TensorFlow 2學習指南

[英]托尼·霍爾德羅伊德（Tony Holdroyd）著，鬲玲、鄒偉、丁博深、李彥聰 譯

TensorFlow 2學習指南 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2020-11-01
  • 定價: $474
  • 售價: 7.0 折 $332
  • 語言: 簡體中文
  • 頁數: 168
  • 裝訂: 平裝
  • ISBN: 7302564639
  • ISBN-13: 9787302564638
  • 相關分類: DeepLearning、TensorFlow

    • 立即出貨 (庫存 < 3)

  • TensorFlow 2學習指南-preview-1
  • TensorFlow 2學習指南-preview-2
  • TensorFlow 2學習指南-preview-3
TensorFlow 2學習指南-preview-1

相關主題

商品描述

《TensorFlow 2學習指南》探討了TensorFlow 2的諸多應用實踐，內容涵蓋各種熱門的應用場景，包括波士頓房價、圖像去噪、圖像識別、圖像風格遷移、文本生成、文本情感分析等。同時深刻剖析了TensorFlow 2在每個人工智能細分方向的應用實踐，專門為“應用落地”而編寫。書中每章聚焦一個具體的技術，提供多個詳細的案例，並附有大量的代碼和註釋，幫助讀者快速入門和熟練掌握。 《TensorFlow 2學習指南》可作為廣大對TensorFlow感興趣的讀者的參考書，也可作為高等院校電腦、人工智能等相關專業的教材。

作者簡介

Tony Holdroyd畢業於杜倫大學，主修數學和物理，具有MCSD、MCSD．net和SCJP等技術資格。
隨後獲得倫敦大學計算機科學碩士學位。
曾任計算機科學和數學專業的高級講師，負責設計和教授C、C++、Java、C#和SQL等多種語言的編程課程。
Tony對神經網絡的熱情源於碩士論文所做的研究，在碩士期間還開發了多個機器學習、神經網絡和深度學習應用程序，並建議媒體行業將深度學習應用於圖像和音樂處理。

目錄大綱

第1部分TensorFlow2基本內容介紹
第1章TensorFlow2簡介
1.1初識TensorFlow生態系統
1.2TensorFlow的安裝
1.3內務管理和Eager*作<*r> 1.3.1導入TensorFlow
1.3.2TensorFlow的編碼風格約定
1.3.3動態圖機制
1.3.4聲明Eager變量
1.3.5聲明TensorFlow常量
1.3.6創建tensor張量
1.3.7張量的秩（維數）
1.3.8指定張量的元素
1.3.9將張量轉換為NumPy/Python變量
1.3.10計算張量的大小（元素數）
1.3.11查看張量的數據類型
1.3.12張量元素的基本運算規則
1.3.13廣播機制
1.3.14TensorFlow轉置和矩陣乘法
1.3.15張量數據類型的轉換
1.3.16聲明不規則張量
1.4TensorFlow的基本操作
1.4.1計算張量的平方差
1.4.2計算平均值
1.4.3隨機初始化張量
1.4.4查找優选和最小元素的索引
1.4.5使用檢查點保存和恢復張量值
1.4.6tf.function
1.5小結

第2章TensorFlow2的不錯API——Keras
2.1Keras的使用情況及優勢
2.2Keras特性
2.3Keras默認配置文件
2.4Keras後端
2.5Keras數據類型
2.6Keras模型
2.6.1Keras序列模型
2.6.2Keras函數式API
2.6 .3子類化Keras模型類
2.6.4使用數據管道
2.6.5保存和加載Keras模型
2.6.6Keras數據集
2.7小結

第3章基於TensorFlow2的ANN技術
3.1獲取數據集
3.1.1從NumPy數組獲取數據
3.1 .2從CSV文件獲取數據
3.1.3使用TFRecords存取數據
3.1.4使用獨熱編碼處理數據
3.2ANN層
3.2.1全連接層
3.2.2卷積層
3.2.3優選池化層
3.2.4批標準化層和Dropout層
3.2.5Softmax層
3.3激活函數
3.4創建模型
3.5梯度計算
3.6損失函數
3.7小結

第二部分TensorFlow2中的有監督和無監督學習
第4章基於TensorFlow2的有監督學習
4.1有監督學習
4.2線性回歸
4.3個線性回歸示例
4.4波士頓房價數據集
4.5邏輯回歸（分類）
4.6k最近鄰（KNN）
4.7小結

第5章基於TensorFlow2的無監督學習
5.1自動編碼器
5.2一個簡單的自動編碼器
5.2.1數據預處理
5.2.2訓練
5.2.3結果顯示
5.3自動編碼器的應用——去噪
5.3.1設置
5.3.2數據預處理
5.3.3帶噪聲的圖像
5.3.4創建編碼層
5.3.5創建解碼層
5.3.6模型概要
5.3.7模型實例化、編譯和訓練
5.3.8圖像去噪
5.3.9TensorBoard輸出
5.4小結

第三部分TensorFlow2的神經網絡應用
第6章基於TensorFlow2的圖像識別
6.1基於TensorFlow的QuickDraw圖像分類
6.1.1數據獲取
6.1.2設置環境
6.1.3數據預處理
6.1.4模型創建
6.1.5模型訓練和測試
6.1.6TensorBoard回調函數
6.1.7模型保存、加載和重新測試
6.1.8用.h5格式保存和加載NumPy圖像數據
6.1.9預訓練模型的加載和使用
6.2基於TensorFlow的CIFAR10圖像分類
6.2.1簡介
6.2.2應用
6.3小結

第7章基於TensorFlow2的圖像風格遷移
7.1導入配置
7.2圖像預處理
7.3查看原始圖像
7.4使用VGG19架構
7.5創建模型
7.6計算損失
7.7執行風格遷移
7.8最終展示
7.9小結

第8章基於TensorFlow2的循環神經網絡
8.1神經網絡處理模式
8.2循環結構
8.3RNN的應用
8.4RNN代碼示例
8.5模型構建與實例化
8.6模型訓練與使用
8.7小結

第9章TensorFlow Estimators和TensorFlow Hub
9.1TensorFlow Estimators
9.2TensorFlow Hub
9.2.1IMDB（電影評論數據庫）
9.2.2數據集
9.2.3代碼
9.3小結

附錄從tf1.12轉換為tf2

類似商品