Tensorflow:实战Google深度学习框架
  • 推荐11
  • 收藏9
  • 浏览8.3K

Tensorflow:实战Google深度学习框架

郑泽宇 (作者) 

  • 书  号:978-7-121-30959-5
  • 出版日期:2017-03-06
  • 页  数:300
  • 开  本:16(185*235)
  • 出版状态:上市销售
  • 维护人:张春雨

相关图书

深度学习轻松学:核心算法与视觉实践

冯超 (作者)

《深度学习轻松学:核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言,生动详细地介绍了深层模型相关的基础知识,并深入剖析了算法...

¥79.00

深度学习原理与TensorFlow实践

喻俨 莫瑜 王琛 胡振邦 高杰 (作者)

《深度学习原理与TensorFlow实践》主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最...

¥79.00

TensorFlow实战

黄文坚 (作者)

Google近日发布了TensorFlow 1.0候选版,这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源,距今已有...

¥79.00

深度学习——Caffe之经典模型详解与实战

乐毅 (作者)

本书首先介绍了深度学习相关的理论和主流的深度学习框架,然后从Caffe 深度学习框架为切入点,<br>介绍了Caffe 的安装、配置、编译和接口等运行环境,剖析...

¥59.00

深度学习:21天实战Caffe

赵永科 (作者)

本书是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例,由浅入深,从 Caffe 的配置、部署、使用开始学习,通过阅读 Caffe ...

¥79.00

解析深度学习:语音识别实践

俞凯等 俞栋 邓力 (作者) 俞凯 (译者)

本书是首部介绍语音识别中深度学习技术细节的专著。全书首先概要介绍了传统语音识别理论和经典的深度神经网络核心算法。接着全面而深入地介绍了深度学习在语音识别中的应用...

¥79.00
TensorFlow 是谷歌2015 年开源的主流深度学习框架,目前已在谷歌、优步(Uber)、京东、小米等科技公司广泛应用。《TensorFlow:实战Google深度学习框架》为使用TensorFlow 深度学习框架的入门参考书,旨在帮助读者以快速、有效的方式上手TensorFlow 和深度学习。书中省略了深度学习繁琐的数学模型推导,从实际应用问题出发,通过具体的TensorFlow 样例程序介绍如何了使用深度学习解决这些问题。《TensorFlow:实战Google深度学习框架》包含了深度学习的入门知识和大量实践经验,是走进这个前沿、热门的人工智能领域的首选参考书。
读者对象:对人工智能、深度学习感兴趣的计算机相关从业人员,想要使用深度学习或TensorFlow 的数据科学家、工程师,希望了解深度学习的大数据平台工程师,对人工智能、机器学习感兴趣的在校学生,希望找深度学习相关岗位的求职人员,等等。
√ 作者为前谷歌专家,现Tensorflow创业新星,醉心深度学习研究。
√ Tensorflow已从前瞻性黑科技成长为主流方案,本书旨在面向生产与商业场景,彻底贯通原理与实践。
√ BAT一线团队与各大基于AI、ML的技术公司争相赞誉力荐,本书与Tensorflow一道走向事实标准。
√ 深入技术原理,走访主创团队,结合真实项目,倾力呈现一手资料,深度剖析一线实战。
“深度学习”这个词在过去的一年之中已经轰炸了媒体、技术博客甚至到朋友圈。这也许正是你会读到本书的原因之一。数十年来,人工智能技术虽不断发展,但像深度学习这样在学术界和工业界皆具颠覆性的技术着实十年难遇。可惜的是,理解和灵活运用深度学习并不容易,尤其是其复杂的数学模型,让不少感兴趣的同学“从入门到放弃”。更糟糕的是,因为深度学习技术的飞速发展,而写书、出版的过程又非常复杂,不论是英文还是中文,都很难找到从实战出发的深度学习参考书。关于当前最新最火的深度学习框架TensorFlow的书籍更是空缺。这正是我在工作之余,熬夜写这本书的动力。作者本人作为一枚标准码农、创业党,希望这本书能够帮助码农和准码农们绕过深度学习复杂的数据公式,通过本书的大量样例代码快速上手深度学习,解决工作、学习中的实际问题。
  2016年初,作者和小伙伴们从美国谷歌辞职,回到祖国杭州联合创办了才云科技(Caicloud.io),为企业提供大数据深度学习,在作者回国之初,很多企业都展示出了对于TensorFlow浓厚的兴趣。然而在深度交流之后,作者发现虽然TensorFlow是一款非常容易上手的工具,但是深度学习的技术目前并不是每一个企业都掌握的。为了让更多的个人和企业可以享受到深度学习技术带来的福利,作者与电子工业出版社的张春雨主编一拍即合,开始了本书的撰写工作。
  使用TensorFlow实现深度学习是本书重点介绍的对象。本书将从TensorFlow的安装开始,逐一介绍TensorFlow的基本概念、使用TensorFlow实现全连接深层神经网络、卷积神经网络和循环神经网络等深度学习算法。在介绍使用TensorFlow实现不同的深度学习算法的同时,作者也深入浅出地介绍了这些深度学习算法背后的理论,并给出了这些算法可以解决的具体问题。在本书中,作者避开了枯燥复杂的数学公式,从实际问题出发,在实践中介绍深度学习的概念和TensorFlow的用法。在本书中,作者还介绍了TensorFlow并行化输入数据处理流程、TensorBoard可视化工具以及带GPU的分布式TensorFlow使用方法。
  TensorFlow是一个飞速发展的工具。本书在写作时最新的版本为0.9.0,然而到本书出版时,谷歌已经推出了TensorFlow 1.0.0。为了让广大读者更好的理解和试用书中的样例代码,我们提供了一个公开的GitHub代码库来维护不同TensorFlow版本的样例程序。该代码库的网址为https://github.com/caicloud/tensorflow-tutorial。在Caicloud提供的TensorFlow镜像cargo.caicloud.io/tensorflow中也包含了本书的样例代码。作者衷心地希望各位读者能够从本书获益,这也是对我们最大的支持和鼓励。对于书中出现的任何错误或者不准确的地方,欢迎大家批评指正,并发送邮件至zeyu@caicloud.io。
  读者也可登录博文视点官网http://www.broadview.com.cn下载本书代码或提交勘误信息。一旦勘误信息被作者或编辑确认,即可获得博文视点奖励积分,可用于兑换电子书。读者可以随时浏览图书页面,查看已发布的勘误信息。
  致谢
  在此我特别感谢为此书做出贡献的每一个人。感谢每一位读者,希望书里的干货值得您宝贵的精力投入。要记得好评哦,亲!
  首先,我要感谢才云科技(Caicloud.io)小伙伴们对我的大力支持。在紧张的创业环境中,CEO张鑫给了我极大的支持和鼓励,让我有足够的时间投入到本书中。特别感谢为此书完成校验以及代码整理工作的数据工程师易明轩,为此书提出宝贵意见的大数据科学家何辉辉以及才云科技TensorFlow as a Service的产品开发者李恩华。
  然后,我要感谢我的妻子温苗苗。作为本书的第一读者和美国卡内基梅隆大学(Carnegie Mellon University)计算机专业博士,从最开始的内容安排到写作语言细节,与她的讨论给我带来很多灵感。
  我要感谢我的父母、岳父母,没有他们一直以来的支持和帮助,我不可能完成此书的写作。每当遇到困难的时候,长辈们的鼓励是我前进的最大动力。
  最后,我要感谢电子工业出版社的张春雨编辑。无论在该书的定位上还是在具体的文字细节上,张编辑都给了我非常多的建议。兵贵神速,写书亦是如此。没有张春雨精确的策划和及时的敦促,我也很难一鼓作气完成此书。
  郑泽宇
  2017年1月

目录

第1章 深度学习简介 1
1.1 人工智能、机器学习与深度学习 2
1.2 深度学习的发展历程 7
1.3 深度学习的应用 10
1.3.1 计算机视觉 10
1.3.2 语音识别 14
1.3.3 自然语言处理 15
1.3.4 人机博弈 18
1.4 深度学习工具介绍和对比 19
小结 23
第2章 TensorFlow环境搭建 25
2.1 TensorFlow的主要依赖包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安装 29
2.2.1 使用Docker安装 30
2.2.2 使用pip安装 32
2.2.3 从源代码编译安装 33
2.3 TensorFlow测试样例 37
小结 38
第3章 TensorFlow入门 40
3.1 TensorFlow计算模型——计算图 40
3.1.1 计算图的概念 40
3.1.2 计算图的使用 41
3.2 TensorFlow数据模型——张量 43
3.2.1 张量的概念 43
3.2.2 张量的使用 45
3.3 TensorFlow运行模型——会话 46
3.4 TensorFlow实现神经网络 48
3.4.1 TensorFlow游乐场及神经网络简介 48
3.4.2 前向传播算法简介 51
3.4.3 神经网络参数与TensorFlow变量 54
3.4.4 通过TensorFlow训练神经网络模型 58
3.4.5 完整神经网络样例程序 62
小结 65
第4章 深层神经网络 66
4.1 深度学习与深层神经网络 66
4.1.1 线性模型的局限性 67
4.1.2 激活函数实现去线性化 70
4.1.3 多层网络解决异或运算 73
4.2 损失函数定义 74
4.2.1 经典损失函数 75
4.2.2 自定义损失函数 79
4.3 神经网络优化算法 81
4.4 神经网络进一步优化 84
4.4.1 学习率的设置 85
4.4.2 过拟合问题 87
4.4.3 滑动平均模型 90
小结 92
第5章 MNIST数字识别问题 94
5.1 MNIST数据处理 94
5.2 神经网络模型训练及不同模型结果对比 97
5.2.1 TensorFlow训练神经网络 97
5.2.2 使用验证数据集判断模型效果 102
5.2.3 不同模型效果比较 103
5.3 变量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代码实现 112
5.4.2 持久化原理及数据格式 117
5.5 TensorFlow最佳实践样例程序 126
小结 132
第6章 图像识别与卷积神经网络 134
6.1 图像识别问题简介及经典数据集 135
6.2 卷积神经网络简介 139
6.3 卷积神经网络常用结构 142
6.3.1 卷积层 142
6.3.2 池化层 147
6.4 经典卷积网络模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷积神经网络迁移学习 160
6.5.1 迁移学习介绍 160
6.5.2 TensorFlow实现迁移学习 161
小结 169
第7章 图像数据处理 170
7.1 TFRecord输入数据格式 170
7.1.1 TFRecord格式介绍 171
7.1.2 TFRecord样例程序 171
7.2 图像数据处理 173
7.2.1 TensorFlow图像处理函数 174
7.2.2 图像预处理完整样例 183
7.3 多线程输入数据处理框架 185
7.3.1 队列与多线程 186
7.3.2 输入文件队列 190
7.3.3 组合训练数据(batching) 193
7.3.4 输入数据处理框架 196
小结 198
第8章 循环神经网络 200
8.1 循环神经网络简介 200
8.2 长短时记忆网络(LTSM)结构 206
8.3 循环神经网络的变种 212
8.3.1 双向循环神经网络和深层循环神经网络 212
8.3.2 循环神经网络的dropout 214
8.4 循环神经网络样例应用 215
8.4.1 自然语言建模 216
8.4.2 时间序列预测 225
小结 230
第9章 TensorBoard可视化 232
9.1 TensorBoard简介 232
9.2 TensorFlow计算图可视化 234
9.2.1 命名空间与TensorBoard图上节点 234
9.2.2 节点信息 241
9.3 监控指标可视化 246
小结 252
第10章 TensorFlow计算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度学习训练并行模式 258
10.3 多GPU并行 261
10.4 分布式TensorFlow 268
10.4.1 分布式TensorFlow原理 269
10.4.2 分布式TensorFlow模型训练 272
10.4.3 使用Caicloud运行分布式TensorFlow 282
小结 287

本书勘误

印次
  • 页码:XII  •  行数:4  •  印次: 1

    目录:8.2 长短时记忆网络(LTSM)结果 应为 LSTM

    HAHASHIAR 提交于 2017/5/6 2:50:06
    刘佳禾 确认于 2017/5/9 13:58:20
  • 页码:15  •  行数:-7  •  印次: 1

    参考文献[1]最后多打了一个”.”

    HAHASHIAR 提交于 2017/5/6 13:28:52
    刘佳禾 确认于 2017/5/9 13:57:55
  • 页码:18  •  行数:17  •  印次: 1

    第18页 第三段 “AlphaGo战神” 应为“AlphaGo战胜”

    lipinglu 提交于 2017/3/15 17:26:54
    张春雨 确认于 2017/3/22 9:37:07
  • 页码:18  •  行数:15  •  印次: 1

    第二段倒数第二行“通过模特卡罗树搜索的方法将走棋…”应该为“蒙特卡罗树”

    Heyha 提交于 2017/6/7 17:09:32
    刘佳禾 确认于 2017/6/22 16:41:40
  • 页码:19  •  行数:-4  •  印次: 1

    “此”之前多了一个空格

    HAHASHIAR 提交于 2017/5/6 14:03:58
    刘佳禾 确认于 2017/5/9 12:58:38

读者评论


  • 只选取了书中的一小部分代码,为什么会报错

    wycll发表于 2017/7/15 15:58:34
  • p150构建LeNet网络中根据你给的代码修改后损失值一直高于2.3

    Conley.K发表于 2017/7/12 21:51:38
  • 7.3.4的github源码跑不了,提示错误为OutOfRangeError (see above for traceback): RandomShuffleQueue ‘_1_shuffle_batch/random_shuffle_queue’ is closed and has insufficient elements (requested 2, current size 0)。望解答

    MaChangsheng发表于 2017/7/11 14:52:46
  • P173,7.2.1 TensorFlow 图像处理函数 中的 FastGFile 的参数 ‘r’ 应该为 ‘rb’。

    应该为:
    tf.gfile.FastGFile(“/path/to/images”, ‘rb’)

    如果不指定 b,会报这样错误:
    ‘utf-8’ codec can’t decode byte 0xff in position 0: invalid start byte

    q1304622669发表于 2017/7/11 11:09:18
  • 第六章 6.4.1 LeNet-5 模型,按照第 5 章 mnist_train.py 的参数,不能得到 Page 154 上面的输出。下载源码后发现,发现参数是修改过的,LEARNING_RATE_BASE 竟然是设置成了 0.01。

    按之前设置成 LEARNING_RATE_BASE = 0.8,得到如下的结果:
    After 1 training step(s), loss on training batch is 4.17216.
    After 1001 training step(s), loss on training batch is 9.50182.
    After 2001 training step(s), loss on training batch is 8.4391.
    After 3001 training step(s), loss on training batch is 7.58759.
    After 4001 training step(s), loss on training batch is 6.84723.
    After 5001 training step(s), loss on training batch is 6.21202.

    设置成 LEARNING_RATE_BASE = 0.01 得到如下的结果:
    After 1 training step (s), loss on trainning batch is 7.14841.
    After 1001 training step (s), loss on trainning batch is 0.7858.
    After 2001 training step (s), loss on trainning batch is 0.751647.
    After 3001 training step (s), loss on trainning batch is 0.723011.
    After 4001 training step (s), loss on trainning batch is 0.703585.
    After 5001 training step (s), loss on trainning batch is 0.667171.

    q1304622669发表于 2017/7/8 14:46:01

相关博文

  • #小编推书#抢占人工智能至高点!

    Jessica瑾妞 2017-03-20

    关于TensorFlow Google发布了TensorFlow 1.0候选版,这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源,距今已有一年多,这期间TensorFlow不断给人以惊喜,...

    Jessica瑾妞 2017-03-20
    90 0 0 0
  • 简单读懂人工智能:机器学习与深度学习是什么关系

    简单读懂人工智能:机器学习与深度学习是什么关系

    管理员账号 2017-03-20

    小编说:随着AlphaGo战胜李世石,人工智能和深度学习这些概念已经成为一个非常火的话题。人工智能、机器学习与深度学习这几个关键词时常出现在媒体新闻中,并错误地被认为是等同的概念。本文将介绍人工智能、机器学习以及深度学习的概念,并着重解...

    管理员账号 2017-03-20
    106 0 0 0