TensorFlow 2学习指南

作者: [英] 托尼·霍尔德罗伊德（Tony Holdroyd）著 , 李彦聪译 , 鬲玲 , 邹伟 , 丁博深

出版社: 清华大学出版社

出版时间: 2020-11

版次: 1

ISBN: 9787302564638

定价: 79.00

装帧: 其他

开本: 16开

纸张: 胶版纸

分类: 计算机与互联网

7 张插图图片

10人买过

《TensorFlow 2学习指南》探讨了TensorFlow 2的诸多应用实践，内容涵盖各种热门的应用场景，包括波士顿房价、图像去噪、图像识别、图像风格迁移、文本生成、文本情感分析等。同时深刻剖析了TensorFlow 2在每个人工智能细分方向的应用实践，专门为“应用落地”而编写。书中每章聚焦一个具体的技术，提供多个详细的案例，并附有大量的代码和注释，帮助读者快速入门和熟练掌握。《TensorFlow 2学习指南》可作为广大对TensorFlow感兴趣的读者的参考书，也可作为高等院校计算机、人工智能等相关专业的教材。 Tony Holdroyd毕业于杜伦大学，主修数学和物理，具有MCSD、MCSD．net和SCJP等技术资格。随后获得伦敦大学计算机科学硕士学位。曾任计算机科学和数学专业的高级讲师，负责设计和教授C、C 、Java、C#和SQL等多种语言的编程课程。Tony对神经网络的热情源于硕士论文所做的研究，在硕士期间还开发了多个机器学习、神经网络和深度学习应用程序，并建议媒体行业将深度学习应用于图像和音乐处理。第一部分TensorFlow 2基本内容介绍

第1章TensorFlow 2 简介

1.1初识TensorFlow生态系统

1.2TensorFlow的安装

1.3内务管理和Eager操作

1.3.1导入TensorFlow

1.3.2TensorFlow的编码风格约定

1.3.3动态图机制

1.3.4声明Eager变量

1.3.5声明TensorFlow常量

1.3.6创建tensor张量

1.3.7张量的秩(维数)

1.3.8指定张量的元素

1.3.9将张量转换为NumPy/Python变量

1.3.10计算张量的大小(元素数)

1.3.11查看张量的数据类型

1.3.12张量元素的基本运算规则

1.3.13广播机制

1.3.14TensorFlow转置和矩阵乘法

1.3.15张量数据类型的转换

1.3.16声明不规则张量

1.4TensorFlow的基本操作

1.4.1计算张量的平方差

1.4.2计算平均值

1.4.3随机初始化张量

1.4.4查找最大和最小元素的索引

1.4.5使用检查点保存和恢复张量值

1.4.6tf.function

1.5小结

第2章TensorFlow 2的高级API——Keras

2.1Keras的使用情况及优势

2.2Keras特性

2.3Keras默认配置文件

2.4Keras后端

2.5Keras数据类型

2.6Keras模型

2.6.1Keras序列模型

2.6.2Keras函数式API

2.6.3子类化Keras模型类

2.6.4使用数据管道

2.6.5保存和加载Keras模型

2.6.6Keras数据集

2.7小结

第3章基于TensorFlow 2的ANN技术

3.1获取数据集

3.1.1从NumPy数组获取数据

3.1.2从CSV文件获取数据

3.1.3使用TFRecords存取数据

3.1.4使用独热编码处理数据

3.2ANN层

3.2.1全连接层

3.2.2卷积层

3.2.3最大池化层

3.2.4批标准化层和Dropout层

3.2.5Softmax层

3.3激活函数

3.4创建模型

3.5梯度计算

3.6损失函数

3.7小结

第二部分TensorFlow 2中的有监督和无监督学习

第4章基于TensorFlow 2的有监督学习

4.1有监督学习

4.2线性回归

4.3第一个线性回归示例

4.4波士顿房价数据集

4.5逻辑回归(分类)

4.6k最近邻(KNN)

4.7小结

第5章基于TensorFlow 2的无监督学习

5.1自动编码器

5.2一个简单的自动编码器

5.2.1数据预处理

5.2.2训练

5.2.3结果显示

5.3自动编码器的应用——去噪

5.3.1设置

5.3.2数据预处理

5.3.3带噪声的图像

5.3.4创建编码层

5.3.5创建解码层

5.3.6模型概要

5.3.7模型实例化、编译和训练

5.3.8图像去噪

5.3.9TensorBoard输出

5.4小结

第三部分TensorFlow 2的神经网络应用

第6章基于TensorFlow 2的图像识别

6.1基于TensorFlow的Quick Draw图像分类

6.1.1数据获取

6.1.2设置环境

6.1.3数据预处理

6.1.4模型创建

6.1.5模型训练和测试

6.1.6TensorBoard回调函数

6.1.7模型保存、加载和重新测试

6.1.8用.h5格式保存和加载NumPy图像数据

6.1.9预训练模型的加载和使用

6.2基于TensorFlow的CIFAR 10图像分类

6.2.1简介

6.2.2应用

6.3小结

第7章基于TensorFlow 2的图像风格迁移

7.1导入配置

7.2图像预处理

7.3查看原始图像

7.4使用VGG19架构

7.5创建模型

7.6计算损失

7.7执行风格迁移

7.8最终展示

7.9小结

第8章基于TensorFlow 2的循环神经网络

8.1神经网络处理模式

8.2循环结构

8.3RNN的应用

8.4RNN代码示例

8.5模型构建与实例化

8.6模型训练与使用

8.7小结

第9章TensorFlow Estimators和TensorFlow Hub

9.1TensorFlow Estimators

9.2TensorFlow Hub

9.2.1IMDB(电影评论数据库)

9.2.2数据集

9.2.3代码

9.3小结

附录从tf1.12转换为tf2
内容简介:
《TensorFlow 2学习指南》探讨了TensorFlow 2的诸多应用实践，内容涵盖各种热门的应用场景，包括波士顿房价、图像去噪、图像识别、图像风格迁移、文本生成、文本情感分析等。同时深刻剖析了TensorFlow 2在每个人工智能细分方向的应用实践，专门为“应用落地”而编写。书中每章聚焦一个具体的技术，提供多个详细的案例，并附有大量的代码和注释，帮助读者快速入门和熟练掌握。《TensorFlow 2学习指南》可作为广大对TensorFlow感兴趣的读者的参考书，也可作为高等院校计算机、人工智能等相关专业的教材。
作者简介:
Tony Holdroyd毕业于杜伦大学，主修数学和物理，具有MCSD、MCSD．net和SCJP等技术资格。随后获得伦敦大学计算机科学硕士学位。曾任计算机科学和数学专业的高级讲师，负责设计和教授C、C 、Java、C#和SQL等多种语言的编程课程。Tony对神经网络的热情源于硕士论文所做的研究，在硕士期间还开发了多个机器学习、神经网络和深度学习应用程序，并建议媒体行业将深度学习应用于图像和音乐处理。
目录:
第一部分TensorFlow 2基本内容介绍

第1章TensorFlow 2 简介

1.1初识TensorFlow生态系统

1.2TensorFlow的安装

1.3内务管理和Eager操作

1.3.1导入TensorFlow

1.3.2TensorFlow的编码风格约定

1.3.3动态图机制

1.3.4声明Eager变量

1.3.5声明TensorFlow常量

1.3.6创建tensor张量

1.3.7张量的秩(维数)

1.3.8指定张量的元素

1.3.9将张量转换为NumPy/Python变量

1.3.10计算张量的大小(元素数)

1.3.11查看张量的数据类型

1.3.12张量元素的基本运算规则

1.3.13广播机制

1.3.14TensorFlow转置和矩阵乘法

1.3.15张量数据类型的转换

1.3.16声明不规则张量

1.4TensorFlow的基本操作

1.4.1计算张量的平方差

1.4.2计算平均值

1.4.3随机初始化张量

1.4.4查找最大和最小元素的索引

1.4.5使用检查点保存和恢复张量值

1.4.6tf.function

1.5小结

第2章TensorFlow 2的高级API——Keras

2.1Keras的使用情况及优势

2.2Keras特性

2.3Keras默认配置文件

2.4Keras后端

2.5Keras数据类型

2.6Keras模型

2.6.1Keras序列模型

2.6.2Keras函数式API

2.6.3子类化Keras模型类

2.6.4使用数据管道

2.6.5保存和加载Keras模型

2.6.6Keras数据集

2.7小结

第3章基于TensorFlow 2的ANN技术

3.1获取数据集

3.1.1从NumPy数组获取数据

3.1.2从CSV文件获取数据

3.1.3使用TFRecords存取数据

3.1.4使用独热编码处理数据

3.2ANN层

3.2.1全连接层

3.2.2卷积层

3.2.3最大池化层

3.2.4批标准化层和Dropout层

3.2.5Softmax层

3.3激活函数

3.4创建模型

3.5梯度计算

3.6损失函数

3.7小结

第二部分TensorFlow 2中的有监督和无监督学习

第4章基于TensorFlow 2的有监督学习

4.1有监督学习

4.2线性回归

4.3第一个线性回归示例

4.4波士顿房价数据集

4.5逻辑回归(分类)

4.6k最近邻(KNN)

4.7小结

第5章基于TensorFlow 2的无监督学习

5.1自动编码器

5.2一个简单的自动编码器

5.2.1数据预处理

5.2.2训练

5.2.3结果显示

5.3自动编码器的应用——去噪

5.3.1设置

5.3.2数据预处理

5.3.3带噪声的图像

5.3.4创建编码层

5.3.5创建解码层

5.3.6模型概要

5.3.7模型实例化、编译和训练

5.3.8图像去噪

5.3.9TensorBoard输出

5.4小结

第三部分TensorFlow 2的神经网络应用

第6章基于TensorFlow 2的图像识别

6.1基于TensorFlow的Quick Draw图像分类

6.1.1数据获取

6.1.2设置环境

6.1.3数据预处理

6.1.4模型创建

6.1.5模型训练和测试

6.1.6TensorBoard回调函数

6.1.7模型保存、加载和重新测试

6.1.8用.h5格式保存和加载NumPy图像数据

6.1.9预训练模型的加载和使用

6.2基于TensorFlow的CIFAR 10图像分类

6.2.1简介

6.2.2应用

6.3小结

第7章基于TensorFlow 2的图像风格迁移

7.1导入配置

7.2图像预处理

7.3查看原始图像

7.4使用VGG19架构

7.5创建模型

7.6计算损失

7.7执行风格迁移

7.8最终展示

7.9小结

第8章基于TensorFlow 2的循环神经网络

8.1神经网络处理模式

8.2循环结构

8.3RNN的应用

8.4RNN代码示例

8.5模型构建与实例化

8.6模型训练与使用

8.7小结

第9章TensorFlow Estimators和TensorFlow Hub

9.1TensorFlow Estimators

9.2TensorFlow Hub

9.2.1IMDB(电影评论数据库)

9.2.2数据集

9.2.3代码

9.3小结

附录从tf1.12转换为tf2

查看详情

TensorFlow 2学习指南

内容简介:

作者简介:

目录: