- 領導“谷歌大腦”的工程師Jeff Dean發來寄語- 李航、餘凱等人工智能領域專家傾力推薦- 基於TensorFlow 1.1，包攬TensorFlow的新特性- 技術內容全面，實戰案例豐富，視野廣闊- 人臉識別、語音識別、圖像和語音相結合等熱點一應俱全TensorFlow是深度學習的的框架之一，極適合新手入門。谷歌公司正致力於建立一個相關軟件和機器學習模型的開源生態繫統，這是人工智能發展的技術風口。本書基於TensorFlow1.1版本，深入TensorFlow基礎原理、等

●篇  基礎篇章  人工智能概述  21.1  什麼是人工智能  21.2  什麼是深度學習  51.3  深度學習的入門方法  71.4  什麼是TensorFlow  111.5  為什麼要學TensorFlow  121.5.1  TensorFlow的特性  141.5.2  使用TensorFlow的公司  151.5.3  TensorFlow的發展  161.6  機器學習的相關賽事  161.6.1  ImageNet的ILSVRC  171.6.2  Kaggle  181.6.3  天池大數據競賽  191.7  國內的人工智能公司  201.8  小結  22第2章  TensorFlow環境的準備  232.1  下載TensorFlow 1.1.0  232.2  基於pip的安裝  232.2.1  Mac OS環境準備  242.2.2  Ubuntu/Linux環境準備  252.2.3  Windows環境準備  252.3  基於Java的安裝  282.4  從源代碼安裝  292.5  依賴的其他模塊  302.5.1  numpy  302.5.2  matplotlib  312.5.3  jupyter  312.5.4  scikit-image  322.5.5  librosa  322.5.6  nltk  322.5.7  keras  332.5.8  tflearn  332.6  小結  33第3章  可視化TensorFlow  343.1  PlayGround  343.1.1  數據  353.1.2  特征  363.1.3  隱藏層  363.1.4  輸出  373.2  TensorBoard  393.2.1  SCALARS面板  403.2.2  IMAGES面板  413.2.3  AUDIO面板  423.2.4  GRAPHS面板  423.2.5  DISTRIBUTIONS面板  433.2.6  HISTOGRAMS面板  433.2.7  EMBEDDINGS面板  443.3  可視化的例子  443.3.1  降維分析  443.3.2  嵌入投影儀  483.4  小結  51第4章  TensorFlow基礎知識  524.1  繫統架構  524.2  設計理念  534.3  編程模型  544.3.1  邊  564.3.2  節點  574.3.3  其他概念  574.4  常用API  604.4.1  圖、操作和張量  604.4.2  可視化  614.5  變量作用域  624.5.1  variable_scope示例  624.5.2  name_scope示例  644.6  批標準化  644.6.1  方法  654.6.2  優點  654.6.3  示例  654.7  函數及優化方法  664.7.1  激活函數  664.7.2  卷積函數  694.7.3  池化函數  724.7.4  分類函數  734.7.5  優化方法  744.8  模型的存儲與加載  794.8.1  模型的存儲與加載  794.8.2  圖的存儲與加載  824.9  隊列和線程  824.9.1  隊列  824.9.2  隊列管理器  854.9.3  線程和協調器  864.10  加載數據  874.10.1  預加載數據  874.10.2  填充數據  874.10.3  從文件讀取數據  884.11  實現一個自定義操作  924.11.1  步驟  924.11.2  很好實踐  934.12  小結  101第5章  TensorFlow源代碼解析  1025.1  TensorFlow的目錄結構  1025.1.1  contirb  1035.1.2  core  1045.1.3  examples  1055.1.4  g3doc  1055.1.5  python  1055.1.6  tensorboard  1055.2  TensorFlow源代碼的學習方法  1065.3  小結  108第6章  神經網絡的發展及其TensorFlow實現  1096.1  卷積神經網絡  1096.2  卷積神經網絡發展  1106.2.1  網絡加深  1116.2.2  增強卷積層的功能  1156.2.3  從分類任務到檢測任務  1206.2.4  增加新的功能模塊  1216.3  MNIST的AlexNet實現  1216.3.1  加載數據  1216.3.2  構建網絡模型  1226.3.3  訓練模型和評估模型  1246.4  循環神經網絡  1256.5  循環神經網絡發展  1266.5.1  增強隱藏層的功能  1276.5.2  雙向化及加深網絡  1296.6  TensorFlow Model Zoo  1316.7  其他研究進展  1316.7.1  強化學習  1326.7.2  深度森林  1326.7.3  深度學習與藝術  1326.8  小結  133第7章  TensorFlow的高級框架  1347.1  TFLearn  1347.1.1  加載數據  1347.1.2  構建網絡模型  1357.1.3  訓練模型  1357.2  Keras  1357.2.1  Keras的優點  1367.2.2  Keras的模型  1367.2.3  Keras的使用  1377.3  小結  141第二篇  實戰篇第8章  個TensorFlow程序  1448.1  TensorFlow的運行方式  1448.1.1  生成及加載數據  1448.1.2  構建網絡模型  1458.1.3  訓練模型  1458.2  超參數的設定  1468.3  小結  147第9章  TensorFlow在MNIST中的應用  1489.1  MNIST數據集簡介  1489.1.1  訓練集的標記文件  1489.1.2  訓練集的圖片文件  1499.1.3  測試集的標記文件  1499.1.4  測試集的圖片文件  1509.2  MNIST的分類問題  1509.2.1  加載數據  1509.2.2  構建回歸模型  1519.2.3  訓練模型  1519.2.4  評估模型  1529.3  訓練過程的可視化  1529.4  MNIST的卷積神經網絡  1569.4.1  加載數據  1579.4.2  構建模型  1579.4.3  訓練模型和評估模型  1599.5  MNIST的循環神經網絡  1619.5.1  加載數據  1619.5.2  構建模型  1619.5.3  訓練數據及評估模型  1639.6  MNIST的無監督學習  1649.6.1  自編碼網絡  1649.6.2  TensorFlow的自編碼網絡實現  1659.7  小結  1690章  人臉識別  17010.1  人臉識別簡介  17010.2  人臉識別的技術流程  17110.2.1  人臉圖像采集及檢測  17110.2.2  人臉圖像預處理  17110.2.3  人臉圖像特征提取  17110.2.4  人臉圖像匹配與識別  17210.3  人臉識別的分類  17210.3.1  人臉檢測  17210.3.2  人臉關鍵點檢測  17310.3.3  人臉驗證  17410.3.4  人臉屬性檢測  17410.4  人臉檢測  17510.4.1  LFW數據集  17510.4.2  數據預處理  17510.4.3  進行檢測  17610.5  性別和年齡識別  17810.5.1  數據預處理  17910.5.2  構建模型  18110.5.3  訓練模型  18210.5.4  驗證模型  18410.6  小結  1851章  自然語言處理  18611.1  模型的選擇  18611.2  英文數字語音識別  18711.2.1  定義輸入數據並預處理數據  18811.2.2  定義網絡模型  18811.2.3  訓練模型  18811.2.4  預測模型  18911.3  智能聊天機器人  18911.3.1  原理  19011.3.2  很好實踐  19111.4  小結  2002章  圖像與語音的結合  20112.1  看圖說話模型  20112.1.1  原理  20212.1.2  很好實踐  20312.2  小結  2053章  生成式對抗網絡  20613.1  生成式對抗網絡的原理  20613.2  生成式對抗網絡的應用  20713.3  生成式對抗網絡的實現  20813.4  生成式對抗網絡的改進  21413.5  小結  214第三篇  提高篇4章  分布式TensorFlow  21614.1  分布式原理  21614.1.1  單機多卡和分布式  21614.1.2  分布式部署方式  21714.2  分布式架構  21814.2.1  客戶端、主節點和工作節點的關繫  21814.2.2  客戶端、主節點和工作節點的交互過程  22014.3  分布式模式  22114.3.1  數據並行  22114.3.2  同步更新和異步更新  22214.3.3  模型並行  22414.4  分布式API  22514.5  分布式訓練代碼框架  22614.6  分布式很好實踐  22714.7  小結  2355章  TensorFlow線性代數編譯框架XLA  23615.1  XLA的優勢  23615.2  XLA的工作原理  23715.3  JIT編譯方式  23815.3.1  打開JIT編譯  23815.3.2  將操作符放在XLA設備上  23815.4  JIT編譯在MNIST上的實現  23915.5  小結  2406章  TensorFlow Debugger  24116.1  Debugger的使用示例  24116.2  遠程調試方法  24516.3  小結  2457章  TensorFlow和Kubernetes結合  24617.1  為什麼需要Kubernetes  24617.2  分布式TensorFlow在Kubernetes中的運行  24717.2.1  部署及運行  24717.2.2  其他應用  25317.3  小結  2548章  TensorFlowOnSpark  25518.1  TensorFlowOnSpark的架構  25518.2  TensorFlowOnSpark在MNIST上的實踐  25718.3  小結  2619章  TensorFlow移動端應用  26219.1  移動端應用原理  26219.1.1  量化  26319.1.2  優化矩陣乘法運算  26619.2  iOS繫統實踐  26619.2.1  環境準備  26619.2.2  編譯演示程序並運行  26719.2.3  自定義模型的編譯及運行  26919.3  Android繫統實踐  27319.3.1  環境準備  27419.3.2  編譯演示程序並運行  27519.3.3  自定義模型的編譯及運行  27719.4  樹莓派實踐  27819.5  小結  278第20章  TensorFlow的其他特性  27920.1  TensorFlow Serving  27920.2  TensorFlow Flod  28020.3  TensorFlow計算加速  28120.3.1  CPU加速  28120.3.2  TPU加速和FPGA加速  28220.4  小結  283第21章  機器學習的評測體繫  28421.1  人臉識別的性能指標  28421.2  聊天機器人的性能指標  28421.3  機器翻譯的評價方法  28621.3.1  BLEU  28621.3.2  METEOR  28721.4  常用的通用評價指標  28721.4.1  ROC和AUC  28821.4.2  AP和mAP  28821.5  小結  288附錄A  公開數據集  289附錄B  項目管理經驗小談  292

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、源代碼分析和網絡實現等各個方面。全書分為基礎篇、實戰篇和提高篇三部分。基礎篇講解人工智能的入門知識，深度學習的方法，TensorFlow的基礎原理、繫統架構、設計理念、編程模型、常用API、批標準化、模型的存儲與加載、隊列與線程，實現一個自定義操作，並進行TensorFlow源代碼解析，介紹卷積神經網絡（CNN）和循環神經網絡（RNN）的演化發展及其TensorFlow實現、TensorFlow的不錯框架等知識；實戰篇講解如何用TensorFlow寫一個神經網絡程序並介紹TensorFlow實現各種網絡（CNN、RNN和自編碼網絡等），並對MINIST數據集進行訓練，講解TensorFlow在人臉識別、自然語言處理、圖像和語音的結合、生成等

李嘉璇 著