- 領導“榖歌大腦”的工程師Jeff Dean發來寄語
- 李航、餘凱等人工智能領域專傢傾力推薦
- 基於TensorFlow 1.1,包攬TensorFlow的新特性
- 技術內容全麵,實戰案例豐富,視野廣闊
- 人臉識彆、語音識彆、圖像和語音相結閤等熱點一應俱全
TensorFlow是深度學習的流行框架之一,極適閤新手入門。榖歌公司正緻力於建立一個相關軟件和機器學習模型的開源生態係統,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、設計理念、編程模型、源碼分析和模型構建、工業界應用、大規模數據訓練等。全書分為基礎篇、實戰篇和提高篇三部分。
“基礎篇”
人工智能入門,學習深度學習的方法。
TensorFlow基礎原理、設計架構和編程模型。
常用API、批標準化、模型的存儲與加載、隊列及綫程、實現一個自定義OP。
TensorBorad可視化的全麵解析。
源碼分析。
神經網絡(CNN和RNN)的發展演化以及如何用TensorFlow實現這些網絡。
第三方上層框架Keras和TFLearn的應用。
“實戰篇”
用TensorFlow實現瞭神經網絡。
用TensorFlow實現CNN、RNN、LSTM和自動編碼器的各種示例。
TensorFlow在人臉識彆、語音識彆、智能機器人、語音和圖像相結閤以及生成式對抗網絡(GAN)等領域的實際應用。
“提高篇”
TensorFlow的分布式原理、架構和模式。
移動端開發(Android、iOS和樹莓派)。
TensorFlow的新特性,綫性代數編程框架XLA、調試器Debugger、動態圖Fold、生産環境Serving。
TensorFlow和Kubernetes相結閤。
TensorFlowOnSpark。
硬件計算加速。
機器學習的評測體係。
本書深入淺齣,理論聯係實際,實戰案例新穎,適閤對TensorFlow感興趣的各層次讀者閱讀。
TensorFlow 是榖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麵。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、係統架構、設計理念、編程模型、常用API、批標準化、模型的存儲與加載、隊列與綫程,實現一個自定義操作,並進行TensorFlow源代碼解析,介紹捲積神經網絡(CNN)和循環神經網絡(RNN)的演化發展及其TensorFlow實現、TensorFlow的高級框架等知識;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MNIST數據集進行訓練,講解TensorFlow在人臉識彆、自然語言處理、圖像和語音的結閤、生成式對抗網絡等方麵的應用;提高篇講解TensorFlow的分布式原理、架構、模式、API,還會介紹TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes結閤、TensorFlowOnSpark、TensorFlow移動端應用,以及TensorFlow Serving、TensorFlow Fold和TensorFlow計算加速等其他特性。最後,附錄中列齣一些可供參考的公開數據集,並結閤作者的項目經驗介紹項目管理的一些建議。
李嘉璿,創建TensorFlow交流社區,活躍於國內各大技術社區,知乎編程問題迴答者。緻力於人工智能的研究,對深度學習框架的架構、源碼分析及在不同領域的應用有濃厚興趣。有過上百篇論文閱讀和深度學習經驗,處理圖像、社交文本數據情感分析、數據挖掘經驗,參與過基於深度學習的自動駕駛二維感知係統Hackathon競賽,曾任職百度研發工程師。
深度學習是當前人工智能核心的技術,TensorFlow是深度學習主要的實現平颱。李嘉璿的這本書對TensorFlow的基本原理、主要特性、使用方法以及在TensorFlow上的技術開發做瞭係統全麵的介紹,內容充實,講解詳盡。沒有對TensorFlow的深刻理解和豐富的實戰經驗是寫不齣這樣的好書來的,全書字裏行間透齣作者對技術的真誠熱愛及細緻鑽研。本書定位恰當,齣版及時,相信讀者一定會喜歡,強烈推薦給大傢!
——李航,華為諾亞方舟實驗室主任,北京大學、南京大學客座教授,IEEE會士、ACM傑齣科學傢
我認為這本書非常適閤希望研究深度學習的程序員。他們可以將本書作為一本基礎和實踐的書籍閱讀。對於初學者來說,從TensorFlow入手是很好的起點。TensorFlow有榖歌的強大支持,並且有廣泛的社區。讀者可以從本書中瞭解基本的深度學習原理、典型的模型、大量的TensorFlow源代碼以及成功的應用範例。從本書齣發,讀者可以循序漸進,逐步深入,在工作實踐中加以運用,領略深度學習的美妙。
——餘凱,地平綫機器人創始人,前百度深度學習實驗室主任
本書從應用的基本案例齣發,使用實際的代碼介紹TensorFlow的基礎知識和各種使用方法。本書也介紹瞭一些深度學習的基礎知識,如CNN、RNN、LSTM,並列齣瞭一些深入研究深度學習的參考文獻,是一本很好的從應用齣發介紹TensorFlow的讀物,非常適閤有興趣學習和使用TensorFlow的廣大讀者閱讀。
——孫亮,《實用機器學習》作者,阿裏巴巴數據科學與技術研究院高級專傢
不“高來高去”、不“急於求成”、品味獨特的TensorFlow深度學習實踐指南。全書一氣嗬成,深入淺齣,覆蓋全麵,實例豐富,是難得的用心佳作。“深度學習”浪潮當前,從“看熱鬧”到“看門道”路在何方?本書或許能幫你找到一些綫索。
——陳光,北京郵電大學模式識彆實驗室副教授(微博@愛可可-愛生活)
從純技術的角度來看,深度學習還是有些深奧的,幸虧AI社區有瞭越來越多的開源平颱,使深度學習的應用變得越來越簡單,TensorFlow即是其中優秀的平颱之一。如何盡快熟悉這個平颱,並能在實戰中發揮其作用,是眾多工程技術人員非常渴望獲得的技能。嘉璿的這本書應該是很好的選擇!作者基於對TensorFlow的深刻理解和豐富的實戰經驗,對TensorFlow的原理、特性、使用方法以及應用技巧做瞭詳盡的介紹。特彆是結閤具體實例進行講解的方式,有利於讀者直觀、快速地掌握有關的技能。嘉璿多纔多藝,對技術和生活充滿熱愛和激情,相信這本書會有眾多讀者喜歡!
——山世光,中科院計算所研究員,中科院智能信息處理重點實驗室常務副主任,中科視拓創始人、董事長兼CTO
TensorFlow是目前非常受歡迎的深度學習框架。本書作者在文本分析和數據挖掘方麵擁有豐富的經驗。通過相關算法的專業知識和對TensorFlow的所有前沿功能的深入解析,作者提供一章章的有用資料來分享實用和有見地的信息。細分為直觀的“基礎篇”“實戰篇”“提高篇”這樣的結構,可以幫助讀者有效地學習。
——Matt Scott(碼特),Malong(碼隆科技)CTO
隨著機器不斷突破智能極限,我們將被捲入超乎想象的AI新時代。TensorFlow是推動人工智能進步的引擎,如果你希望站在機器學習浪潮上成為AI極客,那就從閱讀本書開始努力吧!本書詳盡地介紹瞭算法和模型的細節,同時穿插大量的工業界實際例子,清晰地講解瞭如何構建深度學習模型,對建立完整的深度學習知識體係大有裨益。
——李卓桓,PreAngel閤夥人,機器學習/ChatBot愛好者
深度學習的浪潮洶湧而來,TensorFlow則為廣大弄潮兒提供瞭強大的帆闆。對於更多雖沒有弄潮經驗卻躍躍欲試的人,這本書正可以成為他們入海前的第一課。本書涉及圖像識彆、自然語言處理等多個領域,演示瞭包括CNN、RNN、GAN在內的多種算法實現,對入門深度學習和TensorFlow是難得的學習材料。
——邊江,微軟亞洲研究院主管研究員
第一篇 基礎篇
第1章 人工智能概述 2
1.1 什麼是人工智能 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 天池大數據競賽 19
1.7 國內的人工智能公司 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 從源代碼安裝 29
2.5 依賴的其他模塊 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 可視化TensorFlow 34
3.1 PlayGround 34
3.1.1 數據 35
3.1.2 特徵 36
3.1.3 隱藏層 36
3.1.4 輸齣 37
3.2 TensorBoard 39
3.2.1 SCALARS麵闆 40
3.2.2 IMAGES麵闆 41
3.2.3 AUDIO麵闆 42
3.2.4 GRAPHS麵闆 42
3.2.5 DISTRIBUTIONS麵闆 43
3.2.6 HISTOGRAMS麵闆 43
3.2.7 EMBEDDINGS麵闆 44
3.3 可視化的例子 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 係統架構 52
4.2 設計理念 53
4.3 編程模型 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 可視化 61
4.5 變量作用域 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 神經元函數及優化方法 66
4.7.1 激活函數 66
4.7.2 捲積函數 69
4.7.3 池化函數 72
4.7.4 分類函數 73
4.7.5 優化方法 74
4.8 模型的存儲與加載 79
4.8.1 模型的存儲與加載 79
4.8.2 圖的存儲與加載 82
4.9 隊列和綫程 82
4.9.1 隊列 82
4.9.2 隊列管理器 85
4.9.3 綫程和協調器 86
4.10 加載數據 87
4.10.1 預加載數據 87
4.10.2 填充數據 87
4.10.3 從文件讀取數據 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源代碼解析 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源代碼的學習方法 106
5.3 小結 108
第6章 神經網絡的發展及其TensorFlow實現 109
6.1 捲積神經網絡 109
6.2 捲積神經網絡發展 110
6.2.1 網絡加深 111
6.2.2 增強捲積層的功能 115
6.2.3 從分類任務到檢測任務 120
6.2.4 增加新的功能模塊 121
6.3 MNIST的AlexNet實現 121
6.3.1 加載數據 121
6.3.2 構建網絡模型 122
6.3.3 訓練模型和評估模型 124
6.4 循環神經網絡 125
6.5 循環神經網絡發展 126
6.5.1 增強隱藏層的功能 127
6.5.2 雙嚮化及加深網絡 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的高級框架 134
7.1 TFLearn 134
7.1.1 加載數據 134
7.1.2 構建網絡模型 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程序 144
8.1 TensorFlow的運行方式 144
8.1.1 生成及加載數據 144
8.1.2 構建網絡模型 145
8.1.3 訓練模型 145
8.2 超參數的設定 146
8.3 小結 147
第9章 TensorFlow在MNIST中的應用 148
9.1 MNIST數據集簡介 148
9.1.1 訓練集的標記文件 148
9.1.2 訓練集的圖片文件 149
9.1.3 測試集的標記文件 149
9.1.4 測試集的圖片文件 150
9.2 MNIST的分類問題 150
9.2.1 加載數據 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 訓練過程的可視化 152
9.4 MNIST的捲積神經網絡 156
9.4.1 加載數據 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的循環神經網絡 161
9.5.1 加載數據 161
9.5.2 構建模型 161
9.5.3 訓練數據及評估模型 163
9.6 MNIST的無監督學習 164
9.6.1 自編碼網絡 164
9.6.2 TensorFlow的自編碼網絡實現 165
9.7 小結 169
第10章 人臉識彆 170
10.1 人臉識彆簡介 170
10.2 人臉識彆的技術流程 171
10.2.1 人臉圖像采集及檢測 171
10.2.2 人臉圖像預處理 171
10.2.3 人臉圖像特徵提取 171
10.2.4 人臉圖像匹配與識彆 172
10.3 人臉識彆的分類 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數據集 175
10.4.2 數據預處理 175
10.4.3 進行檢測 176
10.5 性彆和年齡識彆 178
10.5.1 數據預處理 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 英文數字語音識彆 187
11.2.1 定義輸入數據並預處理數據 188
11.2.2 定義網絡模型 188
11.2.3 訓練模型 188
11.2.4 預測模型 189
11.3 智能聊天機器人 189
11.3.1 原理 190
11.3.2 最佳實踐 191
11.4 小結 200
第12章 圖像與語音的結閤 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 生成式對抗網絡 206
13.1 生成式對抗網絡的原理 206
13.2 生成式對抗網絡的應用 207
13.3 生成式對抗網絡的實現 208
13.4 生成式對抗網絡的改進 214
13.5 小結 214
第三篇 提高篇
第14章 分布式TensorFlow 216
14.1 分布式原理 216
14.1.1 單機多卡和分布式 216
14.1.2 分布式部署方式 217
14.2 分布式架構 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交互過程 220
14.3 分布式模式 221
14.3.1 數據並行 221
14.3.2 同步更新和異步更新 222
14.3.3 模型並行 224
14.4 分布式API 225
14.5 分布式訓練代碼框架 226
14.6 分布式最佳實踐 227
14.7 小結 235
第15章 TensorFlow綫性代數編譯框架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 打開JIT編譯 238
15.3.2 將操作符放在XLA設備上 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 遠程調試方法 245
16.3 小結 245
第17章 TensorFlow和Kubernetes結閤 246
17.1 為什麼需要Kubernetes 246
17.2 分布式TensorFlow在Kubernetes中的運行 247
17.2.1 部署及運行 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係統實踐 266
19.2.1 環境準備 266
19.2.2 編譯演示程序並運行 267
19.2.3 自定義模型的編譯及運行 269
19.3 Android係統實踐 273
19.3.1 環境準備 274
19.3.2 編譯演示程序並運行 275
19.3.3 自定義模型的編譯及運行 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 機器學習的評測體係 284
21.1 人臉識彆的性能指標 284
21.2 聊天機器人的性能指標 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 公開數據集 289
附錄B 項目管理經驗小談 292
緣起
2017年2月,TensorFlow的首屆開發者峰會(2017 TensorFlow Dev Summit)在美國的加利福尼亞州舉行。在會上,榖歌公司宣布正式發布TensorFlow 1.0版本。本書就是基於最新的1.1.0版本來介紹TensorFlow的技術解析和實戰。
人工智能大潮來瞭。2016年,AlphaGo擊敗圍棋大師李世石後,人工智能的應用仿佛一夜之間遍地開花。在科技潮流的大環境中,現在矽榖的用人單位越來越傾嚮於雇用既懂理論(思考者)又懂編程(執行者)的工程師。思考者的日常工作是閱讀文獻以求産生思路,而執行者則是編寫代碼來實現應用。但是要成為一名真正的工程師,學習機器學習是將思考者和執行者相結閤的最快途徑。
眾所周知,人工智能是高級計算智能最寬泛的概念,機器學習是研究人工智能的一個工具,深度學習是機器學習的一個子集,是目前研究領域卓有成效的學習方法。深度學習的框架有很多,而TenforFlow將神經網絡、算法這些平時停留在理論層麵的知識,組織成一個平颱框架,集閤瞭神經網絡的各個算法函數組成一個工具箱,讓廣大工程師可以專心建造自己的目標領域的“輪子”,而且TenforFlow是基於Python語言的,極易上手,這些優勢迅速吸引瞭全世界的工程師。
我曾經也是一名前後端開發工程師,更專注於後端工程方嚮,而潛心研究深度學習和TensorFlow後,我被TensorFlow深深地迷住瞭。我發現它對各行各業將會有很深遠的影響,並且會大大地解放勞動力。
與傳統工程師的主要工作—實現産品需求或者設計高可用性架構不同,深度學習讓人總結和抽象人類是怎樣理解和看待問題的,並把這種方式教給機器。例如,在AlphaGo的研究中,人們需要先抽象齣人類思考圍棋的方式,然後將這種方式抽象成算法,並且配閤人類大腦構造中神經網絡的傳輸來實現這些算法。這時,工程師不會再寫實現業務需求的邏輯代碼,而是深度學習中將神經網絡的“黑盒”和模型效果非常好卻缺乏“可解釋性”的特性相結閤,在次次實驗中盡量找齣規律。記得美國前總統肯尼迪在宣布登月計劃時曾說:“我們選擇去月球,不是因為它簡單,而是因為它睏難。”今天,我相信,所有緻力於人工智能方嚮的工程師之所以自豪地去研究,也不是因為它簡單,而是因為它睏難。我們研究它,是因為立足於現在這個點往前看,我們看不到已經建好的高樓大廈,看到的是一片等待我們去發掘的空曠的大地,而這個發掘過程需要的是十足的遠見、決心、勇氣和信心。
我在學習的過程中,由於深度學習的資料英文的居多,在理解上走瞭不少彎路。我把學到的知識和原理用心整理並用文字錶述齣來,寫成這本書,希望能幫助沒有接觸過深度學習的廣大程序員迅速上手,而不再被英文閱讀理解擋在門外。說實話,TensorFlow的文檔以及API接口是比較抽象的,再加上有一些從工程方嚮轉入深度學習的人以前沒有過深度學習的經驗,所以如果帶著工程類程序研發的思維去學習,甚至是實現業務邏輯需求的思維去學習,效果會很差。我希望這本書能為讀者呈現一個通俗易懂、形象生動的TensorFlow,使讀者迅速走入深度學習的世界。
在本書的寫作過程中,為瞭能充分擠齣時間,深夜當我睏倦時,我常常讓自己以最不舒服的方式入睡,希望能盡量少睡,以此增加仔細鑽研的時間。有時我還會打開電視,將音量設置為靜音,感受房間中電視背景光閃爍的動感,以此提醒自己時間的流動。剛開始我會坐在工作颱前寫作,纍瞭又會抱著筆記本坐在床上繼續寫作,有時會寫著寫著不知不覺地睡著,淩晨三四點鍾又醒來,感受黑夜裏的那片安寜,心情頓時平靜,再次投入到鑽研中。每每有靈感,都非常激動;每每再次深入一個概念,增刪易稿,把原理逼近真相地講透,都讓我非常有成就感。
麵嚮的讀者
我素來不愛探究數學公式的推導原理,對符號也很茫然,隻是在必須要用時纔對這些公式進行詳細的推導,但是我卻對這些原理在應用層麵如何使用齣奇地感興趣。本書的目標就是帶讀者進入造“應用輪子”的大門。我會以最少的數學公式講清楚如何用TensorFlow實現CNN、RNN,如何在實戰中使用TensorFlow進行圖片分類、人臉識彆和自然語言處理等,以及如何將想訓練的數據、想實現的應用親手做齣來。
同時,Python語言是一門相當高級的語言,有“可執行的僞代碼”的美譽,可以用極少的代碼行去完成一個復雜的功能,同時Python還有極為豐富的第三方庫,讓全世界很多工程師的開發工作變得異常簡單。TensorFlow是用Python語言實現的框架,對很多學生來說非常容易上手,當然,如果是有開發經驗的工程師,就更容易學會。如果說設計神經網絡模型像是蓋一棟大樓,那麼TensorFlow強大的API用起來會讓人感覺就像搭積木一樣容易。因此,懂點兒Python,即便不怎麼懂數學和算法原理也沒關係,盡管跟著我一起學便是。
在翻譯學上有一個概念叫作“平行語料庫”,這個概念來自製作於公元前196年的古埃及羅塞塔石碑,石碑上用希臘文字、古埃及文字和當時的通俗體文字刻瞭同樣的內容。在本書進行某個概念的講解時,雖然是用Python代碼作示範,但TensorFlow前端開發同時也支持多種上層語言,本書講解過程中也會兼顧到用C++、Java、Go語言做開發的讀者。
我希望,本書成為不同領域的讀者進入人工智能領域的“墊腳石”,也希望所有的讀者在人生路上能利用TensorFlow這個工具大放異彩。
我有很重的強迫癥,因此,在編寫本書的過程中,閱讀瞭國內外很多與TensorFlow相關的資料,對本書的目錄結構和框架經過很多次反復琢磨和調整;在寫完之後,我又從頭到尾地讀過好幾遍,並且和瞭解TensorFlow不同方麵的人反復交流,根據建議又反復修改。這一切就是希望它能通俗易懂,把讀者快速領入深度學習的大門。
這扇門的背後是異彩紛呈的,身懷這門技藝的人是應該非常自豪的,但這扇門的背後也是非常辛苦的,有時數據需要自己去想辦法解決,還需要每天看論文,知曉最新科研成果,給自己以啓發,反復地做實驗,研究算法和模型,尋求提升和解決方法,經常會遇到在很長一段時間沒有思路的情況。但是,隻要做的東西是開創的,令人稱贊的,就會開心地享受這個過程。
我專為本書讀者建立瞭一個QQ交流群(320420130),希望在群裏與大傢深入討論和交流學習過程中遇到的問題,也希望與大傢分享最新的研究成果。
緻謝
非常感謝榖歌大腦的工程師Jeff Dean,在得知我目前正在寫這本書的時候,他特地發瞭郵件鼓勵我:“聽說你寫瞭一本關於TensorFlow的書,真是太好瞭。希望你很享受學習TensorFlow的這段經曆,並享受運用TensorFlow完成各種任務的這種體驗。我非常高興你為中文社區寫這本書。” 這讓我更堅定瞭傳播TensorFlow深度學習的決心。
感謝百度矽榖AI實驗室資深科學傢王益老師關於AI on Kubernetes的建議。
感謝在百度工作時的同事陳後江,在寫作過程中,我們有時在周末的深夜還進行討論,印象最深的一次是在大鼕天晚上,我們恰好都在外麵,相互通瞭20多分鍾電話,手凍得像冰棒似的。還要感謝童牧晨玄,他也是深度學習領域的愛好者,對關鍵的概念理解得非常透徹,能十分精準地講齣原理。
非常感謝《Redis實戰》一書的譯者黃健宏,他對技術寫作有很豐富的經驗。和他聊書總是能聊到淩晨以後,討論到暢快處,甚至聊到天亮,他對問題的思考就像是“演雜技”一樣,精準又恰到好處;同時,他又是一個非常讓人感到溫暖和踏實的朋友。
非常感謝iOS資深開發者唐巧,他在國內社區樂於分享的精神造福瞭很多的技術從業者,也正是他的推薦讓我和本書的編輯楊海玲老師結下瞭這段美好的情誼。
非常感謝人民郵電齣版社的楊海玲編輯,她最開始想到這個寫作方嚮,我們一起一點一點地討論書的內容,確認書的寫作框架。在寫作過程中,她的細緻、專業、獨到的見解也為本書增色不少。她對內容嚴謹和認真的態度令人動容。
非常感謝中科院計算所劉昕博士對本書第6章神經網絡的發展提齣的建議;感謝曾經的百度同事畢驍鵬對第8章、第9章、第13章、第14章、第20章、第21章提齣的極為細緻的建議,尤其是他擅長GPU和FPGA的部分,對本書的硬件加速提供瞭很多建議;感謝中科院智能信息處理重點實驗室常務副主任山世光對第10章人臉識彆部分提齣的建議;感謝劉元震對本書第11章提齣的建議;感謝我的好朋友容器專傢苗立堯對第17章提齣的建議;感謝百度地圖導航專傢梁騰騰對第19章移動端開發給予的極為細緻的建議;感謝阿裏巴巴數據科學與技術研究院高級專傢孫亮博士對整本書的結構和知識點提齣的建議。
感謝我的好朋友吳麗明,曾經那麼幫助過我;感謝我的好朋友饒誌臻先生,一直誘惑我買蘋果設備,有個硬件發燒友真的很幸福;感謝我的閨蜜謝禹曦,好久沒有和你聚餐瞭,甚是思念。
最後,還得感謝一位流行歌手—“火星弟弟”華晨宇,他在舞颱上那一次次創意和感染力的演齣深深地吸引瞭我,他在颱下那認真刻苦作麯改歌的樣子也激勵著我,每次想到他的事跡,都給我極大的鼓勵。
非常感謝本書的每一位讀者,本書的完成過程非常辛苦但也充滿甜蜜。我在“知乎”和網站上也會迴答關於“人工智能”的各類問題,希望通過內容的更新與讀者不斷交流。另外,由於水平有限,在內容上錶述上難免也有遺漏和疏忽,也懇請讀者多多指正。
李嘉璿
2017年4月於北京石景山
本书很实用,按控制策略逐一讲述,算法内涵丰富,如果把程序都研究透彻,会受益匪浅。
评分感觉不错,比较喜欢!
评分很不错,很喜欢,下次再买啊
评分逆水行舟,不进则退!????
评分搞活动时买的,价格合适,一直在京东上买书,值得信赖。京东的物流配送服务一如既往地好!
评分搞活动时买的,价格合适,一直在京东上买书,值得信赖。京东的物流配送服务一如既往地好!
评分ai的很不错的一个框架,开始跟上潮流
评分书装订包装都很精致,内容正在看,经典的一本机器学习方面的书籍。
评分一口气买了五本,发货速度快,而且书的质量不错,需要慢慢品读!
本站所有內容均為互聯網搜索引擎提供的公開搜索信息,本站不存儲任何數據與內容,任何內容與數據均與本站無關,如有需要請聯繫相關搜索引擎包括但不限於百度,google,bing,sogou 等
© 2025 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有