了得網計算機/網絡_TensorFlow深度學習實戰

內容簡介

本書將介紹如何有效地使用Google的開源框架TensorFlow進行深度學習。通過學習，你將實現不同的深度學習網絡，如卷積神經網絡（CNN）、循環神經網絡（RNN）、深度Q learning網絡（DQN）和生成對抗網絡（GAN），以及如何使用TensorFlow的高級封裝Keras工具。

譯者序
前言
作者簡介
審校者簡介
第1章TensorFlow簡介 1
1.1引言 1
1.2TensorFlow安裝 2
1.3Hello world 6
1.4理解TensorFlow程序結構 8
1.5常量、變量和占位符 10
1.6使用TensorFlow 執行矩陣操作 15
1.7使用數據流圖 17
1.8從0.x遷移到1.x 18
1.9使用XLA提升運算性能 19譯者序
前言
作者簡介
審校者簡介
第1章TensorFlow簡介 1
1.1引言 1
1.2TensorFlow安裝 2
1.3Hello world 6
1.4理解TensorFlow程序結構 8
1.5常量、變量和占位符 10
1.6使用TensorFlow 執行矩陣操作 15
1.7使用數據流圖 17
1.8從0.x遷移到1.x 18
1.9使用XLA提升運算性能 19
1.10調用CPU/GPU設備 21
1.11TensorFlow與深度學習 24
1.12DNN問題需要的Python包 28
第2章回歸 30
2.1引言 30
2.2選擇損失函數 31
2.3TensorFlow中的優化器 33
2.4讀取CSV文件和數據預處理 36
2.5房價估計——簡單線性回歸 39
2.6房價估計線性回歸 42
2.7MNIST數據集的邏輯回歸 45
第3章神經網絡——感知機 50
3.1引言 50
3.2激活函數 52
3.3單層感知機 58
3.4計算反向傳播算法的梯度 60
3.5使用MLP實現MNIST分類器 63
3.6使用MLP逼近函數來預測波士頓房價 66
3.7調整超參數 71
3.8高級API——Keras 72
第4章卷積神經網絡 75
4.1引言 75
4.2創建一個ConvNet來分類手寫MNIST數字 79
4.3創建一個ConvNet來分類CIFAR-10數據集 84
4.4用VGG19做風格遷移的圖像重繪 87
4.5使用預訓練的VGG16網絡進行遷移學習 96
4.6創建DeepDream網絡 100
第5章高級卷積神經網絡 105
5.1引言 105
5.2為情感分析創建一個ConvNet 106
5.3檢驗VGG預建網絡學到的濾波器 109
5.4使用 VGGNet、ResNet、Inception和Xception分類圖像 113
5.5重新利用預建深度學習模型進行特征提取 125
5.6用於遷移學習的深層InceptionV3網絡 126
5.7使用擴張ConvNet、WaveNet和 NSynth生成音樂 129
5.8關於圖像的問答 134
5.9利用預訓練網絡進行視頻分類的6種方法 140
第6章循環神經網絡 144
6.1引言 144
6.2神經機器翻譯——seq2seq RNN訓練 150
6.3神經機器翻譯——seq2seq RNN推理 156
6.4你所需要的是注意力—另一個seq2seq RNN例子 157
6.5使用RNN像莎士比亞一樣寫作 161
6.6基於RNN學習預測比特幣價格 165
6.7多對一和多對多的RNN例子 174
第7章無監督學習 176
7.1引言 176
7.2主成分分析 176
7.3k均值聚類 181
7.4自組織映射 186
7.5受限玻爾茲曼機 191
7.6基於RBM的推薦繫統 196
7.7用DBN進行情緒檢測 198
第8章自動編碼機 205
8.1引言 205
8.2標準自動編碼機 207
8.3稀疏自動編碼機 212
8.4去噪自動編碼機 217
8.5卷積自動編碼機 221
8.6堆疊自動編碼機 225
第9章強化學習 231
9.1引言 231
9.2學習OpenAI Gym 232
9.3用神經網絡智能體玩Pac-Man遊戲 235
9.4用Q learning玩Cart-Pole平衡遊戲 238
9.5用DQN玩Atari遊戲 244
9.6用策略梯度網絡玩Pong遊戲 252
第10章移動端計算 259
10.1引言 259
10.2安裝適用於macOS和Android的TensorFlow mobile 260
10.3玩轉TensorFlow和Android的示例 265
10.4安裝適用於macOS和iPhone的TensorFlow mobile 268
10.5為移動設備優化TensorFlow計算圖 271
10.6為移動設備分析TensorFlow計算圖 273
10.7為移動設備轉換TensorFlow計算圖 275
第11章生成式模型和CapsNet 278
11.1引言 278
11.2學習使用簡單GAN虛構MNIST圖像 284
11.3學習使用DCGAN虛構MNIST圖像 289
11.4學習使用DCGAN虛構名人面孔和其他數據集 294
11.5實現變分自動編碼機 297
11.6學習使用膠囊網絡擊敗MNIST前期的成果 305
第12章分布式TensorFlow和雲深度學習 319
12.1引言 319
12.2在GPU上使用TensorFlow 322
12.3玩轉分布式TensorFlow：多個GPU和一個CPU 323
12.4玩轉分布式TensorFlow：多服務器 324
12.5訓練分布式TensorFlow MNIST分類器 326
12.6基於Docker使用TensorFlow Serving 328
12.7使用計算引擎在谷歌雲平臺上運行分布式TensorFlow 330
12.8在谷歌CloudML上運行分布式TensorFlow 333
12.9在Microsoft Azure上運行分布式TensorFlow 334
12.10在Amazon AWS上運行分布式TensorFlow 337
附錄A利用AutoML學會學習） 342
附錄BTensorFlow處理器 350

前言

本書介紹如何有效地使用Google的開源框架TensorFlow進行深度學習。你將實現不同的深度學習網絡，如卷積神經網絡（CNN）、循環神經網絡（RNN）、深度Q learning網絡（DQN）和生成對抗網絡（GAN），並將學習如何使用TensorFlow的高級封裝工具Keras。
你將了解如何使用不同的深層神經架構來執行復雜的任務，並在一些常用數據集（如MNIST、CIFAR-10、Youtube8m等）上了解不同DNN的性能，不僅可以了解TensorFlow支持的不同移動和嵌入式平臺，還可以了解如何為深度學習應用程序搭建雲平臺。你將深入了解TPU架構，以及它們將如何影響DNN的未來。
學完本書，你將理解深度學習實踐技術，能夠獨立開發現實世界中的一些應用，開展如強化學習、GAN、自動編碼機等領域的研究。
本書主要內容
第1章討論Google的開源框架TensorFlow，以及為什麼它對深度學習有用。這一章將討論如何在Mac、Windows和Ubuntu上為CPU和GPU安裝TensorFlow，還將討論在整本書中使用的其他Python包。我們將解釋TensorFlow代碼的兩個組成部分、圖的定義及其執行，學習使用TensorBoard來查看圖表結構，了解TensorFlow常量、變量和占位符之間的區別，也會體驗一下TensorFlow Estimator。本書介紹如何有效地使用Google的開源框架TensorFlow進行深度學習。你將實現不同的深度學習網絡，如卷積神經網絡（CNN）、循環神經網絡（RNN）、深度Q learning網絡（DQN）和生成對抗網絡（GAN），並將學習如何使用TensorFlow的高級封裝工具Keras。
你將了解如何使用不同的深層神經架構來執行復雜的任務，並在一些常用數據集（如MNIST、CIFAR-10、Youtube8m等）上了解不同DNN的性能，不僅可以了解TensorFlow支持的不同移動和嵌入式平臺，還可以了解如何為深度學習應用程序搭建雲平臺。你將深入了解TPU架構，以及它們將如何影響DNN的未來。
學完本書，你將理解深度學習實踐技術，能夠獨立開發現實世界中的一些應用，開展如強化學習、GAN、自動編碼機等領域的研究。
本書主要內容
第1章討論Google的開源框架TensorFlow，以及為什麼它對深度學習有用。這一章將討論如何在Mac、Windows和Ubuntu上為CPU和GPU安裝TensorFlow，還將討論在整本書中使用的其他Python包。我們將解釋TensorFlow代碼的兩個組成部分、圖的定義及其執行，學習使用TensorBoard來查看圖表結構，了解TensorFlow常量、變量和占位符之間的區別，也會體驗一下TensorFlow Estimator。
第2章討論回歸及其應用。這一章將討論回歸中涉及的概念，了解它與聚類和分類有何不同，學習不同類型的損失函數，以及如何在TensorFlow中實現它們。我們將學習如何實現L1和L2正則化，並討論梯度下降算法，學習如何優化它並在TensorFlow中實現它，還將簡要介紹一下交叉熵函數及其實現。
第3章涵蓋人工神經網絡基礎知識，並解釋為什麼它可以完成DNN所要求的任務，還將學習如何選擇不同的激活函數，使用它們來構建一個簡單的感知機，並將其用於函數建模。在訓練數據之前有必要了解數據的正則化，並將學習逐層構建多層感知機（MLP）。
第4章討論卷積過程以及如何提取特征，將學習CNN的三個重要的層：卷積層、池化層和全連接層。我們也將學習dropout正則化，以及為何其能提高性能，並學習不同的CNN架構，如LeNET和GoogleNET。
第5章涵蓋諸如面部識別CNN的一些成功案例。我們將寫一個使用CNN進行情感分析的程序，並學習如何實現遷移學習。還將學習如何使用VGG16網絡進行遷移學習，並用VGGNet、ResNet、Inception和Xception來學習圖像的分類。我們將使用擴張ConvNet、Wavenet和Nsynth來生成一段音樂，還將學習如何做視覺問答、如何做視頻分類。
第6章將介紹RNN的、單詞嵌入和時間排序。我們將簡要討論LSTM網絡，並學習seq2seq RNN，還學習如何使用RNN進行機器翻譯、生成文本和預測未來值。
第7章主要介紹無監督學習範式。我們將學習聚類和降維，學習像主成分分析（PCA）這樣的技術，並了解它們如何用於降維。我們將學習均值聚類，了解地形圖的概念，並學習如何訓練自組織映射網絡。我們將學習受限玻爾茲曼機（RBM），並討論其架構和訓練機制。我們將學習如何堆疊RBM來構建深度置信網絡（DBN），並學習如何訓練它們。我們還將使用預訓練和微調情緒檢測的概念來訓練DBN。
第8章將揭開自動編碼機的神秘面紗。我們將學習自動編碼機及其應用程序，討論各種可以使用自動編碼機的真實案例，討論編碼和後續重建的過程，學習重建錯誤，學習稀疏自動編碼機、KL散度的概念，學習去噪自動編碼機，並使用它們來根據被噪聲污染的圖像重建純淨的圖像。我們將學習如何構建卷積自動編碼機和堆疊自動編碼機。
第9章涵蓋不同的強化學習算法。我們將學習Q learning算法、討論Bellman-Ford方程，以及如何選擇學習率、因子，還將學習如何使用OpenAI Gym框架。我們將學習經驗回放和緩存的概念來實現價值迭代Q網絡，使用Q learning和策略梯度來構建遊戲agent。後，我們將學習如何創建自己的DQN，簡要介紹AlphaGo Zero及其取得的勝利。
第10章將介紹移動端深度學習的不同應用。我們將在Windows平臺上學習如何在Android studio上使用TensorFlow，學習如何使用TensorFlow和XCode來制作基於ios的應用程序，學習如何優化移動端的TensorFlow計算圖，以及學習如何為移動設備轉換TensorFlow計算圖。
第11章從生成對抗網絡開始，首先探索不同的預測模型。我們將闡述GAN及其運行背後的動機，了解基本的GAN架構，並探索一些非常酷的GAN應用。我們將學習另一個生成網絡——變分自動編碼機。後，我們將了解近提出的膠囊網絡。
第12章解釋雲環境、Docker、容器的概念，以及如何使用它們，學習如何使用多個CPU或多個服務器運行分布式TensorFlow，學習如何設置AWS進行深度學習，學習如何為深度學習應用設置谷歌雲，學習如何為深度學習應用設置Microsoft Azure雲。我們還將了解其他可用的雲服務。
附錄A簡要介紹AutoML和孿生網絡。
附錄B包括張量和它的基本架構，以及它將如何影響DNN的未來。
閱讀本書前的準備工作
為更好地學習本書，你需要安裝Python 3.5版本（https://www.continuum.io/ downloads）以及TensorFlow（www.tensorflow.org）。建議使用以下硬件配置：
CPU架構：x86_64
繫統內存：8 GB～32 GB
CPU：4～8 核
GPU：可選，NVDIA GTX 650
本書讀者對像
本書主要面向想要定期執行機器學習任務的數據科學家、機器學習從業者和深度學習愛好者。對深度神經網絡已有了解並希望獲得CNN和RNN等方面實踐經驗的人會發現本書很有用。
本書結構
在這本書中，你會發現幾個頻繁出現的小標題（準備工作、具體做法、解讀分析、更多內容、拓展閱讀），具體含義如下。
準備工作
這部分主要介紹需要做什麼，並介紹如何安裝所需的軟件並進行初步設置。
具體做法
這部分包括實現相應功能的具體步驟。
解讀分析
這部分通常包含對具體步驟的詳細解釋。
更多內容
這部分是擴充知識，以使讀者對其有更多的了解。
拓展閱讀
這部分將列出一些相關的網址。
下載示例代碼
本書的示例代碼，可以從http://www.packtpub.com通過個人賬號下載，也可以訪問華章圖書官網http://www.hzbook.com，通過注冊並登錄個人賬號下載。

商品搜索

商品分类

【醫學】

【各大出版社】