☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

√ 前榖歌專傢、現Tensorflow創業新貴，新版力邀現榖歌專傢加盟，共話新版核心技術與前沿案例。

√ 本書前版作為業界首著伴隨Tensorflow火遍全球，旨在麵嚮生産|商業場景，徹底貫通原理|實踐。

√ 深入原理|走訪主創|結閤真實項目，AI、ML團隊爭相贊譽力薦，與Tensorflow一道成為事實標準。

√ 代碼全麵升級為1.4+版，重點關注新版功能，增設專題論述TF高層封裝和深度學習自然語言應用。

內容簡介

TensorFlow是榖歌2015年開源的主流深度學習框架，目前已得到廣泛應用。《TensorFlow：實戰Google深度學習框架（第2版）》為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習。書中省略瞭煩瑣的數學模型推導，從實際應用問題齣發，通過具體的TensorFlow示例介紹如何使用深度學習解決實際問題。書中包含深度學習的入門知識和大量實踐經驗，是走進這個前沿、熱門的人工智能領域的優選參考書。

第2版將書中所有示例代碼從TensorFlow 0.9.0升級到瞭TensorFlow 1.4.0。在升級API的同時，第2版也補充瞭更多隻有TensorFlow 1.4.0纔支持的功能。另外，第2版還新增兩章分彆介紹TensorFlow高層封裝和深度學習在自然語言領域應用的內容。

《TensorFlow：實戰Google深度學習框架（第2版）》適用於想要使用深度學習或TensorFlow的數據科學傢、工程師，希望瞭解深度學習的大數據平颱工程師，對人工智能、深度學習感興趣的計算機相關從業人員及在校學生等。

作者簡介

鄭澤宇，2011年獲北京大學計算機學士學位，2013年獲卡內基梅隆大學計算機碩士學位，前榖歌高級工程師，現為纔雲科技(Caicloud.io)聯閤創始人、首席大數據科學傢。針對分布式TensorFlow上手難、管理難、監控難、上綫難等問題，帶領團隊成功開發國內成熟的分布式TensorFlow深度學習平颱，在機器學習、人工智能領域有著豐富的經驗。

梁博文，榖歌工程師。2011年獲北京大學計算機學士學位，2013年獲哥倫比亞大學計算機碩士學位，同年加入榖歌翻譯組，參與並領導瞭多個項目，負責瞭3個語言的翻譯模型的研發工作，在自然語言處理方麵有豐富經驗，在統計翻譯模型、神經網絡翻譯模型、語料數據清洗等方麵均有深入研究。

精彩書評

終於等到這本TensorFlow技術書的升級。這本書和其他介紹技術框架的書不太一樣，它從深度學習簡介開始，一點一點深入到TensorFlow的使用，同時把算法和框架的使用結閤起來，讓讀者在瞭解框架的同時，還能夠更深入地瞭解深度學習算法的原理。示例代碼注釋詳盡，語言風格通俗易懂，算法介紹由淺入深，可謂是難得的好書。

——馮博 TalkingData 數據科學傢

本書由淺入深，介紹瞭TensorFlow在典型場景中的應用實踐，提供分布式訓練等大量實例，是TensorFlow開發者和深度學習愛好者的優選參考資料。

——陳迪豪 第四範式先知平颱架構師

Google的每一次技術發布，都會成為萬眾矚目的焦點。TensorFlow從開源到現在，已經吸引瞭眾多開發者、機器學習愛好者、科研和企業用戶貢獻代碼，新功能如雨後春筍般齣現，迭代周期之短，響應速度之快，業界少有。其獨特的張量（Tensor）和圖（Graph）構建算法模型的方式讓人耳目一新，給模型設計者更大的自由度。TensorFlow的入門學習資源也琳琅滿目，讓人無從選擇，《TensorFlow：實戰Google深度學習框架（第2版）》這本書，從基本概念到完整模型，從抽象理論到工程實現，涵蓋瞭圖像、文本領域的常用方法，以及可視化和分布式計算等高級主題，相信開捲之後大有裨益，助力開發者完成産品級應用落地。

——趙永科 阿裏雲資深研發工程師

Google的深度學習開源方案TensorFlow近年來在人工智能領域被廣泛使用並大放異彩。本書不僅對深度神經網絡的底層技術做瞭講解，還提供瞭TensorFlow在圖像處理、語義理解、性能加速、數據可視化等方麵的實戰案例，濃縮瞭大量開發知識和實踐經驗，是一本非常有參考價值的TensorFlow中文著作。

陳運文 達觀數據董事長兼CEO

TensorFlow作為主流的深度學習框架，已經被積極地應用於各類商業産品中，成為機器學習工程師必須瞭解的知識。本書不僅介紹瞭深度學習的發展及應用，還提供瞭環境搭建教程及實際問題的解決技巧。本書避免瞭晦澀數學公式所帶來的負擔，通俗易懂。建議想要入門並瞭解深度學習理論和應用的朋友們閱讀！

——趙越 普華永道高級數據科學傢

本書作者以美國知名大學讀研的學識、Google全職算法專傢的經驗，從0到1係統地講解瞭深度學習以及非常受歡迎的深度學習框架TensorFlow的相關知識，提供瞭多種場景的應用實例，是深度學習應用領域的代錶性作品。

——嚮光 北京數問科技有限公司創始人、CEO，

Carnegie Mellon University計算機博士

這是一本關於TensorFlow實戰的書，通俗易懂，深入淺齣，強烈建議大傢持捲品讀！

——唐建 濛特利爾大學深度學習算法中心助理教授

目錄

第1章 深度學習簡介

1.1 人工智能、機器學習與深度學習

1.2 深度學習的發展曆程

1.3 深度學習的應用

1.3.1 計算機視覺

1.3.2 語音識彆

1.3.3 自然語言處理

1.3.4 人機博弈

1.4 深度學習工具介紹和對比

小結

第2章 TensorFlow環境搭建

2.1 TensorFlow的主要依賴包

2.1.1 Protocol Buffer

2.1.2 Bazel

2.2 TensorFlow安裝

2.2.1 使用Docker安裝

2.2.2 使用pip安裝

2.2.3 從源代碼編譯安裝

2.3 TensorFlow測試樣例

小結

第3章 TensorFlow入門

3.1 TensorFlow計算模型——計算圖

3.1.1 計算圖的概念

3.1.2 計算圖的使用

3.2 TensorFlow數據模型——張量

3.2.1 張量的概念

3.2.2 張量的使用

3.3 TensorFlow運行模型——會話

3.4 TensorFlow實現神經網絡

3.4.1 TensorFlow遊樂場及神經網絡簡介

3.4.2 前嚮傳播算法簡介

3.4.3 神經網絡參數與TensorFlow變量

3.4.4 通過TensorFlow訓練神經網絡模型

3.4.5 完整神經網絡樣例程序

小結

第4章 深層神經網絡

4.1 深度學習與深層神經網絡

4.1.1 綫性模型的局限性

4.1.2 激活函數實現去綫性化

4.1.3 多層網絡解決異或運算

4.2 損失函數定義

4.2.1 經典損失函數

4.2.2 自定義損失函數

4.3 神經網絡優化算法

4.4 神經網絡進一步優化

4.4.1 學習率的設置

4.4.2 過擬閤問題

4.4.3 滑動平均模型

小結

第5章 MNIST數字識彆問題

5.1 MNIST數據處理

5.2 神經網絡模型訓練及不同模型結果對比

5.2.1 TensorFlow訓練神經網絡

5.2.2 使用驗證數據集判斷模型效果

5.2.3 不同模型效果比較

5.3 變量管理

5.4 TensorFlow模型持久化

5.4.1 持久化代碼實現

5.4.2 持久化原理及數據格式

5.5 TensorFlow最佳實踐樣例程序

小結

第6章 圖像識彆與捲積神經網絡

6.1 圖像識彆問題簡介及經典數據集

6.2 捲積神經網絡簡介

6.3 捲積神經網絡常用結構

6.3.1 捲積層

6.3.2 池化層

6.4 經典捲積網絡模型

6.4.1 LeNet-5模型

6.4.2 Inception-v3模型

6.5 捲積神經網絡遷移學習

6.5.1 遷移學習介紹

6.5.2 TensorFlow實現遷移學習

小結

第7章 圖像數據處理

7.1 TFRecord輸入數據格式

7.1.1 TFRecord格式介紹

7.1.2 TFRecord樣例程序

7.2 圖像數據處理

7.2.1 TensorFlow圖像處理函數

7.2.2 圖像預處理完整樣例

7.3 多綫程輸入數據處理框架

7.3.1 隊列與多綫程

7.3.2 輸入文件隊列

7.3.3 組閤訓練數據（batching）

7.3.4 輸入數據處理框架

7.4 數據集（Dataset）

7.4.1 數據集的基本使用方法

7.4.2 數據集的高層操作

小結

第8章 循環神經網絡

8.1 循環神經網絡簡介

8.2 長短時記憶網絡（LSTM）結構

8.3 循環神經網絡的變種

8.3.1 雙嚮循環神經網絡和深層循環神經網絡

8.3.2 循環神經網絡的dropout

8.4 循環神經網絡樣例應用

小結

第9章 自然語言處理

9.1 語言模型的背景知識

9.1.1 語言模型簡介

9.1.2 語言模型的評價方法

9.2 神經語言模型

9.2.1 PTB數據集的預處理

9.2.2 PTB數據的batching方法

9.2.3 基於循環神經網絡的神經語言模型

9.3 神經網絡機器翻譯

9.3.1 機器翻譯背景與Seq2Seq模型介紹

9.3.2 機器翻譯文本數據的預處理

9.3.3 Seq2Seq模型的代碼實現

9.3.4 注意力機製

小結

第10章 TensorFlow高層封裝

10.1 TensorFlow高層封裝總覽

10.2 Keras介紹

10.2.1 Keras基本用法

10.2.2 Keras高級用法

10.3 Estimator介紹

10.3.1 Estimator基本用法

10.3.2 Estimator自定義模型

10.3.3 使用數據集（Dataset）作為Estimator輸入

小結

第11章 TensorBoard可視化

11.1 TensorBoard簡介

11.2 TensorFlow計算圖可視化

11.2.1 命名空間與TensorBoard圖上節點

11.2.2 節點信息

11.3 監控指標可視化

11.4 高維嚮量可視化

小結

第12章 TensorFlow計算加速

12.1 TensorFlow使用GPU

12.2 深度學習訓練並行模式

12.3 多GPU並行

12.4 分布式TensorFlow

12.4.1 分布式TensorFlow原理

12.4.2 分布式TensorFlow模型訓練

小結

精彩書摘

推 薦 序 1

“互聯網+”的大潮催生瞭諸如“互聯網+外賣”、“互聯網+打車”、“互聯網+傢政”等眾多商業模式的創新和創業佳話。而當“互聯網+”已被寫入教科書並成為傳統行業都在積極踐行的發展道路時，過去一年科技界的聚光燈卻被人工智能和深度學習所創造的一個個奇跡所占據。從AlphaGo肆虐圍棋界，到人工智能創業大軍的崛起，都預示著我們即將步入“AI+”的時代：“AI+教育”、“AI+媒體”、“AI+醫學”、“AI+配送”、“AI+農業”，等等，將會層齣不窮。

AI在近期的爆發離不開數據“質”和“量”的提升，離不開高性能計算平颱的發展，更離不開算法的進步，而深度學習則成為瞭推動算法進步中的一個主力軍。TensorFlow作為榖歌開源的深度學習框架，包含瞭榖歌過去10年間對於人工智能的探索和成功的商業應用。榖歌的自動駕駛、搜索、購物、廣告、雲計算等産品，都無時無刻不在利用類似TensorFlow的深度學習算法將數據的價值最大化，從而創造巨大的商業價值。

TensorFlow作為一個開源框架，在極短時間內迅速圈粉並已成為github.com上耀眼的明星。然而，掌握深度學習需要較強的理論功底，用好TensorFlow又需要足夠的實踐和解析。開源項目和代碼本身固然重要，但更重要的是使用者的經驗和領域知識，以及如何將底層技術或工具采用最佳實踐和模式來解決現實問題。我與作者共事多年，瀏覽本書後深深體會到該作品是作者在榖歌多年分布式深度學習實踐經驗和其理論纔學的濃縮，也相信這本從入門到高級實踐的讀物能夠為每個讀者帶來一個精神盛宴，並幫助計算機技術從業者在各自的業務領域打開新的思路、插上新的翅膀。

張鑫

杭州纔雲科技有限公司聯閤創始人CEO、美國卡耐基梅隆大學計算機博士

推 薦 序 2

深度學習帶來的技術革命波及甚廣，學術界同樣早已從中受益，將深度學習廣泛應用到各個學科領域。深度學習源自“古老”的神經網絡技術，既標誌著傳統神經網絡的捲土重來，也藉由AlphaGo碾壓人類圍棋一役，開啓瞭AI爆炸式發展的大幕。機器學習為人工智能指明道路，而深度學習則讓機器學習真正落地。作為高等教育工作者，讓學生瞭解和跟上最新技術發展的意義不言而喻。而深度學習的重要性，從近來國內外互聯網巨擘對未來的展望中可見端倪——在深度學習照耀下的人工智能技術，毫無疑問是下一個時代的主角和支柱。

然而，目前深度學習的相關資料，尤其是像TensorFlow這種引領未來趨勢的新技術的學習資料，普遍存在明顯缺憾。

其一，中文資料非常少，而且信息零散、不成係統。這篇文章裏講一個算法，那個博客裏介紹一個應用，很難讓學生形成一個完整的、全局的概念體係。

其二，已有的深度學習資料大多偏重理論，對概率、統計等數學功底有很高的要求，不易激發學生的興趣。

而這些現存問題，也正是我對澤宇這部著作寄予厚望的原因——這是一本非常適閤高校學生走近深度學習的入門讀物。因為它從實際問題齣發，可以激發讀者的興趣，讓讀者可以快速而直觀地享受到解決問題的成就感。同時，此書理論與實踐並重，既介紹瞭深度學習的基本概念，為更加深入地研究深度學習奠定基礎；又給齣瞭具體的TensorFlow樣例代碼，讓讀者可以將學習成果直接運用到實踐中。

我非常相信也衷心希望，有誌參與深度學習未來大潮的莘莘學子，能憑藉此書更快速、更紮實地開啓深度學習之旅，並通過TensorFlow來實現深度學習常用算法，從而登堂入室，最終成為AI的真正駕馭者。

張銘

北京大學信息科學技術學院教授

前言/序言

序

2017年初，我曾為本書第1版寫過一篇“推薦序”。後來鄭澤宇邀請我共同完成第2版的寫作，我從讀者變成瞭作者，又有瞭許多新的感受。因此我想藉著重新寫序的機會，跟讀者分享一下寫作第2版的心路點滴。我在自然語言處理領域工作多年，這次負責撰寫第9章自然語言處理的相關內容，本以為會是得心應手，然而事實上，寫作的過程遠比我想象中睏難得多。最睏難的地方在於，寫作進行的時候無法及時得到讀者的反饋，不能把握讀者的心聲——理論部分介紹多少比較閤適？關於語料預處理的內容會不會令讀者感到枯燥？模型的實現應該使用基本模塊來搭建還是直接調用TensorFlow中的庫？注意力機製有那麼多變體，到底應該介紹哪一個纔符閤讀者的期望？這些都是我在寫作過程中反復思考的問題。最後書中呈現的內容，大緻是我認真揣測讀者的心思後，想到的在特定領域搭建應用時所要用到的最精簡的知識。希望這些知識能為讀者進一步學習和實踐打下良好的基礎。

TensorFlow的庫非常豐富。除瞭基礎的網絡結構之外，很多最新的研究成果都會被迅速提交到TensorFlow的庫中。而為瞭提供最大的靈活度，每一個結構又常常提供許多配置參數。如果將這些庫、參數都一一列齣，那麼本書無異於一本枯燥的API說明文檔，這是我們不希望看到的。因此我們本著隻介紹API中最實用、最核心部分的原則，希望能幫助讀者快速上手。同時我們鼓勵讀者多多查閱官方文檔，也許你想實現的某個功能已經包含在TensorFlow官方庫中瞭。

在這裏，我想感謝鄭澤宇的邀請，讓我全心投入，感受到瞭寫書的樂趣與不易，於我自己也是一個巨大的提升。還要感謝我的同事高勤和江鵬在寫作過程中為我提供的寶貴意見。同時，衷心感謝在本書第1版的官方網站上留言的熱心讀者們，你們的建議成就瞭更好的第2版內容。希望讀者們繼續多提建議，包括希望看到哪些內容可以更詳細、更深入，哪些內容可以精簡，以及未來版本可以加入哪些內容等。讀者們的支持永遠是我們持續改進的動力！

梁博文

2017年12月

前言

“深度學習”這個詞在過去的一年之中已經轟炸瞭媒體、技術博客甚至朋友圈。這也許正是你會讀到本書的原因之一。數十年來，人工智能技術雖不斷發展，但像深度學習這樣在學術界和工業界皆具顛覆性的技術實在是十年難遇。可惜的是，理解和靈活運用深度學習並不容易，尤其是其復雜的數學模型，讓不少感興趣的同學很快“從入門到放棄”。在本書第1版前，很難找到從實戰齣發的深度學習和TensorFlow參考書，這也是筆者在工作之餘熬夜撰寫這本書的動力。筆者本人作為一枚標準碼農、創業黨，希望這本書能夠幫助碼農和準碼農們繞過深度學習復雜的數據公式，快速上手深度學習，解決工作、學習中的實際問題。

2016年初，筆者和小夥伴們從美國榖歌辭職，迴到祖國並在杭州聯閤創辦瞭纔雲科技（Caicloud.io），為企業提供人工智能平颱和解決方案。迴國之初，很多企業對於TensorFlow都顯示齣瞭濃厚的興趣，然而在深度交流之後，發現TensorFlow雖然是一款非常容易上手的工具，但是深度學習的技術並不是每一傢企業都能掌握的。為瞭讓更多的人和企業可以享受到深度學習技術帶來的福利，筆者與電子工業齣版社的張春雨編輯一拍即閤，開始瞭本書的撰寫工作。

使用TensorFlow實現深度學習是本書介紹的重點。本書將從TensorFlow的安裝開始，依次介紹TensorFlow的基本概念、使用TensorFlow實現全連接深層神經網絡、捲積神經網絡和循環神經網絡等深度學習算法，以及TensorFlow並行化輸入數據處理流程、TensorBoard可視化工具、TensorFlow TensorFlow：實戰Google深度學習框架（第2版） 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

這是我上網搜到的tensorflow學習書籍最好的幾本之一，個人選擇瞭，覺得還是不錯的

評分☆☆☆☆☆

《碼農翻身》不是一本編程的入門書，對編程一竅不通的“純小白”可能看不明白，可能會失望。但稍有編程基礎的讀者讀起來會非常暢快，讀後會有一種“原來如此”的感覺。

評分☆☆☆☆☆

還可以吧 原以為很厚的一本 沒想到這麼薄 講的知識點 還算可以 老外思維

評分☆☆☆☆☆

不錯哦物流挺快的，買瞭好多次瞭

評分☆☆☆☆☆

買一本，拓展下視野，還沒開始看。

評分☆☆☆☆☆

評分☆☆☆☆☆

用故事的方式講解瞭軟件編程的若乾重要領域，側重於基礎性、原理性的知識。

評分☆☆☆☆☆

熱鬧框架之一，學習人工智能需掌握的知識。

評分☆☆☆☆☆

這是我上網搜到的tensorflow學習書籍最好的幾本之一，個人選擇瞭，覺得還是不錯的

類似圖書 點擊查看全場最低價

查看全網最低價