TensorFlow技术解析与实战2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

TensorFlow技术解析与实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 基础篇2

第1章 人工智能概述2

1.1 什么是人工智能2

1.2 什么是深度学习5

1.3 深度学习的入门方法7

1.4 什么是TensorFlow11

1.5 为什么要学TensorFlow12

1.5.1 TensorFlow的特性14

1.5.2 使用TensorFlow的公司15

1.5.3 TensorFlow的发展16

1.6 机器学习的相关赛事16

1.6.1 ImageNet的ILSVRC17

1.6.2 Kaggle18

1.6.3 天池大数据竞赛19

1.7 国内的人工智能公司20

1.8 小结22

第2章 TensorFlow环境的准备23

2.1 下载TensorFlow 1.1.023

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 numpy30

2.5.2 matplotlib31

2.5.3 jupyter31

2.5.4 scikit-image32

2.5.5 librosa32

2.5.6 nltk32

2.5.7 keras33

2.5.8 tflearn33

2.6 小结33

第3章 可视化TensorFlow34

3.1 PlayGround34

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 TensorBoard39

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 EMBEDDINGS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API60

4.4.1 图、操作和张量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 实现一个自定义操作92

4.11.1 步骤92

4.11.2 最佳实践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 contirb103

5.1.2 core104

5.1.3 examples105

5.1.4 g3doc105

5.1.5 python105

5.1.6 tensorboard105

5.2 TensorFlow源代码的学习方法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AlexNet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 Zoo131

6.7 其他研究进展131

6.7.1 强化学习132

6.7.2 深度森林132

6.7.3 深度学习与艺术132

6.8 小结133

第7章 TensorFlow的高级框架134

7.1 TFLearn134

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 Keras135

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144

第8章 第一个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的无监督学习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

第10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 人脸属性检测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 性别和年龄识别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

第11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 原理190

11.3.2 最佳实践191

11.4 小结200

第12章 图像与语音的结合201

12.1 看图说话模型201

12.1.1 原理202

12.1.2 最佳实践203

12.2 小结205

第13章 生成式对抗网络206

13.1 生成式对抗网络的原理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216

第14章 分布式TensorFlow216

14.1 分布式原理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API225

14.5 分布式训练代码框架226

14.6 分布式最佳实践227

14.7 小结235

第15章 TensorFlow线性代数编译框架XLA236

15.1 XLA的优势236

15.2 XLA的工作原理237

15.3 JIT编译方式238

15.3.1 打开JIT编译238

15.3.2 将操作符放在XLA设备上238

15.4 JIT编译在MNIST上的实现239

15.5 小结240

第16章 TensorFlow Debugger241

16.1 Debugger的使用示例241

16.2 远程调试方法245

16.3 小结245

第17章 TensorFlow和Kubernetes结合246

17.1 为什么需要Kubernetes246

17.2 分布式TensorFlow在Kubernetes中的运行247

17.2.1 部署及运行247

17.2.2 其他应用253

17.3 小结254

第18章 TensorFlowOnSpark255

18.1 TensorFlowOnSpark的架构255

18.2 TensorFlowOnSpark在MNIST上的实践257

18.3 小结261

第19章 TensorFlow移动端应用262

19.1 移动端应用原理262

19.1.1 量化263

19.1.2 优化矩阵乘法运算266

19.2 iOS系统实践266

19.2.1 环境准备266

19.2.2 编译演示程序并运行267

19.2.3 自定义模型的编译及运行269

19.3 Android系统实践273

19.3.1 环境准备274

19.3.2 编译演示程序并运行275

19.3.3 自定义模型的编译及运行277

19.4 树莓派实践278

19.5 小结278

第20章 TensorFlow的其他特性279

20.1 TensorFlow Serving279

20 2 TensorFlow Flod280

20.3 TensorFlow计算加速281

20.3.1 CPU加速281

20.3.2 TPU加速和FPGA加速282

20.4 小结283

第21章 机器学习的评测体系284

21.1 人脸识别的性能指标284

21.2 聊天机器人的性能指标284

21.3 机器翻译的评价方法286

21.3.1 BLEU286

21.3.2 METEOR287

21.4 常用的通用评价指标287

21.4.1 ROC和AUC288

21.4.2 AP和mAP288

21.5 小结288

附录A 公开数据集289

附录B 项目管理经验小谈292