新書推薦：
《
半导体纳米器件：物理、技术和应用
》
售價：HK$
177.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：HK$
61.6
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：HK$
221.8
《
武人琴音（十周年纪念版 逝去的武林系列收官之作 形意拳一门三代：尚云祥、韩伯言、韩瑜的人生故事 凸显百年武人命运）
》
售價：HK$
43.7
《
剑桥斯堪的纳维亚戏剧史（剑桥世界戏剧史译丛）
》
售價：HK$
154.6
《
禅心与箭术：过松弛而有力的生活（乔布斯精神导师、世界禅者——铃木大拙荐）
》
售價：HK$
66.1
《
先进电磁屏蔽材料——基础、性能与应用
》
售價：HK$
221.8
《
可转债投资实战
》
售價：HK$
99.7
|
| 內容簡介： |
|
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Q learning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。
|
| 關於作者： |
审校者简介
第1章 TensorFlow简介1
1.1 引言1
1.2 TensorFlow安装2
1.3 Hello world6
1.4 理解TensorFlow程序结构8
1.5 常量、变量和占位符10
1.6 使用TensorFlow 执行矩阵操作15
1.7 使用数据流图17
1.8 从0.x迁移到1.x18
1.9 使用XLA提升运算性能19译者序
前言
作者简介
审校者简介
第1章 TensorFlow简介1
1.1 引言1
1.2 TensorFlow安装2
1.3 Hello world6
1.4 理解TensorFlow程序结构8
1.5 常量、变量和占位符10
1.6 使用TensorFlow 执行矩阵操作15
1.7 使用数据流图17
1.8 从0.x迁移到1.x18
1.9 使用XLA提升运算性能19
1.10 调用CPUGPU设备21
1.11 TensorFlow与深度学习24
1.12 DNN问题需要的Python包28
第2章 回归30
2.1 引言30
2.2 选择损失函数31
2.3 TensorFlow中的优化器33
2.4 读取CSV文件和数据预处理36
2.5 房价估计——简单线性回归39
2.6 房价估计——多元线性回归42
2.7 MNIST数据集的逻辑回归45
第3章 神经网络——感知机50
3.1 引言50
3.2 激活函数52
3.3 单层感知机58
3.4 计算反向传播算法的梯度60
3.5 使用MLP实现MNIST分类器63
3.6 使用MLP逼近函数来预测波士顿房价66
3.7 调整超参数71
3.8 高级API——Keras72
第4章 卷积神经网络75
4.1 引言75
4.2 创建一个ConvNet来分类手写MNIST数字79
4.3 创建一个ConvNet来分类CIFAR-10数据集84
4.4 用VGG19做风格迁移的图像重绘87
4.5 使用预训练的VGG16网络进行迁移学习96
4.6 创建DeepDream网络100
第5章 高级卷积神经网络105
5.1 引言105
5.2 为情感分析创建一个ConvNet106
5.3 检验VGG预建网络学到的滤波器109
5.4 使用 VGGNet、ResNet、Inception和Xception分类图像113
5.5 重新利用预建深度学习模型进行特征提取125
5.6 用于迁移学习的深层InceptionV3网络126
5.7 使用扩张ConvNet、WaveNet和 NSynth生成音乐129
5.8 关于图像的问答134
5.9 利用预训练网络进行视频分类的6种方法140
第6章 循环神经网络144
6.1 引言144
6.2 神经机器翻译——seq2seq RNN训练150
6.3 神经机器翻译——seq2seq RNN推理156
6.4 你所需要的是注意力—另一个seq2seq RNN例子157
6.5 使用RNN像莎士比亚一样写作161
6.6 基于RNN学习预测比特币价格165
6.7 多对一和多对多的RNN例子174
第7章 无监督学习176
7.1 引言176
7.2 主成分分析176
7.3 k均值聚类181
7.4 自组织映射186
7.5 受限玻尔兹曼机191
7.6 基于RBM的推荐系统196
7.7 用DBN进行情绪检测198
第8章 自动编码机205
8.1 引言205
8.2 标准自动编码机207
8.3 稀疏自动编码机212
8.4 去噪自动编码机217
8.5 卷积自动编码机221
8.6 堆叠自动编码机225
第9章 强化学习231
9.1 引言231
9.2 学习OpenAI Gym232
9.3 用神经网络智能体玩Pac-Man游戏235
9.4 用Q learning玩Cart-Pole平衡游戏238
9.5 用DQN玩Atari游戏244
9.6 用策略梯度网络玩Pong游戏252
第10章 移动端计算259
10.1 引言259
10.2 安装适用于macOS和Android的TensorFlow mobile260
10.3 玩转TensorFlow和Android的示例265
10.4 安装适用于macOS和iPhone的TensorFlow mobile268
10.5 为移动设备优化TensorFlow计算图271
10.6 为移动设备分析TensorFlow计算图273
10.7 为移动设备转换TensorFlow计算图275
第11章 生成式模型和CapsNet278
11.1 引言278
11.2 学习使用简单GAN虚构MNIST图像284
11.3 学习使用DCGAN虚构MNIST图像289
11.4 学习使用DCGAN虚构名人面孔和其他数据集294
11.5 实现变分自动编码机297
11.6 学习使用胶囊网络击败MNIST前期的最新成果305
第12章 分布式TensorFlow和云深度学习319
12.1 引言319
12.2 在GPU上使用TensorFlow322
12.3 玩转分布式TensorFlow：多个GPU和一个CPU323
12.4 玩转分布式TensorFlow：多服务器324
12.5 训练分布式TensorFlow MNIST分类器326
12.6 基于Docker使用TensorFlow Serving328
12.7 使用计算引擎在谷歌云平台上运行分布式TensorFlow330
12.8 在谷歌CloudML上运行分布式TensorFlow333
12.9 在Microsoft Azure上运行分布式TensorFlow334
12.10 在Amazon AWS上运行分布式TensorFlow337
附录A 利用AutoML学会学习（元学习）342
附录B TensorFlow处理器350
|
| 目錄：
|
译者序
前言
作者简介
审校者简介
第1章 TensorFlow简介1
1.1 引言1
1.2 TensorFlow安装2
1.3 Hello world6
1.4 理解TensorFlow程序结构8
1.5 常量、变量和占位符10
1.6 使用TensorFlow 执行矩阵操作15
1.7 使用数据流图17
1.8 从0.x迁移到1.x18
1.9 使用XLA提升运算性能19
1.10 调用CPUGPU设备21
1.11 TensorFlow与深度学习24
1.12 DNN问题需要的Python包28
第2章 回归30
2.1 引言30
2.2 选择损失函数31
2.3 TensorFlow中的优化器33
2.4 读取CSV文件和数据预处理36
2.5 房价估计——简单线性回归39
2.6 房价估计——多元线性回归42
2.7 MNIST数据集的逻辑回归45
第3章 神经网络——感知机50
3.1 引言50
3.2 激活函数52
3.3 单层感知机58
3.4 计算反向传播算法的梯度60
3.5 使用MLP实现MNIST分类器63
3.6 使用MLP逼近函数来预测波士顿房价66
3.7 调整超参数71
3.8 高级API——Keras72
第4章 卷积神经网络75
4.1 引言75
4.2 创建一个ConvNet来分类手写MNIST数字79
4.3 创建一个ConvNet来分类CIFAR-10数据集84
4.4 用VGG19做风格迁移的图像重绘87
4.5 使用预训练的VGG16网络进行迁移学习96
4.6 创建DeepDream网络100
第5章 高级卷积神经网络105
5.1 引言105
5.2 为情感分析创建一个ConvNet106
5.3 检验VGG预建网络学到的滤波器109
5.4 使用 VGGNet、ResNet、Inception和Xception分类图像113
5.5 重新利用预建深度学习模型进行特征提取125
5.6 用于迁移学习的深层InceptionV3网络126
5.7 使用扩张ConvNet、WaveNet和 NSynth生成音乐129
5.8 关于图像的问答134
5.9 利用预训练网络进行视频分类的6种方法140
第6章 循环神经网络144
6.1 引言144
6.2 神经机器翻译——seq2seq RNN训练150
6.3 神经机器翻译——seq2seq RNN推理156
6.4 你所需要的是注意力—另一个seq2seq RNN例子157
6.5 使用RNN像莎士比亚一样写作161
6.6 基于RNN学习预测比特币价格165
6.7 多对一和多对多的RNN例子174
第7章 无监督学习176
7.1 引言176
7.2 主成分分析176
7.3 k均值聚类181
7.4 自组织映射186
7.5 受限玻尔兹曼机191
7.6 基于RBM的推荐系统196
7.7 用DBN进行情绪检测198
第8章 自动编码机205
8.1 引言205
8.2 标准自动编码机207
8.3 稀疏自动编码机212
8.4 去噪自动编码机217
8.5 卷积自动编码机221
8.6 堆叠自动编码机225
第9章 强化学习231
9.1 引言231
9.2 学习OpenAI Gym232
9.3 用神经网络智能体玩Pac-Man游戏235
9.4 用Q learning玩Cart-Pole平衡游戏238
9.5 用DQN玩Atari游戏244
9.6 用策略梯度网络玩Pong游戏252
第10章 移动端计算259
10.1 引言259
10.2 安装适用于macOS和Android的TensorFlow mobile260
10.3 玩转TensorFlow和Android的示例265
10.4 安装适用于macOS和iPhone的TensorFlow mobile268
10.5 为移动设备优化TensorFlow计算图271
10.6 为移动设备分析TensorFlow计算图273
10.7 为移动设备转换TensorFlow计算图275
第11章 生成式模型和CapsNet278
11.1 引言278
11.2 学习使用简单GAN虚构MNIST图像284
11.3 学习使用DCGAN虚构MNIST图像289
11.4 学习使用DCGAN虚构名人面孔和其他数据集294
11.5 实现变分自动编码机297
11.6 学习使用胶囊网络击败MNIST前期的最新成果305
第12章 分布式TensorFlow和云深度学习319
12.1 引言319
12.2 在GPU上使用TensorFlow322
12.3 玩转分布式TensorFlow：多个GPU和一个CPU323
12.4 玩转分布式TensorFlow：多服务器324
12.5 训练分布式TensorFlow MNIST分类器326
12.6 基于Docker使用TensorFlow Serving328
12.7 使用计算引擎在谷歌云平台上运行分布式TensorFlow330
12.8 在谷歌CloudML上运行分布式TensorFlow333
12.9 在Microsoft Azure上运行分布式TensorFlow334
12.10 在Amazon AWS上运行分布式TensorFlow337
附录A 利用AutoML学会学习（元学习）342
附录B TensorFlow处理器350
|
| 內容試閱：
|
本书介绍如何有效地使用Google的开源框架TensorFlow进行深度学习。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Q learning网络（DQN）和生成对抗网络（GAN），并将学习如何使用TensorFlow的高级封装工具Keras。
你将了解如何使用不同的深层神经架构来执行复杂的任务，并在一些常用数据集（如MNIST、CIFAR-10、Youtube8m等）上了解不同DNN的性能，不仅可以了解TensorFlow支持的不同移动和嵌入式平台，还可以了解如何为深度学习应用程序搭建云平台。你将深入了解TPU架构，以及它们将如何影响DNN的未来。
学完本书，你将理解深度学习实践技术，能够独立开发现实世界中的一些应用，开展如强化学习、GAN、自动编码机等领域的研究。
本书主要内容
第1章 讨论Google的开源框架TensorFlow，以及为什么它对深度学习有用。这一章将讨论如何在Mac、Windows和Ubuntu上为CPU和GPU安装TensorFlow，还将讨论在整本书中使用的其他Python包。我们将解释TensorFlow代码的两个组成部分、图的定义及其执行，学习使用TensorBoard来查看图表结构，了解TensorFlow常量、变量和占位符之间的区别，也会体验一下TensorFlow Estimator。
第2章 讨论回归及其应用。这一章将讨论回归中涉及的概念，了解它与聚类和分类有何不同，学习不同类型的损失函数，以及如何在TensorFlow中实现它们。我们将学习如何实现L1和L2正则化，并讨论梯度下降算法，学习如何优化它并在TensorFlow中实现它，还将简要介绍一下交叉熵函数及其实现。
第3章 涵盖人工神经网络基础知识，并解释为什么它可以完成DNN所要求的任务，还将学习如何选择不同的激活函数，使用它们来构建一个简单的感知机，并将其用于函数建模。在训练数据之前有必要了解数据的正则化，并将学习逐层构建多层感知机（MLP）。
第4章 讨论卷积过程以及如何提取特征，将学习CNN的三个重要的层：卷积层、池化层和全连接层。我们也将学习dropout正则化，以及为何其能提高性能，并学习不同的CNN架构，如LeNET和GoogleNET。
第5章 涵盖诸如面部识别CNN的一些成功案例。我们将写一个使用CNN进行情感分析的程序，并学习如何实现迁移学习。还将学习如何使用VGG16网络进行迁移学习，并用VGGNet、ResNet、Inception和Xception来学习图像的分类。我们将使用扩张ConvNet、Wavenet和Nsynth来生成一段音乐，还将学习如何做视觉问答、如何做视频分类。
第6章 将介绍RNN的基本单元、单词嵌入和时间排序。我们将简要讨论LSTM网络，并学习seq2seq RNN，还学习如何使用RNN进行机器翻译、生成文本和预测未来值。
第7章 主要介绍无监督学习范式。我们将学习聚类和降维，学习像主成分分析（PCA）这样的技术，并了解它们如何用于降维。我们将学习均值聚类，了解地形图的概念，并学习如何训练自组织映射网络。我们将学习受限玻尔兹曼机（RBM），并讨论其架构和训练机制。我们将学习如何堆叠RBM来构建深度置信网络（DBN），并学习如何训练它们。我们还将使用预训练和微调情绪检测的概念来训练DBN。
第8章 将揭开自动编码机的神秘面纱。我们将学习自动编码机及其应用程序，讨论各种可以使用自动编码机的真实案例，讨论编码和后续重建的过程，学习重建错误，学习稀疏自动编码机、KL散度的概念，学习去噪自动编码机，并使用它们来根据被噪声污染的图像重建纯净的图像。我们将学习如何构建卷积自动编码机和堆叠自动编码机。
第9章 涵盖不同的强化学习算法。我们将学习Q learning算法、讨论Bellman-Ford方程，以及如何选择学习率、折扣因子，还将学习如何使用OpenAI Gym框架。我们将学习经验回放和缓存的概念来实现价值迭代Q网络，使用Q learning和策略梯度来构建游戏agent。最后，我们将学习如何创建自己的DQN，简要介绍AlphaGo Zero及其取得的胜利。
第10章 将介绍移动端深度学习的不同应用。我们将在Windows平台上学习如何在Android studio上使用TensorFlow，学习如何使用TensorFlow和XCode来制作基于ios的应用程序，学习如何优化移动端的TensorFlow计算图，以及学习如何为移动设备转换TensorFlow计算图。
第11章 从生成对抗网络开始，首先探索不同的预测模型。我们将阐述GAN及其运行背后的动机，了解基本的GAN架构，并探索一些非常酷的GAN应用。我们将学习另一个生成网络——变分自动编码机。最后，我们将了解最近提出的胶囊网络。
第12章 解释云环境、Docker、容器的概念，以及如何使用它们，学习如何使用多个CPU或多个服务器运行分布式TensorFlow，学习如何设置AWS进行深度学习，学习如何为深度学习应用设置谷歌云，学习如何为深度学习应用设置Microsoft Azure云。我们还将了解其他可用的云服务。
附录A 简要介绍AutoML和孪生网络。
附录B 包括张量处理单元和它的基本架构，以及它将如何影响DNN的未来。
阅读本书前的准备工作
为更好地学习本书，你需要安装Python 3.5版本（https：www.continuum.io downloads）以及TensorFlow（www.tensorflow.org）。建议使用以下硬件配置：
CPU架构：x86_64
系统内存：8 GB～32 GB
CPU：4～8 核
GPU：可选，最低NVDIA GTX 650
本书读者对象
本书主要面向想要定期执行机器学习任务的数据科学家、机器学习从业者和深度学习爱好者。对深度神经网络已有了解并希望获得CNN和RNN等方面实践经验的人会发现本书很有用。
本书结构
在这本书中，你会发现几个频繁出现的小标题（准备工作、具体做法、解读分析、更多内容、拓展阅读），具体含义如下。
准备工作
这部分主要介绍需要做什么，并介绍如何安装所需的软件并进行初步设置。
具体做法
这部分包括实现相应功能的具体步骤。
解读分析
这部分通常包含对具体步骤的详细解释。
更多内容
这部分是扩充知识，以使读者对其有更多的了解。
拓展阅读
这部分将列出一些相关的网址。
下载示例代码
本书的示例代码，可以从http：www.packtpub.com通过个人账号下载，也可以访问华章图书官网http：www.hzbook.com，通过注册并登录个人账号下载。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
