別再 mnist 了：跨平台高平行 TensorFlow 2 精彩上陣
李金洪
- 出版商: 深智
- 出版日期: 2021-04-19
- 定價: $1,000
- 售價: 6.6 折 $660 (限時優惠至 2024-11-25)
- 語言: 繁體中文
- 頁數: 608
- 裝訂: 平裝
- ISBN: 9865501864
- ISBN-13: 9789865501860
-
相關分類:
DeepLearning、TensorFlow
- 此書翻譯自: TensorFlow 2.X 項目實戰
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$403深度學習 : 21天實戰 Caffe -
PyTorch 深度學習與自然語言中文處理$420$328 -
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)$1,000$790 -
一次就懂 ASP.NET MVC 5.x 網站開發：Web 應用的經典實務範例解析 (Visual C#)$790$672 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$493 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$638 -
TensorFlow 2.x 人工智慧、機器學習超炫範例 200+ (附影音教學影片、範例程式)$560$442 -
AI 醫療 DEEP MEDICINE (Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again)$680$578 -
AI 手機 APP、智慧硬體專案實作｜使用 TensorFlow Lite (iOS/Android/RPi適用) (Intelligent Mobile Projects with TensorFlow: Build 10+ Artificial Intelligence apps using TensorFlow Mobile and Lite for iOS, Android, and Raspberry Pi)$580$458 -
寫給程式設計師的深度學習｜使用 fastai 和 PyTorch (Deep Learning for Coders with fastai and PyTorch)$980$774 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$850 -
$254文本數據挖掘與 Python 應用 -
Android 進階之光, 2/e$714$678 -
Deep Learning 3｜用 Python 進行深度學習框架的開發實作$780$616 -
白話演算法！培養程式設計的邏輯思考 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$520$411 -
必學！Python 資料科學‧機器學習最強套件 － NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras$680$578 -
最踏實 AI 之路：全白話機器學習一次搞懂$780$663 -
Excel 2019 VBA 與巨集程式設計 -- 新手入門就靠這一本 (最新修訂版)(上)$600$468 -
Excel 2019 VBA 與巨集程式設計 -- 新手入門就靠這一本 (最新修訂版)(下)$500$390 -
Python 機器學習與深度學習特訓班：看得懂也會做的AI人工智慧實戰, 2/e (附120分鐘影音教學/範例程式)$520$411 -
從來沒有這麼明白過：TensorFlow 上車就學會$690$587 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
Python 架站特訓班：Django 3 最強實戰, 2/e (附影音/範例)$480$408 -
JavaScript 爬蟲新思路！從零開始帶你用 Node.js 打造 FB＆IG 爬蟲專案（iT邦幫忙鐵人賽系列書）$620$484 -
深度學習 -- 最佳入門邁向 AI 專題實戰 (書籍有些許瑕疵,不介意再下單)$1,200$792
相關主題
商品描述
► 一本完整高階的TensorFlow 2.x應用
► 一定要選一個AI框架，TensorFlow是唯一選擇，加入動態圖、整合了Keras
► 學一個TensorFlow，會兩種AI Framework，怎麼看都划算
TensorFlow 是目前使用最廣泛的機器學習架構，能滿足廣大使用者的需求。如今TensorFlow 已經更新到2.X 版本，具有更強的便利性。TensorFlow在2.0版之後做了大幅更動，如果你從舊版1.0學的跌跌撞撞，不如從新版開始。
很多人以為TensorFlow只適用於深度學習，但TensorFlow的廣度和深度是成正比的。本書實作了幾個著名的範例，不再只會MNIST而已了。從NLP、影像辨識、GAN，一直到真槍實彈的機器學習技能，TensorFlow一手包辦。
你真的想找一本完整高階的TensorFlow 2.x應用，這會是最佳的案頭書。
全書內容分為4篇，結構清晰、案例豐富、通俗容易、實用性強。
◎第1篇 準備篇 包含TensorFlow的安裝、使用方法。這部分內容可以讓讀者快速上手TensorFlow工具。
◎第2篇 基礎篇 包含資料集製作、特徵工程等資料前置處理工作，以及與數值分析相關的模型（其中包含wide_deep模型、梯度提升樹、知識圖譜、帶有JANET單元的RNN等模型）。
◎第3篇 進階篇 從自然語言處理、電腦視覺兩個應用方向介紹了基礎的演算法原理和主流的模型。實際包含：TextCNN模型、帶有注意力機制的模型、帶有動態路由的RNN模型、BERTology系列模型、EfficientNet系列模型、Anchor-Free模型、YOLO V3模型等。
◎第4篇 高階篇 介紹產生式模型和零次學習兩種技術，系統地介紹資訊熵、歸一化、f-GAN、最佳傳輸、Sinkhorn演算法，以及變分自編碼、DeblurGAN、AttGAN、DIM、VSC等模型。
適合讀者群：適合對人工智慧、TensorFlow有興趣者，或作為大專相關科系學生、教育訓練機構教材。
作者簡介
李金洪
精通c、c++、彙編、python、java、go等語言。擅長神經網路、演算法、協議分析、逆向、移動互聯網安全架構等技術。先後擔任過CAD演算法工程師、手機遊戲主程、架構師、專案經理、CTO、部門經理、資深產品總監等職位。
目錄大綱
前言
第一篇 準備篇
01 學習準備
1.1 什麼是TensorFlow 架構
1.2 如何學習本書3
02 快速上手TensorFlow
2.1 設定TensorFlow 環境
2.2 訓練模型的兩種方式
2.3 實例1：用靜態圖訓練模型，使其能夠從一組資料中找到 y ≈ 2x 規律
2.4 實例2：用動態圖訓練一個具有儲存檢查點功能的回歸模型
03 TensorFlow 2.X 程式設計基礎
3.1 動態圖的程式設計方式
3.2 掌握估算器架構介面的應用
3.3 實例7：將估算器模型轉化成靜態圖模型
3.4 實例8：用估算器架構實現分散式部署訓練
3.5 掌握tf.keras 介面的應用
3.6 分配運算資源與使用分佈策略
3.7 用tfdbg 偵錯TensorFlow 模型
3.8 用自動混合精度加速模型訓練
第二篇 基礎篇
04 用TensorFlow 製作自己的資料集
4.1 資料集的基本介紹
4.2 實例11：將模擬資料製作成記憶體物件資料集
4.3 實例12：將圖片製作成記憶體物件資料集
4.4 實例13：將Excel 檔案製作成記憶體物件資料集
4.5 實例14：將圖片檔案製作成TFRecord 資料集
4.6 實例15：將記憶體物件製作成Dataset 資料集
4.7 實例16：將圖片檔案製作成Dataset 資料集
4.8 實例17：在動態圖中讀取Dataset 資料集
4.9 實例18：在不同場景中使用資料集
4.10 tf.data.Dataset 介面的更多應用
05 數值分析與特徵工程
5.1 什麼是特徵工程
5.2 什麼是特徵列介面
5.3 實例24：用wide_deep 模型預測人口收入
5.4 實例25：梯度提升樹（TFBT）介面的應用
5.5 實例26：以知識圖譜為基礎的電影推薦系統
5.6 實例27：預測飛機引擎的剩餘使用壽命
第三篇 進階篇
06 自然語言處理
6.1 BERT 模型與NLP 的發展階段
6.2 實例28：用TextCNN 模型分析評論者是否滿意
6.3 實例29：用帶注意力機制的模型分析評論者是否滿意
6.4 實例30：用帶有動態路由的RNN 模型實現文字分類任務
6.5 NLP 中的常見任務及資料集
6.6 了解Transformer 函數庫
6.7 實例31：用管線方式完成多種NLP 任務
6.8 Transformers 函數庫中的自動模型類別（TFAutoModel）
6.9 Transformers 函數庫中的BERTology 系列模型
6.10 Transformers 函數庫中的詞表工具 .
6.11 BERTology 系列模型
6.12 用遷移學習訓練BERT 模型來對中文分類
07 機器視覺處理
7.1 實例34：使用預訓練模型識別影像
7.2 了解EfficientNet 系列模型
7.3 實例36：在估算器架構中用tf.keras 介面訓練ResNet 模型，識別圖片中是橘子還是蘋果
7.4 以圖片內容為基礎的處理任務
7.5 實例37：用YOLO V3 模型識別門牌號
第四篇 高階篇
08 生成式模型：能夠輸出內容的模型
8.1 快速了解資訊熵（information entropy）
8.2 通用的無監督模型-- 自編碼與對抗神經網路
8.3 實例38：用多種方法實現變分自編碼神經網路
8.4 常用的批次歸一化方法
8.5 實例39：建置DeblurGAN 模型，將模糊照片變清晰
8.6 更加了解WGAN 模型
8.7 實例40：建置AttGAN 模型，對照片進行加鬍子、加頭簾、加眼鏡、變年輕等修改
8.8 散度在神經網路中的應用
8.9 實例42：用Deep Infomax（DIM）模型做一個圖片搜尋器
09 識別未知分類的方法：零次學習
9.1 了解零次學習
9.2 零次學習中的常見困難10.1 概述
9.3 帶有視覺結構約束的直推ZSL（ VSC模型）
9.4 詳解Sinkhorn 疊代演算法
9.5 實例43：用VSC 模型識別圖片中的鳥屬於什麼類別
9.6 提升零次學習精度的方法
後記
