TensorFlow : 實戰 Google 深度學習框架, 2/e TensorFlow:实战Google深度学习框架(第2版)

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，前谷歌高級工程師，現為才雲科技(Caicloud.io)聯合創始人、大數據科學家。針對分佈式TensorFlow上手難、管理難、監控難、上線難等問題，帶領團隊成功開發國內頭一個成熟的分佈式TensorFlow深度學習平台，在機器學習、人工智能領域有著豐富的經驗。
梁博文，谷歌工程師。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，同年加入谷歌翻譯組，參與並領導了多個項目，負責了3個語言的翻譯模型的研發工作，在自然語言處理方面有豐富經驗，在統計翻譯模型、神經網絡翻譯模型、語料數據清洗等方面均有深入研究。

第1章深度學習簡介1 
1.1人工智能、機器學習與深度學習2 
1.2深度學習的發展歷程6 
1.3深度學習的應用10 
1.3.1計算機視覺10 
1.3.2語音識別13 
1.3.3自然語言處理14 
1.3 .4人機博弈17 
1.4深度學習工具介紹和對比19 
小結23 
第2章TensorFlow環境搭建25 
2.1 TensorFlow的主要依賴包25 
2.1.1 Protocol Buffer 25 
2.1.2 Bazel 27 
2.2 TensorFlow安裝29 
2.2.1使用Docker安裝30 
2.2.2使用pip安裝31 
2.2.3從源代碼編譯安裝32 
2.3 TensorFlow測試樣例37 
小結38 
第3章TensorFlow入門39 
3.1 TensorFlow計算模型——計算圖39 
3.1.1計算圖的概念39 
3.1 .2計算圖的使用40 
3.2 TensorFlow數據模型——張量42 
3.2.1張量的概念42 
3.2.2張量的使用44
3.3 TensorFlow運行模型——會話45 
3.4 TensorFlow實現神經網絡47 
3.4.1 TensorFlow遊樂場及神經網絡簡介47 
3.4.2前向傳播算法簡介50 
3.4.3神經網絡參數與TensorFlow變量54 
3.4.4通過TensorFlow訓練神經網絡模型58 
3.4.5完整神經網絡樣例程序62 
小結64 
第4章深層神經網絡66 
4.1深度學習與深層神經網絡66 
4.1.1線性模型的局限性67 
4.1.2激活函數實現去線性化70 
4.1.3多層網絡解決異或運算73 
4.2損失函數定義74 
4.2.1經典損失函數75 
4.2.2自定義損失函數79 
4.3神經網絡優化算法81 
4.4神經網絡進一步優化85 
4.4.1學習率的設置85 
4.4.2過擬合問題87 
4.4.3滑動平均模型91 
小結92 
第5章MNIST數字識別問題94 
5.1 MNIST數據處理94 
5.2神經網絡模型訓練及不同模型結果對比97 
5.2.1 TensorFlow訓練神經網絡97 
5.2.2使用驗證數據集判斷模型效果102
5.2.3不同模型效果比較103 
5.3變量管理107 
5.4 TensorFlow模型持久化112 
5.4.1持久化代碼實現112 
5.4.2持久化原理及數據格式117 
5.5 TensorFlow最佳實踐樣例程序126 
小結132 
第6章圖像識別與卷積神經網絡134 
6.1圖像識別問題簡介及經典數據集135 
6.2卷積神經網絡簡介139 
6.3卷積神經網絡常用結構142 
6.3.1卷積層142 
6.3.2池化層147 
6.4經典卷積網絡模型149 
6.4.1 LeNet-5模型150 
6.4.2 Inception-v3模型156 
6.5卷積神經網絡遷移學習160 
6.5.1遷移學習介紹160 
6.5.2 TensorFlow實現遷移學習161 
小結168 
第7章圖像數據處理170 
7.1 TFRecord輸入數據格式170 
7.1.1 TFRecord格式介紹171 
7.1.2 TFRecord樣例程序171 
7.2圖像數據處理173 
7.2.1 TensorFlow圖像處理函數174 
7.2.2圖像預處理完整樣例183
7.3多線程輸入數據處理框架185 
7.3.1隊列與多線程186 
7.3.2輸入文件隊列190 
7.3.3組合訓練數據（batching） 193 
7.3.4輸入數據處理框架196 
7.4數據集（Dataset） 199 
7.4. 1數據集的基本使用方法199 
7.4.2數據集的高層操作202 
小結207 
第8章循環神經網絡208 
8.1循環神經網絡簡介208 
8.2長短時記憶網絡（LSTM）結構214 
8.3循環神經網絡的變種218 
8.3 .1雙向循環神經網絡和深層循環神經網絡218 
8.3.2循環神經網絡的dropout 221 
8.4循環神經網絡樣例應用222 
小結226 
第9章自然語言處理227 
9.1語言模型的背景知識227 
9.1.1語言模型簡介227 
9.1.2語言模型的評價方法229 
9.2神經語言模型232 
9.2.1 PTB數據集的預處理233 
9.2.2 PTB數據的batching方法236 
9.2.3基於循環神經網絡的神經語言模型238 
9.3神經網絡機器翻譯244 
9.3.1機器翻譯背景與Seq2Seq模型介紹245
9.3.2機器翻譯文本數據的預處理246 
9.3.3 Seq2Seq模型的代碼實現250 
9.3.4注意力機制257 
小結261 
第10章TensorFlow高層封裝262 
10.1 TensorFlow高層封裝總覽262 
10.2 Keras介紹267 
10.2.1 Keras基本用法267 
10.2.2 Keras高級用法272 
10.3 Estimator介紹277 
10.3.1 Estimator基本用法278 
10.3.2 Estimator自定義模型280 
10.3.3使用數據集（Dataset）作為Estimator輸入284 
小結286 
第11章TensorBoard可視化287 
11.1 TensorBoard簡介287 
11.2 TensorFlow計算圖可視化289 
11.2.1命名空間與TensorBoard圖上節點290 
11.2.2節點信息297 
11.3監控指標可視化301 
11.4高維向量可視化309 
小結317 
第12章TensorFlow計算加速318 
12.1 TensorFlow使用GPU 318 
12.2深度學習訓練並行模式324 
12.3多GPU並行327
12.4分佈式TensorFlow 334 
12.4.1分佈式TensorFlow原理334 
12.4.2分佈式TensorFlow模型訓練338 
小結348