面向机器智能的 TensorFlow 实践 PDF 文档

Question

我们正处在一个激动人心的时代，深度学习作为近年来最具突破性的技术之一，极大地推动了人工智能领域的研究进程，并迅速渗透各行各业，同时带动了一大批如家庭服务机器人、自动驾驶这样的新兴产业。不夸张地说，深度学习技术正在深刻地影响着人们的工作、生活和思维方式。

为了帮助人们更高效地从事深度学习研究和应用，并积极分享其研究成果，优秀的开源深度学习框架如雨后春笋般不断涌现。作为深度学习领域巨擘之一的 Google 也在 2015 年 11 月将自己的第二代分布式机器学习系统 TensorFlow 开源。虽然发布时间较晚，但凭借 Google 在业内广泛而巨大的影响力以及顶尖的人工智能研究水平，其代码的简洁性、部署的便利性，以及在学术研究和产品研发两端取得的良好平衡，在极短的时间内便从众多优秀的深度学习框架中脱颖而出，获得了广大开发者的强烈关注。

自公开发布以来，TensorFlow 始终保持着兼收并蓄的态势，不断地从其他优秀开源框架中汲取优秀特性，在广大研究和开发人员的强力推动下，不断快速迭代并大幅提升代码的效率，平均每周的代码更新量都超过了万行，所形成的社区开创了空前的活跃度。完全可以预见，TensorFlow 将长期位列一流开源框架的行列。

译者序
前言
欢迎
本书的内容编排
其他机器学习库
先修知识
预期的收获
第一部分 开启 TensorFlow 之旅
第 1 章 引言
1.1 无处不在的数据
1.2 深度学习
1.3 TensorFlow：一个现代的机器学习库
1.4 TensorFlow：技术概要
1.5 何为 TensorFlow
1.5.1 解读来自官网的单句描述
1.5.2 单句描述未体现的内容
1.6 何时使用 TensorFlow
1.7 TensorFlow 的优势
1.8 使用 TensorFlow 所面临的挑战
1.9 高歌猛进
第 2 章 安装 TensorFlow
2.1 选择安装环境
2.2 Jupyter Notebook 与 matplotlib
2.3 创建 Virtualenv 环境
2.4 TensorFlow 的简易安装
2.5 源码构建及安装实例：在 64 位 Ubuntu Linux 上安装 GPU 版 TensorFlow
2.5.1 安装依赖库
2.5.2 安装 Bazel
2.5.3 安装 CUDA 软件（仅限 NVIDIA GPU）
2.5.4 从源码构建和安装 TensorFlow
2.6 安装 Jupyter Notebook
2.7 安装 matplotlib
2.8 测试 TensorFlow、Jupyter Notebook 及 matplotlib
2.9 本章小结
第二部分 TensorFlow 与机器学习基础
第 3 章 TensorFlow 基础
3.1 数据流图简介
3.1.1 数据流图基础
3.1.2 节点的依赖关系
3.2 在 TensorFlow 中定义数据流图
3.2.1 构建第一个 TensorFlow 数据流图
3.2.2 张量思维
3.2.3 张量的形状
3.2.4 TensorFlow 的 Operation
3.2.5 TensorFlow 的 Graph 对象
3.2.6 TensorFlow Session
3.2.7 利用占位节点添加输入
3.2.8 Variable 对象
3.3 通过名称作用域组织数据流图
3.4 练习：综合运用各种组件
3.4.1 构建数据流图
3.4.2 运行数据流图
3.5 本章小结
第 4 章 机器学习基础
4.1 有监督学习简介
4.2 保存训练检查点
4.3 线性回归
4.4 对数几率回归
4.5 softmax 分类
4.6 多层神经网络
4.7 梯度下降法与误差反向传播算法
第三部分 用 TensorFlow 实现更高级的深度模型
第 5 章 目标识别与分类
5.1 卷积神经网络
5.2 卷积
5.2.1 输入和卷积核
5.2.2 跨度
5.2.3 边界填充
5.2.4 数据格式
5.2.5 深入探讨卷积核
5.3 常见层
5.3.1 卷积层
5.3.2 激活函数
5.3.3 池化层
5.3.4 归一化
5.3.5 高级层
5.4 图像与 TensorFlow
5.4.1 加载图像
5.4.2 图像格式
5.4.3 图像操作
5.4.4 颜色
5.5 CNN 的实现
5.5.1 Stanford Dogs 数据集
5.5.2 将图像转为 TFRecord 文件
5.5.3 加载图像
5.5.4 模型
5.5.5 训练
5.5.6 用 TensorBoard 调试滤波器
5.6 本章小结
第 6 章 循环神经网络与自然语言处理
6.1 循环神经网络简介
6.1.1 时序的世界
6.1.2 近似任意程序
6.1.3 随时间反向传播
6.1.4 序列的编码和解码
6.1.5 实现第一个循环神经网络
6.1.6 梯度消失与梯度爆炸
6.1.7 长短时记忆网络
6.1.8 RNN 结构的变种
6.2 词向量嵌入
6.2.1 准备维基百科语料库
6.2.2 模型结构
6.2.3 噪声对比分类器
6.2.4 训练模型
6.3 序列分类
6.3.1 Imdb 影评数据集
6.3.2 使用词向量嵌入
6.3.3 序列标注模型
6.3.4 来自最后相关活性值的 softmax 层
6.3.5 梯度裁剪
6.3.6 训练模型
6.4 序列标注
6.4.1 OCR 数据集
6.4.2 时间步之间共享的 softmax 层
6.4.3 训练模型
6.4.4 双向 RNN
6.5 预测编码
6.5.1 字符级语言建模
6.5.2 ArXiv 摘要 API
6.5.3 数据预处理
6.5.4 预测编码模型
6.5.5 训练模型
6.5.6 生成相似序列
6.6 本章小结
第四部分 其他提示、技术与特性
第 7 章 产品环境中模型的部署
7.1 搭建 TensorFlow 服务开发环境
7.1.1 Docker 镜像
7.1.2 Bazel 工作区
7.2 导出训练好的模型
7.3 定义服务器接口
7.4 实现推断服务器
7.5 客户端应用
7.6 产品准备
7.7 本章小结
第 8 章 辅助函数、代码结构和类
8.1 确保目录结构存在
8.2 下载函数
8.3 磁盘缓存修饰器
8.4 属性字典
8.5 惰性属性修饰器
8.6 覆盖数据流图修饰器
第 9 章 结语：其他资源

下载地址：https://www.wenjiangs.com/wp-content/uploads/2024/05/jQuL505TyIqN6gRp.zip