具体描述
本书共分5方面内容：基础知识、关键模块、算法模型、内核揭秘、生态发展。前两方面由浅入深地介绍了TensorFlow 平台，算法模型方面依托TensorFlow 讲解深度学习模型，内核揭秘方面主要分析C++内核中的通信原理、消息管理机制等，最后从生态发展的角度讲解以TensorFlow 为中心的一套开源大数据分析解决方案。
作者简介
Giancarlo Zaccone
在并行计算和可视化方向拥有丰富经验，目前于某咨询公司担任系统和软件工程师。
Md. Rezaul Karim 拥有近10年软件研发经验，具备扎实的算法和数据结构知识，研究兴趣包括机器学习、深度学习、语义网络等。
Ahmed Menshawy
爱尔兰都柏林三一学院研究工程师，主要工作是使用ADAPT中心的机器学习和自然语言处理技术成果构建原型和应用，在机器学习和自然语言处理领域拥有多年工作经验。
目录信息
1.1 机器学习简介 1
1.1.1 监督学习 2
1.1.2 无监督学习 2
1.1.3 强化学习 3
1.2 深度学习定义 3
1.2.1 人脑的工作机制 3
1.2.2 深度学习历史 4
1.2.3 应用领域 5
1.3 神经网络 5
1.3.1 生物神经元 5
1.3.2 人工神经元 6
1.4 人工神经网络的学习方式 8
1.4.1 反向传播算法 8
1.4.2 权重优化 8
1.4.3 随机梯度下降法 9
1.5 神经网络架构 10
1.5.1 多层感知器 10
1.5.2 DNN架构 11
1.5.3 卷积神经网络 12
1.5.4 受限玻尔兹曼机 12
1.6 自编码器 13
1.7 循环神经网络 14
1.8 几种深度学习框架对比 14
1.9 小结 16
第2章 TensorFlow初探 17
2.1 总览 17
2.1.1 TensorFlow 1.x版本特性 18
2.1.2 使用上的改进 18
2.1.3 TensorFlow安装与入门 19
2.2 在Linux上安装TensorFlow 19
2.3 为TensorFlow启用NVIDIA GPU 20
2.3.1 第1步：安装NVIDIA CUDA 20
2.3.2 第2步：安装NVIDIA cuDNN v5.1+ 21
2.3.3 第3步：确定GPU卡的CUDA计算能力为3.0+ 22
2.3.4 第4步：安装libcupti-dev库 22
2.3.5 第5步：安装Python
（或Python 3） 22
2.3.6 第6步：安装并升级PIP
（或PIP3） 22
2.3.7 第7步：安装TensorFlow 23
2.4 如何安装TensorFlow 23
2.4.1 直接使用pip安装 23
2.4.2 使用virtualenv安装 24
2.4.3 从源代码安装 26
2.5 在Windows上安装TensorFlow 27
2.5.1 在虚拟机上安装TensorFlow 27
2.5.2 直接安装到Windows 27
2.6 测试安装是否成功 28
2.7 计算图 28
2.8 为何采用计算图 29
2.9 编程模型 30
2.10 数据模型 33
2.10.1 阶 33
2.10.2 形状 33
2.10.3 数据类型 34
2.10.4 变量 36
2.10.5 取回 37
2.10.6 注入 38
2.11 TensorBoard 38
2.12 实现一个单输入神经元 39
2.13 单输入神经元源代码 43
2.14 迁移到TensorFlow 1.x版本 43
2.14.1 如何用脚本升级 44
2.14.2 局限 47
2.14.3 手动升级代码 47
2.14.4 变量 47
2.14.5 汇总函数 47
2.14.6 简化的数学操作 48
2.14.7 其他事项 49
2.15 小结 49
第3章 用TensorFlow构建前馈
神经网络 51
3.1 前馈神经网络介绍 51
3.1.1 前馈和反向传播 52
3.1.2 权重和偏差 53
3.1.3 传递函数 53
3.2 手写数字分类 54
3.3 探究MNIST数据集 55
3.4 softmax分类器 57
3.5 TensorFlow模型的保存和还原 63
3.5.1 保存模型 63
3.5.2 还原模型 63
3.5.3 softmax源代码 65
3.5.4 softmax启动器源代码 66
3.6 实现一个五层神经网络 67
3.6.1 可视化 69
3.6.2 五层神经网络源代码 70
3.7 ReLU分类器 72
3.8 可视化 73
3.9 dropout优化 76
3.10 可视化 78
3.11 小结 80
第4章 TensorFlow与卷积神经网络 82
4.1 CNN简介 82
4.2 CNN架构 84
4.3 构建你的第一个CNN 86
4.4 CNN表情识别 95
4.4.1 表情分类器源代码 104
4.4.2 使用自己的图像测试模型 107
4.4.3 源代码 109
4.5 小结 111
第5章 优化TensorFlow自编码器 112
5.1 自编码器简介 112
5.2 实现一个自编码器 113
5.3 增强自编码器的鲁棒性 119
5.4 构建去噪自编码器 120
5.5 卷积自编码器 127
5.5.1 编码器 127
5.5.2 解码器 128
5.5.3 卷积自编码器源代码 134
5.6 小结 138
第6章 循环神经网络 139
6.1 RNN的基本概念 139
6.2 RNN的工作机制 140
6.3 RNN的展开 140
6.4 梯度消失问题 141
6.5 LSTM网络 142
6.6 RNN图像分类器 143
6.7 双向RNN 149
6.8 文本预测 155
6.8.1 数据集 156
6.8.2 困惑度 156
6.8.3 PTB模型 156
6.8.4 运行例程 157
6.9 小结 158
第7章 GPU计算 160
7.1 GPGPU计算 160
7.2 GPGPU的历史 161
7.3 CUDA架构 161
7.4 GPU编程模型 162
7.5 TensorFlow中GPU的设置 163
7.6 TensorFlow的GPU管理 165
7.7 GPU内存管理 168
7.8 在多GPU系统上分配单个GPU 168
7.9 使用多个GPU 170
7.10 小结 171
第8章 TensorFlow高级编程 172
8.1 Keras简介 172
8.2 构建深度学习模型 174
8.3 影评的情感分类 175
8.4 添加一个卷积层 179
8.5 Pretty Tensor 181
8.6 数字分类器 182
8.7 TFLearn 187
8.8 泰坦尼克号幸存者预测器 188
8.9 小结 191
第9章 TensorFlow高级多媒体编程 193
9.1 多媒体分析简介 193
9.2 基于深度学习的大型对象检测 193
9.2.1 瓶颈层 195
9.2.2 使用重训练的模型 195
9.3 加速线性代数 197
9.3.1 TensorFlow的核心优势 197
9.3.2 加速线性代数的准时编译 197
9.4 TensorFlow和Keras 202
9.4.1 Keras简介 202
9.4.2 拥有Keras的好处 203
9.4.3 视频问答系统 203
9.5 Android上的深度学习 209
9.5.1 TensorFlow演示程序 209
9.5.2 Android入门 211
9.6 小结 214
第10章 强化学习 215
10.1 强化学习基本概念 216
10.2 Q-learning算法 217
10.3 OpenAI Gym框架简介 218
10.4 FrozenLake-v0实现问题 220
10.5 使用TensorFlow实现Q-learning 223
10.6 小结 227
· · · · · · (收起)
读后感
用户评价
对于这本书，我抱着一种既好奇又有些挑战的心态。我一直在寻找一本能够系统性梳理TensorFlow核心概念的书籍，之前尝试过一些在线教程，但碎片化的信息总是让我难以形成完整的知识体系。这本书的标题“TensorFlow深度学习”非常直接地表明了它的定位，这正是我想深入了解的领域。我关注的重点在于它能否深入浅出地讲解TensorFlow的各种API，包括数据处理、模型构建、训练与评估等关键环节。我希望它能提供一些实际的项目案例，让我能够看到TensorFlow是如何在真实场景中应用的，而不是仅仅停留在理论层面。另外，作为一名对算法细节充满好奇的学习者，我希望能在这本书中找到关于各种经典深度学习模型（如CNN、RNN、Transformer等）的详细介绍，以及它们在TensorFlow中的实现方式。如果书中还能包含一些性能优化和模型部署的技巧，那就更好了。我对这本书的期望是，它能够帮助我从一个对TensorFlow“知其然”的状态，提升到“知其所以然”的境界，让我能够更自信地运用TensorFlow解决更复杂的问题。
这本书的封面设计给我一种踏实而专业的印象，沉甸甸的质感仿佛蕴藏着丰富的知识。标题“TensorFlow深度学习”直接点明了主题，这正是我在寻找的。作为一名对AI技术充满好奇的爱好者，我一直在探索如何将理论知识转化为实际应用，而TensorFlow无疑是这个过程中不可或缺的工具。我期望这本书能为我提供一个系统性的学习路径，从TensorFlow的基础概念出发，逐步深入到各种高级模型和应用。我特别关注书中是否能够清晰地阐述TensorFlow的核心组件，例如计算图、张量、操作符等，以及它们是如何协同工作的。此外，我希望书中能够提供大量精心设计的代码示例，这些示例不仅要能够运行，还要能够帮助我理解每个步骤背后的逻辑。对于实际项目应用，我也充满了期待，例如图像识别、自然语言处理等，我希望能通过这本书的学习，掌握如何运用TensorFlow构建和训练解决这些问题的模型。这本书的厚度也让我相信，它能够提供足够深入的内容，满足我不断探索的需求。
当我看到这本书的标题“TensorFlow深度学习”时，我脑海中立刻浮现出无数的可能性。我是一名学生，对人工智能领域充满了热情，而深度学习又是这个领域的核心驱动力。我希望这本书能够成为我学习TensorFlow的“第一本书”，它不仅仅是关于工具的使用，更是关于思想的启迪。我期望它能以清晰的逻辑、生动的语言，为我解释深度学习的基本原理，比如反向传播、梯度下降等等，并教会我如何在TensorFlow中实现它们。我特别关注书中在数据预处理和特征工程方面的讲解，因为我知道这是模型成功的基石。同时，我也希望能看到书中对各种主流深度学习模型（如卷积神经网络、循环神经网络、生成对抗网络等）的详细介绍，并能够提供相应的TensorFlow代码示例，让我能够动手实践，加深理解。如果书中还能包含一些前沿的研究方向或者实际应用案例，那就更能激发我的学习兴趣，让我看到深度学习在现实世界中的巨大潜力。
这本书就像是一本厚重的“武林秘籍”，封面上的“TensorFlow深度学习”几个字，在我看来，就是其中蕴含的强大内力。作为一名在IT行业摸爬滚打多年的从业者，我深知掌握一门强大的技术工具的重要性。TensorFlow无疑是当前深度学习领域最炙手可热的框架之一，但它的博大精深也常常让人望而却步。我希望这本书能够像一位经验丰富的老者，带着我一步一步地揭开TensorFlow的面纱，从最基础的概念讲起，逐步深入到各种复杂的模型和训练技巧。我尤其看重书中在代码示例上的质量，希望它不仅仅是给出枯燥的代码片段，而是能够提供完整的、可运行的项目，让我能够亲手去实践，去体会TensorFlow的魅力。此外，我对书中关于模型调优和性能优化的部分也充满期待，因为在实际项目中，如何让模型跑得更快、效果更好，往往是决定成败的关键。如果这本书还能提供一些关于如何将训练好的模型部署到生产环境中的指导，那绝对是锦上添花了。
这本书的封面设计就给我一种沉甸甸的专业感，金黄色的“TensorFlow深度学习”几个大字稳稳地占据了C位，旁边是流动的神经网络图，仿佛在诉说着这本书将带领读者遨游算法的海洋。翻开扉页，纸张的质感也相当不错，不是那种廉价的滑腻感，而是带着一丝细微的纹理，让指尖触碰时有一种踏实的触感，这让我对即将开始的阅读之旅充满了期待。我个人在机器学习领域算是个初学者，虽然之前零零散散看过一些相关的资料，但总觉得像是隔着一层纱，不够透彻。尤其是在遇到一些复杂的模型和算法时，常常会感到力不从心，找不到一个清晰的脉络。我希望这本书能够像一座灯塔，照亮我前行的道路，让我能够真正理解深度学习背后的原理，而不仅仅是停留在调包侠的层面。当然，我也知道深度学习的学习曲线是比较陡峭的，但这本书厚实的体量和专业的名字，让我相信它有足够的深度和广度来满足我的求知欲。我特别关注的是它在概念讲解上的清晰度，以及在代码实现上的易读性，希望它能提供足够多的例子，让我边学边练，能够将理论知识融会贯通，最终能够独立地解决一些实际问题。
用处不大，不推荐。不如直接看官方API文档
👬👬👬👬👬
用处不大，不推荐。不如直接看官方API文档
用处不大，不推荐。不如直接看官方API文档
👬👬👬👬👬
