用 TensorFlow 提早進入人工智慧的未來世界
內容描述
機器學習深度學習領域參考書 涵蓋TensorFlow1.1的新特性、人臉識別、語音辨識、圖像和語音相結合等熱點一應俱全。
TensorFlow是Google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、原始程式碼分析和網路實現等各個方面。
全書分為基礎篇、實戰篇和加強篇三部分。
基礎篇講解人工智慧的入門知識,深度學習的方法,TensorFlow的基礎原理、系統架構、設計理念、程式設計模型、常用API、批次標準化、模型的存儲與載入、佇列與執行緒,實現一個自訂操作,並進行TensorFlow原始程式碼解析,介紹卷積神經網路(CNN)和迴圈神經網路(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寫一個神經網路程式並介紹TensorFlow實現各種網路(CNN、RNN和自編碼網路等),並對MINIST資料集進行訓練,講解TensorFlow在人臉識別、自然語言處理、圖像和語音的結合、生成式對抗網路等方面的應用。
加強篇講解TensorFlow的分散式原理、架構、模式、API,還會介紹TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes結合、TensorFlowOnSpark、TensorFlow移動端應用,以及TensorFlow Serving、TensorFlow Fold和TensorFlow計算加速等其他特性。附錄中列出一些可供參考的公開資料集,並結合作者的項目經驗介紹項目管理的一些建議。
本書深入淺出,理論聯繫實際,實戰案例新穎,基於最新的TensorFlow 1.1版本,涵蓋TensorFlow的新特性,非常適合對深度學習和TensorFlow感興趣的讀者。
目錄大綱
前言
第一篇 基礎篇
01人工智慧概述
1.1 什麼是人工智慧
1.2 什麼是深度學習
1.3 深度學習的入門方法
1.4 什麼是TensorFlow
1.5 為什麼要學TensorFlow
1.6 機器學習的相關賽事
1.7 中國的人工智慧公司
1.8 小結
02 TensorFlow 環境的準備
2.1 下載TensorFlow 1.1.0
2.2 以pip 為基礎的安裝
2.3 以Java 為基礎的安裝
2.4 從原始程式碼安裝
2.5 依賴的其他模組
2.6 小結組
03 視覺化TensorFlow
3.1 PlayGround
3.2 TensorBoard
3.3 視覺化的實例
3.4 小結
04 TensorFlow 基礎知識
4.1 系統架構
4.2 設計理念
4.3 程式設計模型
4.4 常用API
4.5 變數作用域
4.6 批次標準化
4.7 神經元函數及最佳化方法
4.8 模型的儲存與載入
4.9 佇列和執行緒
4.10 載入資料
4.11 實現一個自訂操作
4.12 小結
05 TensorFlow 原始程式碼解析
5.1 TensorFlow 的目錄結構
5.2 TensorFlow 原始程式碼的學習方法
5.3 小結
06神經網路的發展及其TensorFlow 實現
6.1 旋積神經網路
6.2 旋積神經網路發展
6.3 MNIST 的AlexNet 實現
6.4 循環神經網路
6.5 循環神經網路發展
6.6 TensorFlow Model Zoo
6.7 其他研究進展
6.8 小結
07 TensorFlow 的進階架構
7.1 TFLearn
7.2 Keras
7.3 小結
第二篇 實戰篇
08第一個TensorFlow 程式
8.1 TensorFlow 的執行方式
8.2 超參數的設定
8.3小結
09 TensorFlow 在MNIST 中的應用
9.1 MNIST 資料集簡介
9.2 MNIST 的分類問題
9.3 訓練過程的視覺化
9.4 MNIST 的旋積神經網路
9.5 MNIST 的循環神經網路
9.6 MNIST 的無監督學習
9.7 小結
10人臉識別
10.1 人臉識別簡介
10.2 人臉識別的技術流程
10.3 人臉識別的分類
10.4 人臉檢測
10.5 性別和年齡識別
10.6 小結
11 自然語言處理
11.1 模型的選擇
11.2 英文數字語音辨識
11.3 智慧聊天機器人
11.4 小結
12影像與語音的結合
12.1 看圖說話模型
12.2 小結
13 產生式對抗網路
13.1 產生式對抗網路的原理
13.2 產生式對抗網路的應用
13.3 產生式對抗網路的實現
13.4 產生式對抗網路的改進
13.5 小結
第三篇 加強篇
14分散式TensorFlow
14.1 分散式原理
14.2 分散式架構
14.3 分散式模式
14.4 分散式API
14.5 分散式訓練程式架構
14.6 分散式最佳做法
14.7 小結
15 TensorFlow 線性代數編譯架構XLA
15.1 XLA 的優勢
15.2 XLA 的工作原理
15.3 JIT 編譯方式
15.4 JIT 編譯在MNIST 上的實現
15.5 小結
16TensorFlow Debugger
16.1 Debugger 的使用範例
16.2 遠端偵錯方法
16.3 小結
17 TensorFlow 和Kubernetes 結合
17.1 為什麼需要Kubernetes
17.2 分散式TensorFlow 在Kubernetes 中的執行
17.3 小結
18 TensorFlowOnSpark
18.1 TensorFlowOnSpark 的架構
18.2 TensorFlowOnSpark 在MNIST 上的實作
18.3 小結
19TensorFlow 行動端應用
19.1 行動端應用原理
19.2 iOS 系統實作
19.3 Android 系統實作
19.4 樹莓派實作
19.5 小結
20 TensorFlow 的其他特性
20.1 TensorFlow Serving
20.2 TensorFlow Flod
20.3 TensorFlow 計算加速
20.4 小結
21機器學習的評測系統
21.1 人臉識別的效能指標
21.2 聊天機器人的效能指標
21.3 機器翻譯的評價方法
21.4 常用的通用評價指標
21.5 小結
A 公開資料集
B 專案管理經驗小談