建用于MNIST分类的多层感知机//83
5.3.3通过TFLearn构建用于MNIST分类的多层感知机//85
5.3.4多层感知机与TensorFlow、Keras和TFLearn的总结//86
5.4用于时间序列回归的多层感知机//86
5.5总结//89
第6章基于TensorFlow和Keras的RNN//90
6.1简单RNN//90
6.2RNN改进版本//92
6.3LSTM网络//93
6.4GRU网络//95
6.5基于TensorFlow的RNN//96
6.5.1TensorFlow的RNN单元类//96
6.5.2TensorFlow的RNN模型构造类//97
6.5.3TensorFlow的RNN单元封装类//97
6.6基于Keras的RNN//98
6.7RNN的应用领域//98
6.8将基于Keras的RNN用于MNIST数据//99
6.9总结//100
第7章基于TensorFlow和Keras的RNN在时间序列数据中的应用//101
7.1航空公司乘客数据集//101
7.1.1加载airpass数据集//102
7.1.2可视化airpass数据集//102
7.2使用TensorFlow为RNN模型预处理数据集//103
7.3TensorFlow中的简单RNN//104
7.4TensorFlow中的LSTM网络//106
7.5TensorFlow中的GRU网络//107
7.6使用Keras为RNN模型预处理数据集//108
7.7基于Keras的简单RNN//109
7.8基于Keras的LSTM网络//111
7.9基于Keras的GRU网络//112
7.10总结//113
第8章基于TensorFlow和Keras的RNN在文本数据中的应用//114
8.1词向量表示//114
8.2为word2vec模型准备数据//116
8.2.1加载和准备PTB数据集//117
8.2.2加载和准备text8数据集//118
8.2.3准备小的验证集//119
8.3使用TensorFlow的skip-gram模型//119
8.4使用t-SNE可视化单词嵌入//124
8.5基于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
……