作品简介

本书将介绍如何有效地使用Google的开源框架TensorFlow进行深度学习。通过学习,你将实现不同的深度学习网络,如卷积神经网络(CNN)、循环神经网络(RNN)、深度Qlearning网络(DQN)和生成对抗网络(GAN),以及如何使用TensorFlow的高级封装Keras工具。

安东尼奥·古利(AntonioGulli),企业领导和软件部门高管,具备创新精神和执行力,并乐于发现和管理全球高科技人才。他是搜索引擎、在线服务、机器学习、信息检索、数据分析以及云计算等方面的专家。他已经在欧洲四个国家获得了从业经验,并管理过欧美六个国家的有关团队。目前,他在谷歌华沙担任网站主管和云计算主管,推动Serverless、Kubernetes和GoogleCloudUX等项目在欧洲的发展。以前,Antonio曾作为全球领先出版商Elsevier的副总裁帮助创新学术搜索任务,而在此之前,他曾作为微软的首席工程师开展查询建议和新闻搜索项目。他还曾担任Ask.com的首席技术官,推动多媒体和新闻搜索技术的发展。Antonio已经申请了20多项专利,发表了多篇学术论文,并是多个国际会议的高级PC成员。他相信,要想成功必须把管理、研究技巧、执行力和销售态度统一起来。

作品目录

  • 译者序
  • 前言
  • 作者简介
  • 审校者简介
  • 第1章 TensorFlow简介
  • 1.1 引言
  • 1.2 TensorFlow安装
  • 1.3 Hello world
  • 1.4 理解TensorFlow程序结构
  • 1.5 常量、变量和占位符
  • 1.6 使用TensorFlow执行矩阵操作
  • 1.7 使用数据流图
  • 1.8 从0.x迁移到1.x
  • 1.9 使用XLA提升运算性能
  • 1.10 调用CPU/GPU设备
  • 1.11 TensorFlow与深度学习
  • 1.12 DNN问题需要的Python包
  • 第2章 回归
  • 2.1 引言
  • 2.2 选择损失函数
  • 2.3 TensorFlow中的优化器
  • 2.4 读取CSV文件和数据预处理
  • 2.5 房价估计——简单线性回归
  • 2.6 房价估计——多元线性回归
  • 2.7 MNIST数据集的逻辑回归
  • 第3章 神经网络——感知机
  • 3.1 引言
  • 3.2 激活函数
  • 3.3 单层感知机
  • 3.4 计算反向传播算法的梯度
  • 3.5 使用MLP实现MNIST分类器
  • 3.6 使用MLP逼近函数来预测波士顿房价
  • 3.7 调整超参数
  • 3.8 高级API——Keras
  • 第4章 卷积神经网络
  • 4.1 引言
  • 4.2 创建一个ConvNet来分类手写MNIST数字
  • 4.3 创建一个ConvNet来分类CIFAR-10数据集
  • 4.4 用VGG19做风格迁移的图像重绘
  • 4.5 使用预训练的VGG16网络进行迁移学习
  • 4.6 创建DeepDream网络
  • 第5章 高级卷积神经网络
  • 5.1 引言
  • 5.2 为情感分析创建一个ConvNet
  • 5.3 检验VGG预建网络学到的滤波器
  • 5.4 使用VGGNet、ResNet、Inception和Xception分类图像
  • 5.5 重新利用预建深度学习模型进行特征提取
  • 5.6 用于迁移学习的深层InceptionV3网络
  • 5.7 使用扩张ConvNet、WaveNet和NSynth生成音乐
  • 5.8 关于图像的问答
  • 5.9 利用预训练网络进行视频分类的6种方法
  • 第6章 循环神经网络
  • 6.1 引言
  • 6.2 神经机器翻译——seq2seq RNN训练
  • 6.3 神经机器翻译——seq2seq RNN推理
  • 6.4 你所需要的是注意力—另一个seq2seq RNN例子
  • 6.5 使用RNN像莎士比亚一样写作
  • 6.6 基于RNN学习预测比特币价格
  • 6.7 多对一和多对多的RNN例子
  • 第7章 无监督学习
  • 7.1 引言
  • 7.2 主成分分析
  • 7.3 k均值聚类
  • 7.4 自组织映射
  • 7.5 受限玻尔兹曼机
  • 7.6 基于RBM的推荐系统
  • 7.7 用DBN进行情绪检测
  • 第8章 自动编码机
  • 8.1 引言
  • 8.2 标准自动编码机
  • 8.3 稀疏自动编码机
  • 8.4 去噪自动编码机
  • 8.5 卷积自动编码机
  • 8.6 堆叠自动编码机
  • 第9章 强化学习
  • 9.1 引言
  • 9.2 学习OpenAI Gym
  • 9.3 用神经网络智能体玩Pac-Man游戏
  • 9.4 用Q learning玩Cart-Pole平衡游戏
  • 9.5 用DQN玩Atari游戏
  • 9.6 用策略梯度网络玩Pong游戏
  • 第10章 移动端计算
  • 10.1 引言
  • 10.2 安装适用于macOS和Android的TensorFlow mobile
  • 10.3 玩转TensorFlow和Android的示例
  • 10.4 安装适用于macOS和iPhone的TensorFlow mobile
  • 10.5 为移动设备优化TensorFlow计算图
  • 10.6 为移动设备分析TensorFlow计算图
  • 10.7 为移动设备转换TensorFlow计算图
  • 第11章 生成式模型和CapsNet
  • 11.1 引言
  • 11.2 学习使用简单GAN虚构MNIST图像
  • 11.3 学习使用DCGAN虚构MNIST图像
  • 11.4 学习使用DCGAN虚构名人面孔和其他数据集
  • 11.5 实现变分自动编码机
  • 11.6 学习使用胶囊网络击败MNIST前期的最新成果
  • 第12章 分布式TensorFlow和云深度学习
  • 12.1 引言
  • 12.2 在GPU上使用TensorFlow
  • 12.3 玩转分布式TensorFlow:多个GPU和一个CPU
  • 12.4 玩转分布式TensorFlow:多服务器
  • 12.5 训练分布式TensorFlow MNIST分类器
  • 12.6 基于Docker使用TensorFlow Serving
  • 12.7 使用计算引擎在谷歌云平台上运行分布式TensorFlow
  • 12.8 在谷歌CloudML上运行分布式TensorFlow
  • 12.9 在Microsoft Azure上运行分布式TensorFlow
  • 12.10 在Amazon AWS上运行分布式TensorFlow
  • 附录A 利用AutoML学会学习(元学习)
  • 附录B TensorFlow处理器
展开全部