TensorFlow 2學習指南

定　價：￥79.00

作　者：	[英] 托尼·霍爾德羅伊德（Tony Holdroyd）著
出版社：	清華大學出版社
叢編項：	人工智能科學與技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302564638	出版時間：	2020-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	168	字數(shù)：

內(nèi)容簡介

　　《TensorFlow 2學習指南》探討了TensorFlow 2的諸多應用實踐，內(nèi)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，并附有大量的代碼和注釋，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，也可作為高等院校計算機、人工智能等相關專業(yè)的教材。

作者簡介

　　Tony Holdroyd畢業(yè)于杜倫大學，主修數(shù)學和物理，具有MCSD、MCSD．net和SCJP等技術資格。隨后獲得倫敦大學計算機科學碩士學位。曾任計算機科學和數(shù)學專業(yè)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(jīng)網(wǎng)絡的熱情源于碩士論文所做的研究，在碩士期間還開發(fā)了多個機器學習、神經(jīng)網(wǎng)絡和深度學習應用程序，并建議媒體行業(yè)將深度學習應用于圖像和音樂處理。

圖書目錄

目錄

第一部分TensorFlow 2基本內(nèi)容介紹

第1章TensorFlow 2 簡介

1．1初識TensorFlow生態(tài)系統(tǒng)

1．2TensorFlow的安裝

1．3內(nèi)務管理和Eager操作

1．3．1導入TensorFlow

1．3．2TensorFlow的編碼風格約定

1．3．3動態(tài)圖機制

1．3．4聲明Eager變量

1．3．5聲明TensorFlow常量

1．3．6創(chuàng)建tensor張量

1．3．7張量的秩(維數(shù))

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(shù))

1．3．11查看張量的數(shù)據(jù)類型

1．3．12張量元素的基本運算規(guī)則

1．3．13廣播機制

1．3．14TensorFlow轉置和矩陣乘法

1．3．15張量數(shù)據(jù)類型的轉換

1．3．16聲明不規(guī)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查找最大和最小元素的索引

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TensorFlow 2的高級API——Keras

2．1Keras的使用情況及優(yōu)勢

2．2Keras特性

2．3Keras默認配置文件

2．4Keras后端

2．5Keras數(shù)據(jù)類型

2．6Keras模型

2．6．1Keras序列模型

2．6．2Keras函數(shù)式API

2．6．3子類化Keras模型類

2．6．4使用數(shù)據(jù)管道

2．6．5保存和加載Keras模型

2．6．6Keras數(shù)據(jù)集

2．7小結

第3章基于TensorFlow 2的ANN技術

3．1獲取數(shù)據(jù)集

3．1．1從NumPy數(shù)組獲取數(shù)據(jù)

3．1．2從CSV文件獲取數(shù)據(jù)

3．1．3使用TFRecords存取數(shù)據(jù)

3．1．4使用獨熱編碼處理數(shù)據(jù)

3．2ANN層

3．2．1全連接層

3．2．2卷積層

3．2．3最大池化層

3．2．4批標準化層和Dropout層

3．2．5Softmax層

3．3激活函數(shù)

3．4創(chuàng)建模型

3．5梯度計算

3．6損失函數(shù)

3．7小結

第二部分TensorFlow 2中的有監(jiān)督和無監(jiān)督學習

第4章基于TensorFlow 2的有監(jiān)督學習

4．1有監(jiān)督學習

4．2線性回歸

4．3第一個線性回歸示例

4．4波士頓房價數(shù)據(jù)集

4．5邏輯回歸(分類)

4．6k最近鄰(KNN)

4．7小結

第5章基于TensorFlow 2的無監(jiān)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(shù)據(jù)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(shù)據(jù)預處理

5．3．3帶噪聲的圖像

5．3．4創(chuàng)建編碼層

5．3．5創(chuàng)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TensorFlow 2的神經(jīng)網(wǎng)絡應用

第6章基于TensorFlow 2的圖像識別

6．1基于TensorFlow的Quick Draw圖像分類

6．1．1數(shù)據(jù)獲取

6．1．2設置環(huán)境

6．1．3數(shù)據(jù)預處理

6．1．4模型創(chuàng)建

6．1．5模型訓練和測試

6．1．6TensorBoard回調(diào)函數(shù)

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(shù)據(jù)

6．1．9預訓練模型的加載和使用

6．2基于TensorFlow的CIFAR 10圖像分類

6．2．1簡介

6．2．2應用

6．3小結

第7章基于TensorFlow 2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(chuàng)建模型

7．6計算損失

7．7執(zhí)行風格遷移

7．8最終展示

7．9小結

第8章基于TensorFlow 2的循環(huán)神經(jīng)網(wǎng)絡

8．1神經(jīng)網(wǎng)絡處理模式

8．2循環(huán)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(shù)據(jù)庫)

9．2．2數(shù)據(jù)集

9．2．3代碼

9．3小結

附錄從tf1．12轉換為tf2