《TensorFlow技術解析與實戰》

機器學習深度學習領域參考書 包攬TensorFlow1.1的新特性 人臉識別 語音識別 影象和語音相結合等熱點一應俱全 李航 餘凱等人工智慧領域專家傾力推薦目錄第一篇　基礎篇

下載地址：https://pan.baidu.com/s/1iKDExWOgCuvxyqsF12abFg
備用地址：https://u1593575.ctfile.com/fs/1593575-330753940

TensorFlow?是谷歌公司開發的深度學習框架，也是目前深度學習的主流框架之一。本書從深度學習的基礎講起，深入TensorFlow框架原理、模型構建、原始碼分析和網路實現等各個方面。全書分為基礎篇、實戰篇和提高篇三部分。基礎篇講解人工智慧的入門知識，深度學習的方法，TensorFlow的基礎原理、系統架構、設計理念、程式設計模型、常用API、批標準化、模型的儲存與載入、佇列與執行緒，實現一個自定義操作，並進行TensorFlow原始碼解析，介紹卷積神經網路（CNN）和迴圈神經網路（RNN）的演化發展及其TensorFlow實現、TensorFlow的高階框架等知識；實戰篇講解如何用TensorFlow寫一個神經網路程式並介紹TensorFlow實現各種網路（CNN、RNN和自編碼網路等），並對MINIST資料集進行訓練，講解TensorFlow在人臉識別、自然語言處理、影象和語音的結合、生成式對抗網路等方面的應用；提高篇講解TensorFlow的分散式原理、架構、模式、API，還會介紹TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes結合、TensorFlowOnSpark、TensorFlow移動端應用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow計算加速等其他特性。zui後，附錄中列出一些可供參考的公開資料集，並結合作者的專案經驗介紹專案管理的一些建議。 　　本書深入淺出，理論聯絡實際，實戰案例新穎，基於zui新的TensorFlow 1.1版本，涵蓋TensorFlow的新特性，非常適合對深度學習和TensorFlow感興趣的讀者閱讀。

目錄
第1章　人工智慧概述　2
1.1　什麼是人工智慧　2
1.2　什麼是深度學習　5
1.3　深度學習的入門方法　7
1.4　什麼是TensorFlow　11
1.5　為什麼要學TensorFlow　12
1.5.1　TensorFlow的特性　14
1.5.2　使用TensorFlow的公司　15
1.5.3　TensorFlow的發展　16
1.6　機器學習的相關賽事　16
1.6.1　ImageNet的ILSVRC　17
1.6.2　Kaggle　18
1.6.3　天池大資料競賽　19
1.7　國內的人工智慧公司　20
1.8　小結　22
第2章　TensorFlow環境的準備　23
2.1　下載TensorFlow 1.1.0　23
2.2　基於pip的安裝　23
2.2.1　Mac OS環境準備　24
2.2.2　Ubuntu/Linux環境準備　25
2.2.3　Windows環境準備　25
2.3　基於Java的安裝　28
2.4　從原始碼安裝　29
2.5　依賴的其他模組　30
2.5.1　numpy　30
2.5.2　matplotlib　31
2.5.3　jupyter　31
2.5.4　scikit-image　32
2.5.5　librosa　32
2.5.6　nltk　32
2.5.7　keras　33
2.5.8　tflearn　33
2.6　小結　33
第3章　視覺化TensorFlow　34
3.1　PlayGround　34
3.1.1　資料　35
3.1.2　特徵　36
3.1.3　隱藏層　36
3.1.4　輸出　37
3.2　TensorBoard　39
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　視覺化的例子　44
3.3.1　降維分析　44
3.3.2　嵌入投影儀　48
3.4　小結　51
第4章　TensorFlow基礎知識　52
4.1　系統架構　52
4.2　設計理念　53
4.3　程式設計模型　54
4.3.1　邊　56
4.3.2　節點　57
4.3.3　其他概念　57
4.4　常用API　60
4.4.1　圖、操作和張量　60
4.4.2　視覺化　61
4.5　變數作用域　62
4.5.1　variable_scope示例　62
4.5.2　name_scope示例　64
4.6　批標準化　64
4.6.1　方法　65
4.6.2　優點　65
4.6.3　示例　65
4.7　神經元函式及優化方法　66
4.7.1　啟用函式　66
4.7.2　卷積函式　69
4.7.3　池化函式　72
4.7.4　分類函式　73
4.7.5　優化方法　74
4.8　模型的儲存與載入　79
4.8.1　模型的儲存與載入　79
4.8.2　圖的儲存與載入　82
4.9　佇列和執行緒　82
4.9.1　佇列　82
4.9.2　佇列管理器　85
4.9.3　執行緒和協調器　86
4.10　載入資料　87
4.10.1　預載入資料　87
4.10.2　填充資料　87
4.10.3　從檔案讀取資料　88
4.11　實現一個自定義操作　92
4.11.1　步驟　92
4.11.2　最佳實踐　93
4.12　小結　101
第5章　TensorFlow原始碼解析　102
5.1　TensorFlow的目錄結構　102
5.1.1　contirb　103
5.1.2　core　104
5.1.3　examples　105
5.1.4　g3doc　105
5.1.5　python　105
5.1.6　tensorboard　105
5.2　TensorFlow原始碼的學習方法　106
5.3　小結　108
第6章　神經網路的發展及其TensorFlow實現　109
6.1　卷積神經網路　109
6.2　卷積神經網路發展　110
6.2.1　網路加深　111
6.2.2　增強卷積層的功能　115
6.2.3　從分類任務到檢測任務　120
6.2.4　增加新的功能模組　121
6.3　MNIST的AlexNet實現　121
6.3.1　載入資料　121
6.3.2　構建網路模型　122
6.3.3　訓練模型和評估模型　124
6.4　迴圈神經網路　125
6.5　迴圈神經網路發展　126
6.5.1　增強隱藏層的功能　127
6.5.2　雙向化及加深網路　129
6.6　TensorFlow Model Zoo　131
6.7　其他研究進展　131
6.7.1　強化學習　132
6.7.2　深度森林　132
6.7.3　深度學習與藝術　132
6.8　小結　133
第7章　TensorFlow的高階框架　134
7.1　TFLearn　134
7.1.1　載入資料　134
7.1.2　構建網路模型　135
7.1.3　訓練模型　135
7.2　Keras　135
7.2.1　Keras的優點　136
7.2.2　Keras的模型　136
7.2.3　Keras的使用　137
7.3　小結　141

第二篇　實戰篇

第8章　第一個TensorFlow程式　144
8.1　TensorFlow的執行方式　144
8.1.1　生成及載入資料　144
8.1.2　構建網路模型　145
8.1.3　訓練模型　145
8.2　超引數的設定　146
8.3　小結　147
第9章　TensorFlow在MNIST中的應用　148
9.1　MNIST資料集簡介　148
9.1.1　訓練集的標記檔案　148
9.1.2　訓練集的圖片檔案　149
9.1.3　測試集的標記檔案　149
9.1.4　測試集的圖片檔案　150
9.2　MNIST的分類問題　150
9.2.1　載入資料　150
9.2.2　構建迴歸模型　151
9.2.3　訓練模型　151
9.2.4　評估模型　152
9.3　訓練過程的視覺化　152
9.4　MNIST的卷積神經網路　156
9.4.1　載入資料　157
9.4.2　構建模型　157
9.4.3　訓練模型和評估模型　159
9.5　MNIST的迴圈神經網路　161
9.5.1　載入資料　161
9.5.2　構建模型　161
9.5.3　訓練資料及評估模型　163
9.6　MNIST的無監督學習　164
9.6.1　自編碼網路　164
9.6.2　TensorFlow的自編碼網路實現　165
9.7　小結　169
第10章　人臉識別　170
10.1　人臉識別簡介　170
10.2　人臉識別的技術流程　171
10.2.1　人臉影象採集及檢測　171
10.2.2　人臉影象預處理　171
10.2.3　人臉影象特徵提取　171
10.2.4　人臉影象匹配與識別　172
10.3　人臉識別的分類　172
10.3.1　人臉檢測　172
10.3.2　人臉關鍵點檢測　173
10.3.3　人臉驗證　174
10.3.4　人臉屬性檢測　174
10.4　人臉檢測　175
10.4.1　LFW資料集　175
10.4.2　資料預處理　175
10.4.3　進行檢測　176
10.5　性別和年齡識別　178
10.5.1　資料預處理　179
10.5.2　構建模型　181
10.5.3　訓練模型　182
10.5.4　驗證模型　184
10.6　小結　185
第11章　自然語言處理　186
11.1　模型的選擇　186
11.2　英文數字語音識別　187
11.2.1　定義輸入資料並預處理資料　188
11.2.2　定義網路模型　188
11.2.3　訓練模型　188
11.2.4　預測模型　189
11.3　智慧聊天機器人　189
11.3.1　原理　190
11.3.2　最佳實踐　191
11.4　小結　200
第12章　影象與語音的結合　201
12.1　看圖說話模型　201
12.1.1　原理　202
12.1.2　最佳實踐　203
12.2　小結　205
第13章　生成式對抗網路　206
13.1　生成式對抗網路的原理　206
13.2　生成式對抗網路的應用　207
13.3　生成式對抗網路的實現　208
13.4　生成式對抗網路的改進　214
13.5　小結　214

第三篇　提高篇

第14章　分散式TensorFlow　216
14.1　分散式原理　216
14.1.1　單機多卡和分散式　216
14.1.2　分散式部署方式　217
14.2　分散式架構　218
14.2.1　客戶端、主節點和工作節點的關係　218
14.2.2　客戶端、主節點和工作節點的互動過程　220
14.3　分散式模式　221
14.3.1　資料並行　221
14.3.2　同步更新和非同步更新　222
14.3.3　模型並行　224
14.4　分散式API　225
14.5　分散式訓練程式碼框架　226
14.6　分散式最佳實踐　227
14.7　小結　235
第15章　TensorFlow線性代數編譯框架XLA　236
15.1　XLA的優勢　236
15.2　XLA的工作原理　237
15.3　JIT編譯方式　238
15.3.1　開啟JIT編譯　238
15.3.2　將操作符放在XLA裝置上　238
15.4　JIT編譯在MNIST上的實現　239
15.5　小結　240
第16章　TensorFlow Debugger　241
16.1　Debugger的使用示例　241
16.2　遠端除錯方法　245
16.3　小結　245
第17章　TensorFlow和Kubernetes結合　246
17.1　為什麼需要Kubernetes　246
17.2　分散式TensorFlow在Kubernetes中的執行　247
17.2.1　部署及執行　247
17.2.2　其他應用　253
17.3　小結　254
第18章　TensorFlowOnSpark　255
18.1　TensorFlowOnSpark的架構　255
18.2　TensorFlowOnSpark在MNIST上的實踐　257
18.3　小結　261
第19章　TensorFlow移動端應用　262
19.1　移動端應用原理　262
19.1.1　量化　263
19.1.2　優化矩陣乘法運算　266
19.2　iOS系統實踐　266
19.2.1　環境準備　266
19.2.2　編譯演示程式並執行　267
19.2.3　自定義模型的編譯及執行　269
19.3　Android系統實踐　273
19.3.1　環境準備　274
19.3.2　編譯演示程式並執行　275
19.3.3　自定義模型的編譯及執行　277
19.4　樹莓派實踐　278
19.5　小結　278
第20章　TensorFlow的其他特性　279
20.1　TensorFlow Serving　279
20.2　TensorFlow Flod　280
20.3　TensorFlow計算加速　281
20.3.1　CPU加速　281
20.3.2　TPU加速和FPGA加速　282
20.4　小結　283
第21章　機器學習的評測體系　284
21.1　人臉識別的效能指標　284
21.2　聊天機器人的效能指標　284
21.3　機器翻譯的評價方法　286
21.3.1　BLEU　286
21.3.2　METEOR　287
21.4　常用的通用評價指標　287
21.4.1　ROC和AUC　288
21.4.2　AP和mAP　288
21.5　小結　288
附錄A　公開資料集　289
附錄B　專案管理經驗小談　292