TensorFlow2.X项目实战

TensorFlow2.X项目实战
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者:
2020-10
ISBN: 9787121397066
  • 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
12
相关图书 / 更多
TensorFlow2.X项目实战
TensorFlow人脸识别实战
王晓华
TensorFlow2.X项目实战
TensorFlow 2 实战
艾力
TensorFlow2.X项目实战
TensorFlow+Keras自然语言处理实战
王晓华
TensorFlow2.X项目实战
TensorFlow语音识别实战
王晓华
TensorFlow2.X项目实战
TensorFlow项目式案例实战
天津滨海迅腾科技集团有限公司 编
TensorFlow2.X项目实战
TensorFlow应用案例教程
方志军、高永彬、吴晨谋 著
TensorFlow2.X项目实战
Tensorflow深度学习基础与应用
杨虹 谢显中 周前能 王智鹏 张安文
TensorFlow2.X项目实战
TensorFlow神经网络到深度学习
张德丰
TensorFlow2.X项目实战
TensorFlow 2学习指南
[英]托尼·霍尔德罗伊德(Tony Holdroyd) 著;李彦聪 译;鬲玲;邹伟;丁博深
TensorFlow2.X项目实战
TensorFlow计算机视觉原理与实战/计算机科学与技术丛书
欧阳鹏程、任浩然 编
TensorFlow2.X项目实战
Terraform:多云、混合云环境下实现基础设施即代码(第2版)
Brikman(叶夫根尼・布里克曼) 著;[美]Yevgeniy、白宇 译
TensorFlow2.X项目实战
TensorFlow机器学习
[越南]全华(Quan Hua);[巴基斯坦]沙姆斯·乌尔·阿齐姆(Shams Ul