醉染图书TENSORFLOW深度学习实战9787111615750

译者序前言作者简介审校者简介章  TensorFlow简介 11.1  引言 11.2  TensorFlow安装 21.3  Hello world 61.4  理解TensorFlow程序结构 81.5  常量、变量和占位符 101.6  使用TensorFlow 执行矩阵操作 151.7  使用数据流图 171.8  从0.x迁移到1.x 181.9  使用XLA提升运算能 191.10  调用CPU/GPU设备 211.11  TensorFlow与深度学习 241.12  DNN问题需要的Python包 28第2章  回归 302.1  引言 302.2  选择损失函数 31.  TensorFlow中的优化器 332.4  读取CSV文件和数据预处理 362.5  房价估计——简单线回归 392.6  房价估计——多元线回归 422.7  MNIST数据集的逻辑回归 45第3章  神经网络——感知机 503.1  引言 503.2  激活函数 5.  单层感知机 583.4  计算反向传播算法的梯度 603.5  使用MLP实现MNIST分类器 633.6  使用MLP逼近函数来预测波士顿房价 663.7  调整超参数 713.8  不错API——Keras 72第4章  卷积神经网络 754.1  引言 754.2  创建一个ConvNet来分类手写MNIST数字 794.3  创建一个ConvNet来分类CIFAR-10数据集 844.4  用VGG19做风格迁移的图像重绘 874.5  使用预训练的VGG16网络进行迁移学习 964.6  创建DeepDream网络 100第5章  不错卷积神经网络 1055.1  引言 1055.2  为情感分析创建一个ConvNet 1065.3  检验VGG预建网络学到的滤波器 1095.4  使用 VGGNet、ResNet、Inception和Xception分类图像 1135.5  重新利用预建深度学习模型进行特征提取 1255.6  用于迁移学习的深层InceptionV3网络 1265.7  使用扩张ConvNet、WaveNet和 NSynth生成音乐 1295.8  关于图像的问答 1345.9  利用预训练网络进行视频分类的6种方法 140第6章  循环神经网络 1446.1  引言 1446.2  神经机器翻译——seq2seq RNN训练 1506.3  神经机器翻译——seq2seq RNN推理 1566.4  你所需要的是注意力—另一个seq2seq RNN例子 1576.5  使用RNN像莎士比亚一样写作 1616.6  基于RNN学习预测比币格 1656.7  多对一和多对多的RNN例子 174第7章  无监督学习 1767.1  引言 1767.2  主成分分析 1767.3  k均值聚类 1817.4  自组织映 1867.5  受限玻尔兹曼机 1917.6  基于RBM的系统 1967.7  用DBN进行情绪检测 198第8章  自动编码机 2058.1  引言 2058.2  标准自动编码机 2078.3  稀疏自动编码机 2128.4  去噪自动编码机 2178.5  卷积自动编码机 2218.6  堆叠自动编码机 225第9章  强化学习 1.1  引言 1.2  学习OpenAI Gym .  用神经网络智能体玩Pac-Man游戏 5.4  用 learning玩Cart-Pole平衡游戏 9.5  用DN玩Atari游戏 2449.6  用策略梯度网络玩Pong游戏 2520章  移动端计算 25910.1  引言 25910.2  安装适用于macOS和Android的TensorFlow mobile 26010.3  玩转TensorFlow和Android的示例 26510.4  安装适用于macOS和iPhone的TensorFlow mobile 26810.5  为移动设备优化TensorFlow计算图 27110.6  为移动设备分析TensorFlow计算图 27310.7  为移动设备转换TensorFlow计算图 2751章  生成式模型和CapsNet 27811.1  引言 27811.2  学习使用简单GAN虚构MNIST图像 28411.3  学习使用DCGAN虚构MNIST图像 28911.4  学习使用DCGAN虚构名人面孔和数据集 29411.5  实现变分自动编码机 29711.6  学习使用网络击败MNIST前期的成果 3052章  分布式TensorFlow和云深度学习 31912.1  引言 31912.2  在GPU上使用TensorFlow 3221.  玩转分布式TensorFlow：多个GPU和一个CPU 312.4  玩转分布式TensorFlow：多服务器 32412.5  训练分布式TensorFlow MNIST分类器 32612.6  基于Docker使用TensorFlow Serving 32812.7  使用计算引擎在谷歌云平台上运行分布式TensorFlow 33012.8  在谷歌CloudML上运行分布式TensorFlow 33312.9  在Microsoft Azure上运行分布式TensorFlow 33412.10  在Amazon AWS上运行分布式TensorFlow 337附录A  利用AutoML学会学习（元学习） 342附录B  TensorFlow处理器 350

安东尼奥？古利(Antonio Gulli)是搜索引擎、在线服务、机器学习、信息检索、数据分析以及云计算等方面的专家。目前，他在谷歌华沙担任主管和云计算主管，推动Serverless、Kubernetes和Google Cloud UX等项目在欧洲的发展。

本书介绍如何有效地使用Google的开源框架TensorFlow进行深度学习。你将实现不同的深度学习网络，如卷积神经网络（CNN）、循环神经网络（RNN）、深度 learning网络（DN）和生成对抗网络（GAN），并将学习如何使用TensorFlow的不错封装工具Keras。你将了解如何使用不同的深层神经架构来执行复杂的任务，并在一些常用数据集（如MNIST、CIFAR-10、Youtube8m等）上了解不同DNN的能，不仅可以了解TensorFlow支持的不同移动和嵌入式平台，还可以了解如何为深度学习应用程序搭建云平台。你将深入了解TPU架构，以及它们将如何影响DNN的未来。学完本书，你将理解深度学习实践技术，能够独立开发现实世界中的一些应用，开展如强化学习、GAN、自动编码机等领域的研究。本书主要内容章  讨论Google的开源框架TensorFlow，以及为什么它对深度学习有用。这一章将讨论如何在Mac、Windows和Ubun为CPU和GPU安装TensorFlow，还将讨论在整本书中使用的Python包。我们将解释TensorFlow代码的两个组成部分、图的定义及其执行，学习使用TensorBoard来查看图表结构，了解TensorFlow常量、变量和占位符之间的区别，也会体验一下TensorFlow Estimator。第2章  讨论回归及其应用。这一章将讨论回归中涉及的概念，了解它与聚类和分类有何不同，学习不同类型的损失函数，以及如何在TensorFlow中实现它们。我们将学习如何实现L1和L2正则化，并讨论梯度下降算法，学习如何优化它并在TensorFlow中实现它，还将简要介绍一下交叉熵函数及其实现。 第3章  涵盖人工神经网络基础知识，并解释为什么它可以完成DNN所要求的任务，还将学习如何选择不同的激活函数，使用它们来构建一个简单的感知机，并将其用于函数建模。在训练数据之前有必要了解数据的正则化，并将学习逐层构建多层感知机（MLP）。第4章  讨论卷积过程以及如何提取特征，将学习CNN的三个重要的层：卷积层、池化层和全连接层。我们也将学习dropout正则化，以及为何其能提高能，并学习不同的CNN架构，如LeNET和GoogleNET。第5章  涵盖诸如面部识别CNN的一些成功案例。我们将写一个使用CNN进行情感分析的程序，并学习如何实现迁移学习。还将学习如何使用VGG16网络进行迁移学习，并用VGGNet、ResNet、Inception和Xception来学习图像的分类。我们将使用扩张ConvNet、Wavenet和Nsynth来生成一段音乐，还将学习如何做视觉问答、如何做视频分类。第6章  将介绍RNN的基本单元、单词嵌入和时间排序。我们将简要讨论LSTM网络，并学习seq2seq RNN，还学习如何使用RNN进行机器翻译、生成文本和预测未来值。第7章  主要介绍无监督学范。我们将学习聚类和降维，学习像主成分分析（PCA）这样的技术，并了解它们如何用于降维。我们将学习均值聚类，了解地形图的概念，并学习如何训练自组织映网络。我们将学习受限玻尔兹曼机（RBM），并讨论其架构和训练机制。我们将学习如何堆叠RBM来构建深度置信网络（DBN），并学习如何训练它们。我们还将使用预训练和微调情绪检测的概念来训练DBN。第8章  将揭开自动编码机的神秘面纱。我们将学习自动编码机及其应用程序，讨论各种可以使用自动编码机的真实案例，讨论编码和后续重建的过程，学习重建错误，学习稀疏自动编码机、KL散度的概念，学习去噪自动编码机，并使用它们来根据被噪声污染的图像重建纯净的图像。我们将学习如何构建卷积自动编码机和堆叠自动编码机。第9章  涵盖不同的强化学习算法。我们将学习 learning算法、讨论Bellman-Ford方程，以及如何选择学习率、折扣因子，还将学习如何使用OpenAI Gym框架。我们将学习经验回放和缓存的概念来实现价值迭代网络，使用 learning和策略梯度来构建游戏agent。，我们将学习如何创建自己的DN，简要介绍AlphaGo Zero及其取得的胜利。0章  将介绍移动端深度学习的不同应用。我们将在Windows平台上学习如何在Android studio上使用TensorFlow，学习如何使用TensorFlow和XCode来制作基于ios的应用程序，学习如何优化移动端的TensorFlow计算图，以及学习如何为移动设备转换TensorFlow计算图。1章  从生成对抗网络开始，首先探索不同的预测模型。我们将阐述GAN及其运行背后的动机，了解基本的GAN架构，并探索一些酷的GAN应用。我们将学习另一个生成网络——变分自动编码机。，我们将了解近提出的网络。2章  解释云环境、Docker、容器的概念，以及如何使用它们，学习如何使用多个CPU或多个服务器运行分布式TensorFlow，学习如何设置AWS进行深度学习，学习如何为深度学习应用设置谷歌云，学习如何为深度学习应用设置Microsoft Azure云。我们还将了解可用的云服务。附录A  简要介绍AutoML和孪生网络。附录B  包括张量处理单元和它的基本架构，以及它将如何影响DNN的未来。阅读本书前的准备工作为更好地学习本书，你需要安装Python 3.5版本（https://www.continuum.io/ downloads）以及TensorFlow（www.tensorflow.org）。建议使用以下硬件配置：CPU架构：x86_64系统内存：8 GB～32 GBCPU：4～8 核GPU：可选，NVDIA GTX 650本书读者对象本书主要面向想要定期执行机器学习任务的数据科学家、机器学习从业者和深度学习爱好者。对深度神经网络已有了解并希望获得CNN和RNN等方面实践经验的人会发现本书很有用。本书结构在这本书中，你会发现几个频繁出现的小标题（准备工作、具体做法、解读分析、更多内容、拓展阅读），具体含义如下。准备工作这部分主要介绍需要做什么，并介绍如何安装所需的软件并进行初步设置。具体做法这部分包括实现相应功能的具体步骤。解读分析这部分通常包含对具体步骤的详细解释。更多内容这部分是扩充知识，以使读者对其有更多的了解。拓展阅读这部分将列出一些相关的网址。下载示例代码本书的示例代码，可以从http://www.packtpub.com通过个人账号下载，也可以访问华章图书官网http://www.hzbook.com，通过注册并登录个人账号下载。