未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

TensorFlow2.X项目实战

作者: 李金洪著

出版社: 电子工业出版社

出版时间: 2020-10

ISBN: 9787121397066

定价: 119.00

分类: 计算机与互联网

7 张插图图片

9人买过

本书基于TensorFlow 2.1 版本进行编写。书中内容分为4 篇。
第1 篇包括TensorFlow 的安装、使用方法。这部分内容可以使读者快速上手TensorFlow 工具。
第2 篇包括数据集制作、特征工程等数据预处理工作，以及与数值分析相关的模型（其中包括wide_deep 模型、梯度提升树、知识图谱、带有JANET 单元的RNN 等模型）。
第3 篇从自然语言处理、计算机视觉两个应用方向介绍了基础的算法原理和主流的模型。具体包括：TextCNN 模型、带有注意力机制的模型、带有动态路由的RNN 模型、BERTology 系列模型、EfficientNet系列模型、Anchor-Free 模型、YOLO V3 模型等。
第4 篇介绍了生成式模型和零次学习两种技术，其中系统地介绍了信息熵、归一化、f-GAN、**传输、Sinkhorn 算法，以及变分自编码、DeblurGAN、AttGAN、DIM、VSC 等模型。
本书结构清晰、案例丰富、通俗易懂、实用性强，适合对人工智能、TensorFlow 感兴趣的读者作为自学教程。
另外，本书也适合社会培训学校作为培训教材，还适合计算机相关专业作为教学参考书。李金洪，精通c、c++、汇编、python、java、go等语言。擅长神经网络、算法、协议分析、逆向、移动互联网安全架构等技术
先后担任过CAD算法工程师、手机游戏主程、架构师、项目经理、CTO、部门经理、资深产品总监等职位，也曾自主创业过。 =======第1 篇准备
第1 章学习准备 /2
1．1 什么是TensorFlow 框架 /2
1．2 如何学习本书 /3
·
第2 章快速上手TensorFlow /5
2．1 配置TensorFlow 环境 /5
2．2 训练模型的两种方式 /13
2．2．1 “静态图”方式/13
2．2．2 “动态图”方式/14
2．3 实例1：用静态图训练模型，使其能够从一组数据中找到y≈2x 规律  15
2．4 实例2：用动态图训练一个具有保存检查点功能的回归模型  24
·
第3 章 TensorFlow 2．X 编程基础 /28
3．1 动态图的编程方式 /28
3．1．1 实例3：在动态图中获取参数 /28
3．1．2 实例4：在静态图中使用动态图 /31
3．1．3 什么是自动图 /32
3．2 掌握估算器框架接口的应用 /33
3．3 实例7：将估算器模型转化成静态图模型  49
3．4 实例8：用估算器框架实现分布式部署训练  54
3．5 掌握tf．keras 接口的应用 /58
3．6 分配运算资源与使用分布策略 72
3．7 用tfdbg 调试TensorFlow 模型/75
3．8 用自动混合精度加速模型训练 75
·
=======第2 篇基础
第4 章用TensorFlow 制作自己的数据集  80
4．1 数据集的基本介绍 /80
4．2 实例11：将模拟数据制作成内存对象数据集 82
4．3 实例12：将图片制作成内存对象数据集 88
4．4 实例13：将Excel 文件制作成内存对象数据集/94
4．5 实例14：将图片文件制作成TFRecord 数据集/98
4．6 实例15：将内存对象制作成Dataset 数据集 104
4．7 实例16：将图片文件制作成Dataset 数据集 117
4．7．1 代码实现：读取样本文件的目录及标签 117
4．8 实例17：在动态图中读取Dataset 数据集 123
4．9 实例18：在不同场景中使用数据集  125
4．10 tf．data．Dataset 接口的更多应用 129
·
第5 章数值分析与特征工程 /130
5．1 什么是特征工程 /130
5．1．1 特征工程的作用/130
5．1．2 特征工程的方法/131
5．1．3 离散数据特征与连续数据特征 /131
5．1．4 连续数据与离散数据的相互转换 /132
5．2 什么是特征列接口 /132
5．2．1 实例19：用feature_column 模块处理连续值特征列 132
5．2．2 实例20：将连续值特征列转换成离散值特征列 /136
5．2．3 实例21：将离散文本特征列转换为one-hot 编码与词向量/139
5．2．4 实例22：根据特征列生成交叉列 /147
5．2．5 了解序列特征列接口 /148
5．2．6 实例23：使用序列特征列接口对文本数据预处理 /149
5．3 实例24：用wide_deep 模型预测人口收入  153
5．4 实例25：梯度提升树（TFBT）接口的应用 170
5．5 实例26：基于知识图谱的电影推荐系统  173
5．6 实例27：预测飞机发动机的剩余使用寿命  182
·
=======第3 篇进阶
第6 章自然语言处理 /200
6．1 BERT 模型与NLP 的发展阶段  200
6．2 实例28：用TextCNN 模型分析评论者是否满意 201
6．2．1 什么是卷积神经网络 /201
6．2．2 模型任务与数据集介绍 /202
6．2．3 熟悉模型：了解TextCNN 模型 /202
6．2．4 数据预处理：用preprocessing 接口制作字典 203
6．2．5 代码实现：生成NLP 文本数据集  206
6．2．6 代码实现：定义TextCNN 模型 /208
6．2．7 运行程序 /210
6．3 实例29：用带有注意力机制的模型分析评论者是否满意  210
6．4 实例30：用带有动态路由的RNN 模型实现文本分类任务 /224
6．5 NLP 中的常见任务及数据集  236
6．6 了解Transformers 库 /239
6．7 实例31：用管道方式完成多种NLP 任务 243
6．8 Transformers 库中的自动模型类（TFAutoModel）/255
6．9 Transformers 库中的BERTology 系列模型 /259
6．10 Transformers 库中的词表工具  269
6．11 BERTology 系列模型 /281
6．12 用迁移学习训练BERT 模型来对中文分类/300
.
第7 章机器视觉处理 /307
7．1 实例34：使用预训练模型识别图像  307
7．2 了解EfficientNet 系列模型 /311
7．3 实例36：在估算器框架中用tf．keras 接口训练ResNet 模型，识别图片中是橘子还是苹果 /325
7．3．1 样本准备 /325
7．3．2 代码实现：准备训练与测试数据集 326
7．3．3 代码实现：制作模型输入函数 /326
7．3．4 代码实现：搭建ResNet 模型 /327
7．3．5 代码实现：训练分类器模型 /328
7．3．6 运行程序：评估模型 /329
7．3．7 扩展：全连接网络的优化 /330
7．3．8 在微调过程中如何选取预训练模型 330
7．4 基于图片内容的处理任务 /331
7．5 实例37：用YOLO V3 模型识别门牌号 /341
.
=======第4 篇高级
第8 章生成式模型DD能够输出内容的模型 /364
8．1 快速了解信息熵（information entropy）  364
8．2 通用的无监督模型DD自编码与对抗神经网络 /372
8．3 实例38：用多种方法实现变分自编码神经网络  373
8．4 常用的批量归一化方法 /386
8．5 实例39：构建DeblurGAN 模型，将模糊照片变清晰 388
8．6 全面了解WGAN 模型 /404
8．7 实例40：构建AttGAN 模型，对照片进行加胡子、加头帘、加眼镜、变年轻等修改/411
8．8 散度在神经网络中的应用 /440
8．9 实例42：用最大化互信息（DIM）模型做一个图片搜索器  453
.
第9 章识别未知分类的方法DD零次学习 /464
9．1 了解零次学习 /464
9．2 零次学习中的常见难点 /469
9．3 带有视觉结构约束的直推ZSL（VSC 模型）  472
9．4 详解Sinkhorn 迭代算法 /481
9．5 实例43：用VSC 模型识别图片中的鸟属于什么类别 490
9．5．1 模型任务与样本介绍 /490
9．5．2 用迁移学习的方式获得训练集分类模型 492
9．5．3 用分类模型提取图片的视觉特征 /492
9．5．4 代码实现：训练VSC 模型，将类属性特征转换成类视觉特征 /493
9．5．5 代码实现：基于W 距离的损失函数  494
9．5．6 加载数据并进行训练 /495
9．5．7 代码实现：根据特征距离对图片进行分类 496
9．6 提升零次学习精度的方法 /497
9．6．1 分析视觉特征的质量 /497
9．6．2 分析直推式学习的效果 /499
9．6．3 分析直推模型的能力 /499
9．6．4 分析未知类别的聚类效果 /500
9．6．5 清洗测试数据集/502
9．6．6 利用可视化方法进行辅助分析 /503
后记DD让技术更好地商业化落地 /505
内容简介:
本书基于TensorFlow 2.1 版本进行编写。书中内容分为4 篇。
第1 篇包括TensorFlow 的安装、使用方法。这部分内容可以使读者快速上手TensorFlow 工具。
第2 篇包括数据集制作、特征工程等数据预处理工作，以及与数值分析相关的模型（其中包括wide_deep 模型、梯度提升树、知识图谱、带有JANET 单元的RNN 等模型）。
第3 篇从自然语言处理、计算机视觉两个应用方向介绍了基础的算法原理和主流的模型。具体包括：TextCNN 模型、带有注意力机制的模型、带有动态路由的RNN 模型、BERTology 系列模型、EfficientNet系列模型、Anchor-Free 模型、YOLO V3 模型等。
第4 篇介绍了生成式模型和零次学习两种技术，其中系统地介绍了信息熵、归一化、f-GAN、**传输、Sinkhorn 算法，以及变分自编码、DeblurGAN、AttGAN、DIM、VSC 等模型。
本书结构清晰、案例丰富、通俗易懂、实用性强，适合对人工智能、TensorFlow 感兴趣的读者作为自学教程。
另外，本书也适合社会培训学校作为培训教材，还适合计算机相关专业作为教学参考书。
作者简介:
李金洪，精通c、c++、汇编、python、java、go等语言。擅长神经网络、算法、协议分析、逆向、移动互联网安全架构等技术
先后担任过CAD算法工程师、手机游戏主程、架构师、项目经理、CTO、部门经理、资深产品总监等职位，也曾自主创业过。
目录:
=======第1 篇准备
第1 章学习准备 /2
1．1 什么是TensorFlow 框架 /2
1．2 如何学习本书 /3
·
第2 章快速上手TensorFlow /5
2．1 配置TensorFlow 环境 /5
2．2 训练模型的两种方式 /13
2．2．1 “静态图”方式/13
2．2．2 “动态图”方式/14
2．3 实例1：用静态图训练模型，使其能够从一组数据中找到y≈2x 规律  15
2．4 实例2：用动态图训练一个具有保存检查点功能的回归模型  24
·
第3 章 TensorFlow 2．X 编程基础 /28
3．1 动态图的编程方式 /28
3．1．1 实例3：在动态图中获取参数 /28
3．1．2 实例4：在静态图中使用动态图 /31
3．1．3 什么是自动图 /32
3．2 掌握估算器框架接口的应用 /33
3．3 实例7：将估算器模型转化成静态图模型  49
3．4 实例8：用估算器框架实现分布式部署训练  54
3．5 掌握tf．keras 接口的应用 /58
3．6 分配运算资源与使用分布策略 72
3．7 用tfdbg 调试TensorFlow 模型/75
3．8 用自动混合精度加速模型训练 75
·
=======第2 篇基础
第4 章用TensorFlow 制作自己的数据集  80
4．1 数据集的基本介绍 /80
4．2 实例11：将模拟数据制作成内存对象数据集 82
4．3 实例12：将图片制作成内存对象数据集 88
4．4 实例13：将Excel 文件制作成内存对象数据集/94
4．5 实例14：将图片文件制作成TFRecord 数据集/98
4．6 实例15：将内存对象制作成Dataset 数据集 104
4．7 实例16：将图片文件制作成Dataset 数据集 117
4．7．1 代码实现：读取样本文件的目录及标签 117
4．8 实例17：在动态图中读取Dataset 数据集 123
4．9 实例18：在不同场景中使用数据集  125
4．10 tf．data．Dataset 接口的更多应用 129
·
第5 章数值分析与特征工程 /130
5．1 什么是特征工程 /130
5．1．1 特征工程的作用/130
5．1．2 特征工程的方法/131
5．1．3 离散数据特征与连续数据特征 /131
5．1．4 连续数据与离散数据的相互转换 /132
5．2 什么是特征列接口 /132
5．2．1 实例19：用feature_column 模块处理连续值特征列 132
5．2．2 实例20：将连续值特征列转换成离散值特征列 /136
5．2．3 实例21：将离散文本特征列转换为one-hot 编码与词向量/139
5．2．4 实例22：根据特征列生成交叉列 /147
5．2．5 了解序列特征列接口 /148
5．2．6 实例23：使用序列特征列接口对文本数据预处理 /149
5．3 实例24：用wide_deep 模型预测人口收入  153
5．4 实例25：梯度提升树（TFBT）接口的应用 170
5．5 实例26：基于知识图谱的电影推荐系统  173
5．6 实例27：预测飞机发动机的剩余使用寿命  182
·
=======第3 篇进阶
第6 章自然语言处理 /200
6．1 BERT 模型与NLP 的发展阶段  200
6．2 实例28：用TextCNN 模型分析评论者是否满意 201
6．2．1 什么是卷积神经网络 /201
6．2．2 模型任务与数据集介绍 /202
6．2．3 熟悉模型：了解TextCNN 模型 /202
6．2．4 数据预处理：用preprocessing 接口制作字典 203
6．2．5 代码实现：生成NLP 文本数据集  206
6．2．6 代码实现：定义TextCNN 模型 /208
6．2．7 运行程序 /210
6．3 实例29：用带有注意力机制的模型分析评论者是否满意  210
6．4 实例30：用带有动态路由的RNN 模型实现文本分类任务 /224
6．5 NLP 中的常见任务及数据集  236
6．6 了解Transformers 库 /239
6．7 实例31：用管道方式完成多种NLP 任务 243
6．8 Transformers 库中的自动模型类（TFAutoModel）/255
6．9 Transformers 库中的BERTology 系列模型 /259
6．10 Transformers 库中的词表工具  269
6．11 BERTology 系列模型 /281
6．12 用迁移学习训练BERT 模型来对中文分类/300
.
第7 章机器视觉处理 /307
7．1 实例34：使用预训练模型识别图像  307
7．2 了解EfficientNet 系列模型 /311
7．3 实例36：在估算器框架中用tf．keras 接口训练ResNet 模型，识别图片中是橘子还是苹果 /325
7．3．1 样本准备 /325
7．3．2 代码实现：准备训练与测试数据集 326
7．3．3 代码实现：制作模型输入函数 /326
7．3．4 代码实现：搭建ResNet 模型 /327
7．3．5 代码实现：训练分类器模型 /328
7．3．6 运行程序：评估模型 /329
7．3．7 扩展：全连接网络的优化 /330
7．3．8 在微调过程中如何选取预训练模型 330
7．4 基于图片内容的处理任务 /331
7．5 实例37：用YOLO V3 模型识别门牌号 /341
.
=======第4 篇高级
第8 章生成式模型DD能够输出内容的模型 /364
8．1 快速了解信息熵（information entropy）  364
8．2 通用的无监督模型DD自编码与对抗神经网络 /372
8．3 实例38：用多种方法实现变分自编码神经网络  373
8．4 常用的批量归一化方法 /386
8．5 实例39：构建DeblurGAN 模型，将模糊照片变清晰 388
8．6 全面了解WGAN 模型 /404
8．7 实例40：构建AttGAN 模型，对照片进行加胡子、加头帘、加眼镜、变年轻等修改/411
8．8 散度在神经网络中的应用 /440
8．9 实例42：用最大化互信息（DIM）模型做一个图片搜索器  453
.
第9 章识别未知分类的方法DD零次学习 /464
9．1 了解零次学习 /464
9．2 零次学习中的常见难点 /469
9．3 带有视觉结构约束的直推ZSL（VSC 模型）  472
9．4 详解Sinkhorn 迭代算法 /481
9．5 实例43：用VSC 模型识别图片中的鸟属于什么类别 490
9．5．1 模型任务与样本介绍 /490
9．5．2 用迁移学习的方式获得训练集分类模型 492
9．5．3 用分类模型提取图片的视觉特征 /492
9．5．4 代码实现：训练VSC 模型，将类属性特征转换成类视觉特征 /493
9．5．5 代码实现：基于W 距离的损失函数  494
9．5．6 加载数据并进行训练 /495
9．5．7 代码实现：根据特征距离对图片进行分类 496
9．6 提升零次学习精度的方法 /497
9．6．1 分析视觉特征的质量 /497
9．6．2 分析直推式学习的效果 /499
9．6．3 分析直推模型的能力 /499
9．6．4 分析未知类别的聚类效果 /500
9．6．5 清洗测试数据集/502
9．6．6 利用可视化方法进行辅助分析 /503
后记DD让技术更好地商业化落地 /505

查看详情

TensorFlow2.X项目实战

内容简介:

作者简介:

目录: