TensorFlow技术解析与实战基础篇笔记-TensorFlow技术解析与实战豆瓣资源PDF电子书下载完整高清版

暂无评分
222
0

编辑点评：

TensorFlow技术解析与实战基于TensorFlow1.1版本，深入TensorFlow基础原理、设计理念、编程模型、源码分析和模型构建、工业界应用、大规模数据训练等。全书分为基础篇、实战篇和提高篇三部分。

TensorFlow技术解析与实战豆瓣资源PDF电子书下载

编辑推荐

– 领导“谷歌大脑”的工程师Jeff Dean发来寄语

– 李航、余凯等人工智能领域专家倾力推荐

– 基于TensorFlow 1.1，包揽TensorFlow的新特性

– 技术内容全面，实战案例丰富，视野广阔

– 人脸识别、语音识别、图像和语音相结合等热点一应俱全

TensorFlow是深度学习的流行框架之一，极适合新手入门。谷歌公司正致力于建立一个相关软件和机器学习模型的开源生态系统，这是人工智能发展的技术风口。

本书结构

“基础篇”

人工智能入门，学习深度学习的方法。

TensorFlow基础原理、设计架构和编程模型。

常用API、批标准化、模型的存储与加载、队列及线程、实现一个自定义OP。

TensorBorad可视化的全面解析。

源码分析。

神经网络（CNN和RNN）的发展演化以及如何用TensorFlow实现这些网络。

第三方上层框架Keras和TFLearn的应用。

“实战篇”

用TensorFlow实现了神经网络。

用TensorFlow实现CNN、RNN、LSTM和自动编码器的各种示例。

TensorFlow在人脸识别、语音识别、智能机器人、语音和图像相结合以及生成式对抗网络（GAN）等领域的实际应用。

“提高篇”

TensorFlow的分布式原理、架构和模式。

移动端开发（Android、iOS和树莓派）。

TensorFlow的新特性，线性代数编程框架XLA、调试器Debugger、动态图Fold、生产环境Serving。

TensorFlow和Kubernetes相结合。

TensorFlowOnSpark。

硬件计算加速。

机器学习的评测体系。

本书深入浅出，理论联系实际，实战案例新颖，适合对TensorFlow感兴趣的各层次读者阅读。

内容简介

TensorFlow 是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。本书从深度学习的基础讲起，深入TensorFlow框架原理、模型构建、源代码分析和网络实现等各个方面。全书分为基础篇、实战篇和提高篇三部分。基础篇讲解人工智能的入门知识，深度学习的方法，TensorFlow的基础原理、系统架构、设计理念、编程模型、常用API、批标准化、模型的存储与加载、队列与线程，实现一个自定义操作，并进行TensorFlow源代码解析，介绍卷积神经网络（CNN）和循环神经网络（RNN）的演化发展及其TensorFlow实现、TensorFlow的高级框架等知识；实战篇讲解如何用TensorFlow写一个神经网络程序并介绍TensorFlow实现各种网络（CNN、RNN和自编码网络等）并对MNIST数据集进行训练，讲解TensorFlow在人脸识别、自然语言处理、图像和语音的结合、生成式对抗网络等方面的应用；提高篇讲解TensorFlow的分布式原理、架构、模式、API，还会介绍TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes结合、TensorFlowOnSpark、TensorFlow移动端应用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow计算加速等其他特性。最后，附录中列出一些可供参考的公开数据集，并结合作者的项目经验介绍项目管理的一些建议。

作者简介

李嘉璇，创建TensorFlow交流社区，活跃于国内各大技术社区，知乎编程问题回答者。致力于人工智能的研究，对深度学习框架的架构、源码分析及在不同领域的应用有浓厚兴趣。有过上百篇论文阅读和深度学习经验，处理图像、社交文本数据情感分析、数据挖掘经验，参与过基于深度学习的自动驾驶二维感知系统Hackathon竞赛，曾任职百度研发工程师。

什么是TensorFlow

想想，在机器学习流行之前，我们是如何做与语音和图像相关的识别的？大多数是基于规则的系统。例如，做自然语言处理，需要很多语言学的知识：再如，1997年的IBM的深蓝计算机对战国际象棋，也需要很多象棋的知识。

当以统计方法为核心的机器学习方法成为主流后，我们需要的领域知识就相对少了。重要的是做特征工程（feature engineerig），然后调一些参数，根据一些领域的经验来不断提取特征，特征的好坏往往就直接决定了模型的好坏。这种方法的一大缺点是，对文字等抽象领域，特征还相对容易提取，而对语音这种一维时域信号和图像这种二维空域信号等领域，提取特征就相对困难。

深度学习的革命性在于，它不需要我们过多地提取特征，在神经网络的每一层中，计算机都可以自动学习出特征。为了实现深度学习中运用的神经网络，TensorFlow这样的深度学习开源工具就应运而生。我们可以使用它来搭建自己的神经网络。这就有点儿类似于PHP开发当中的Codelgniter框架，Java开发当中的SSH三大框架，Python开发当中的Tornado，Django框架，C+当中的MFC、ACE框架。框架的主要目的就是提供一个工具箱，使开发时能够简化代码，呈现出来的模型尽可能简洁易懂。