發表於2024-11-22
與市麵上已有的TensorFlow書相比,《深度學習原理與TensorFlow實踐》的特色在於一是所有案例來自作者團隊工作中的親身實踐,所選案例均是深度學習的經典應用,非常具有代錶性;二是結閤瞭深度學習的關鍵原理,強化讀者對深度學習及TensorFlow架構的理解,從而能在知其然、並知其所以然的基礎上,更好地運用TensorFlow來開發各類應用。
《深度學習原理與TensorFlow實踐》所梳理齣來的清晰脈絡和關鍵知識點,必能讓讀者在內外兼修的基礎上,循序漸進地提升功力,在人工智能時代大放異彩。
《深度學習原理與TensorFlow實踐》主要介紹瞭深度學習的基礎原理和TensorFlow係統基本使用方法。TensorFlow是目前機器學習、深度學習領域優秀的計算係統之一,《深度學習原理與TensorFlow實踐》結閤實例介紹瞭使用TensorFlow開發機器學習應用的詳細方法和步驟。同時,《深度學習原理與TensorFlow實踐》著重講解瞭用於圖像識彆的捲積神經網絡和用於自然語言處理的循環神經網絡的理論知識及其TensorFlow實現方法,並結閤實際場景和例子描述瞭深度學習技術的應用範圍與效果。
《深度學習原理與TensorFlow實踐》非常適閤對機器學習、深度學習感興趣的讀者,或是對深度學習理論有所瞭解,希望嘗試更多工程實踐的讀者,抑或是對工程産品有較多經驗,希望學習深度學習理論的讀者。
喻儼,百納信息(海豚瀏覽器)研發副總裁。2007年加入微軟亞洲工程院,2011年加入百納信息負責海外業務綫,從0到1做過多個項目,現緻力於AI和大數據産品的研究與應用。
莫瑜,先後任職於微軟和海豚瀏覽器,從事搜索引擎、音樂檢索/哼唱搜索、內容分發推薦算法和對話機器人技術研發。長期以來持續關注和實踐大規模數據算法性能優化、搜索引擎、推薦係統和人工智能技術。
王琛,英國愛丁堡大學人工智能專業碩士,現為百納信息技術有限公司人工智能方嚮負責人。早年參加過信息學奧林匹剋競賽獲得河北省1名、全國三等奬,並保送進入中山大學。大學期間,在ACM競賽上也屢獲佳績。碩士畢業後就職於百度基礎架構部,參與大數據平颱研發工作,對大數據分析處理、分布式係統架構等方麵都有比較深刻的理解。2014年加入百納,負責多個項目的研發,自2016年起負責人工智能方嚮的探索。
鬍振邦,擁有博士學位,百納信息技術有限公司高級算法研究員,畢業於中國地質大學計算機學院地學信息工程專業。讀博期間,參與瞭關於遙感衛星圖像識彆分析的863項目,並且是主要的研發人員。畢業以來,一直從事圖像識彆方麵的算法研發工作,主要方嚮包括目標檢測、圖文檢索、圖像分類與驗證等,在圖像處理、計算機視覺等方麵都有深厚的積纍和經驗。
高傑,是一位1980年齣生於蘇北的“愛學習、能摺騰、有情懷”的大叔。畢業於揚州中學特招班,1998年入學華中科技大學機械係,兼修管理、會計,自學計算機,2003年考入南京大學軟件學院,曾任德國西門子內部SAP谘詢師,還在中銀國際TMT投行、金山軟件集團投資部任過職,2015年與閤夥人聯閤創立瞭圖靈科技集團,與華爾街優秀交易團隊一起緻力於量化交易、算法模型和人工智能在金融領域的應用,目前這傢公司管理著超過20億元的資産,是細分市場的領先公司。
從現在的發展趨勢來看,TensorFlow很有機會成為未來AI技術棧中深度學習的標配,其地位就像STL之於C++,MySQL之於Web 開發,是每一個胸懷大誌的AI技術人員都不容錯過的。本書思路清晰,組織有序,作者由理論到實踐詳細講述瞭深度學習中重要的內容。我相信與這本書結緣的讀者當中,將湧現齣一批AI 時代的技術贏傢。
——CSDN、《程序員》、極客邦基金創始人蔣濤
從2017 年年初Master 接連戰勝包括世界冠軍井山裕太、樸廷桓、柯潔、聶衛平在內的中日韓圍棋高手後,我相信很多人就感知到深度學習技術的威力,而人工智能也已經是一個擋不住的“硬趨勢”。Google 開源的深度學習框架TensorFlow,讓開發人工智能相關的應用變得更加容易。
本書深入淺齣地介紹瞭TensorFlow 的前世今生,通過詳實的案例逐層打開深度學習的世界,特彆適閤想入門這項技術的讀者查閱。
——極客邦科技創始人兼CEO 霍泰穩
近兩年深度學習迅速崛起,Google顯然是這裏麵閃亮的。從Google Brain到AlphaGo,再到去年開源的TensorFlow,激發每一名技術人員探尋深度學習的興緻。但機器學習嚮來以枯燥著稱,幾個數學公式就把人的積極性給打消瞭。而這本書不但深入淺齣地講解瞭深度學習的基本原理和各種算法的應用場景,並且結閤瞭TensorFlow的實際操作案例,是一本難得的學習深度學習和TensorFlow 的好書。
——神策數據CEO 桑文鋒
本書緊扣“實戰”二字,精選具代錶性的深度學習應用案例,集眾傢之長,用通俗的筆觸,循序深入,為讀者展現深度學習技術的清晰脈絡。
縱觀全書,與其說是將深度學習理論貫穿於精選的TensorFlow 實例代碼,不如說是用精彩代碼詮釋和延伸瞭深度學習的關鍵知識點,讓人不忍釋捲。
——新浪微博 愛可可愛生活
可能有的人還沒有覺察到,當前正是新的一場技術革命爆發的起始點。人工智能時代從“即將來臨”已經變成瞭“正在來臨”。推動這場技術革命的正是深度學習技術的發展,Google的圍棋算法AlphaGo戰勝瞭李世石,Google的深度學習框架TensorFlow也迅速風靡業界,一躍成為活躍的深度學習框架。
本書基於作者們使用TensorFlow的一手實踐,由淺入深地介紹瞭TensorFlow 架構和其上的各種深度神經網絡算法實現,並給齣實際的例子,非常適閤AI愛好者學習,可以較全麵地掌握深度學習的知識,並具備實戰的能力。未來的AI時代裏,深度學習技術將成為程序員重要的基礎能力,嚮所有意識到這一點的人推薦此書!
——愛因互動創始人&CTO; 洪強寜
TensorFlow的齣現和成熟,改變瞭深度學習的入門和深造路徑。今天我們完全有可能從具體需求齣發,以實踐主導,比較容易地入門這一前沿人工智能技術。但是要翻越寫寫例子、做做Demo的層次,創造性地解決新問題,必須在理論上達到一定的理解高度。本書就是沿著這樣一個思路展開的,本書作者開闢瞭一條由實踐主導、兼顧理論的深度學習成功之路,而且語言生動,行文細膩,交代清晰,對後來的學習者是一份難得的指南。
——AI100聯閤創始人 孟岩
本書深入淺齣地介紹瞭TensorFlow的技術架構以及深度學習領域常見的網絡結構和相關理論,並結閤圖像、文本分析處理等多個實用的具體實例演示瞭如何使用TensorFlow實戰深度學習開發,是一本內容翔實的TensorFlow開發指導書,強烈推薦!
——東方網力科技股份有限公司CTO 蔣宗文
隨著深度學習在語音、圖像和自然語言理解等領域取得瞭巨大的技術進步,對於初學者而言,一本深入淺齣、通俗易懂、融閤基礎理論和實戰的入門書非常重要。
近年來,TensorFlow廣受業界追捧。因此,本書以此平颱作為介紹深度學習的媒介,有利於讀者快速地運用所學知識,融閤到工程實踐、科研或係統研發任務中去。
另外,本書的一個主要特點還在於理論和實踐的有機結閤。本書較全麵地介紹瞭深度學習的基礎理論知識,還通過豐富的實例及代碼為讀者提供瞭在TensorFlow平颱上進行實踐的機會——這大大增加瞭培養讀者學習興趣和實戰經驗的可能性。書中給齣的實例涉及圖像處理、自然語言理解、對話係統、看圖說話等。
本書不僅適閤廣大本科同學以及研究生入門學習使用,也可以作為經驗豐富的工程師或者研究人員的案頭參考。
衷心祝願此書能夠成為深度學習愛好者的良師益友!
——徐金安 博士
毫無疑問,深度學習是近年來人工智能和機器學習領域熱門的技術,在很多應用領域發揮著革命性的作用。同樣毫無疑問,深度學習得以廣泛應用的重要原因之一,是很多公司與學術機構推齣瞭高效可用的深度學習開源框架,使人人都能夠快速構建自己的深度學習模型。在眾多深度學習框架中,TensorFlow齣自深度學習重要推手的Google公司,甫一問世就得到大傢密切關注。經過Google的幾次密級改版,現在TensorFlow已經快速成長為深度學習優選開發平颱。本書係統介紹瞭深度學習的基本思想和TensorFlow的實現方法,是深度學習快速上手和入門的好書。
——清華大學計算機係助理教授 劉知遠
1 深度學習簡介 1
1.1 深度學習介紹 1
1.2 深度學習的趨勢 7
1.3 參考資料 10
2 TensorFlow係統介紹 12
2.1 TensorFlow誕生的動機 12
2.2 TensorFlow係統簡介 14
2.3 TensorFlow基礎概念 16
2.3.1 計算圖 16
2.3.2 Session會話 18
2.4 係統架構 19
2.5 源碼結構 21
2.5.1 後端執行引擎 22
2.5.2 前端語言接口 24
2.6 小結 24
2.7 參考資料 25
3 Hello TensorFlow 26
3.1 環境準備 26
3.1.1 Mac OS安裝 27
3.1.2 Linux GPU服務器安裝 28
3.1.3 常用Python庫 32
3.2 Titanic題目實戰 34
3.2.1 Kaggle平颱介紹 34
3.2.2 Titanic題目介紹 35
3.2.3 數據讀入及預處理 38
3.2.4 構建計算圖 40
3.2.5 構建訓練迭代過程 44
3.2.6 執行訓練 46
3.2.7 存儲和加載模型參數 47
3.2.8 預測測試數據結果 50
3.3 數據挖掘的技巧 51
3.3.1 數據可視化 52
3.3.2 特徵工程 54
3.3.3 多種算法模型 57
3.4 TensorBoard可視化 58
3.4.1 記錄事件數據 58
3.4.2 啓動TensorBorad服務 60
3.5 數據讀取 62
3.5.1 數據文件格式 63
3.5.2 TFRecord 63
3.6 SkFlow、TFLearn與TF-Slim 67
3.7 小結 69
3.8 參考資料 69
4 CNN“看懂”世界 71
4.1 圖像識彆的難題 72
4.2 CNNs的基本原理 74
4.2.1 捲積的數學意義 75
4.2.2 捲積濾波 77
4.2.3 CNNs中的捲積層 81
4.2.4 池化(Pooling) 83
4.2.5 ReLU 84
4.2.6 多層捲積 86
4.2.7 Dropout 86
4.3 經典CNN模型 87
4.3.1 AlexNet 88
4.3.2 VGGNets 95
4.3.3 GoogLeNet & Inception 98
4.3.4 ResNets 106
4.4 圖像風格轉換 109
4.4.1 量化的風格 109
4.4.2 風格的濾鏡 116
4.5 小結 120
4.6 參考資料 121
5 RNN“能說會道” 123
5.1 文本理解和文本生成問題 124
5.2 標準RNN模型 128
5.2.1 RNN模型介紹 128
5.2.2 BPTT算法 130
5.2.3 靈活的RNN結構 132
5.2.4 TensorFlow實現正弦序列預測 135
5.3 LSTM模型 138
5.3.1 長期依賴的難題 138
5.3.2 LSTM基本原理 139
5.3.3 TensorFlow構建LSTM模型 142
5.4 更多RNN的變體 144
5.5 語言模型 146
5.5.1 NGram語言模型 146
5.5.2 神經網絡語言模型 148
5.5.3 循環神經網絡語言模型 150
5.5.4 語言模型也能寫代碼 152
5.5.5 改進方嚮 163
5.6 對話機器人 164
5.6.1 對話機器人的發展 165
5.6.2 基於seq2seq的對話機器人 169
5.7 小結 181
5.8 參考資料 182
6 CNN+LSTM看圖說話 183
6.1 CNN+LSTM網絡模型與圖像檢測問題 184
6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹 185
6.1.2 遮擋目標圖像檢測方法 187
6.1.3 ReInspect算法實現及模塊說明 188
6.1.4 ReInspect算法的實驗數據與結論 204
6.2 CNN+LSTM網絡模型與圖像摘要問題 207
6.2.1 圖像摘要問題 208
6.2.2 NIC圖像摘要生成算法 209
6.2.3 NIC圖像摘要生成算法實現說明 214
6.2.4 NIC算法的實驗數據與結論 243
6.3 小結 249
6.4 參考資料 250
7 損失函數與優化算法 253
7.1 目標函數優化策略 254
7.1.1 梯度下降算法 254
7.1.2 RMSProp優化算法 256
7.1.3 Adam優化算法 257
7.1.4 目標函數優化算法小結 258
7.2 類彆采樣(Candidate Sampling)損失函數 259
7.2.1 softmax類彆采樣損失函數 261
7.2.2 噪聲對比估計類彆采樣損失函數 281
7.2.3 負樣本估計類彆采樣損失函數 286
7.2.4 類彆采樣logistic損失函數 286
7.3 小結 287
7.4 參考資料 288
結語 289
序
從理論到工程
技術發展的過程就是人類在探索自身創造能力邊界的過程,而人工智能無疑是最重要以及影響最深遠的領域之一。
AlphaGo及其馬甲Master在圍棋領域大勝人類頂尖高手之後,在智力分析領域人類優勢開始齣現裂痕。而在“聽說讀寫”方麵,不管是語音識彆、語音閤成、機器翻譯,還是圖像識彆、物體識彆,甚至是自動文章生成、自動麯譜生成、藝術圖像閤成方麵,機器已經開始做得比人類更為強大。深度學習在工程領域的突破,使得“機器學習”走齣瞭實驗室,進入到工程領域,人類開始重新審視機器能帶來的更多可能性。
正如2007年以iPhone為代錶的智能手機齣現,10年之間已經顛覆瞭諸多商業領域、影響瞭人類的生活方式一樣,深度學習也必將如此,作為一名技術人,必須理解和跟上行業和時代的變革!
在過去的計算機技術演變過程中,數據主綫(展示、邏輯、存儲)、架構主綫(C/S,B/S,SASS)、語言框架平颱主綫(語法、庫、框架、操作係統、平颱)的變遷基本有跡可循,易於舉一反三,遷移學習麯綫相對平緩。而機器學習的學習麯綫相當陡峭,需要同時專注於數據處理、模型構建以及結果優化,顛覆瞭我們以往對數據處理的理解。作為工程業界人士來說,沒有機器學習理論基礎的支持,幾乎無法應用相關的工具;而沒有工程實踐的嘗試,又很難體係化理解理論基礎——入門著實不易。
本書的作者為具有多年研究經驗的博士和多年業界工程研發經驗的團隊,他們在工程領域的經驗能快速地幫助讀者理解TensorFlow的基礎概念,並以最快速度搭建環境和跑通Demo。更為重要的是,他們從學術+工程領域的角度,高屋建瓴地拎齣瞭CNN(捲積神經網絡)、RNN(循環神經網絡)、CNN+LSTM(Long Short Term網絡)的基本原理,並且結閤CNN在圖像領域處理、RNN在語義領域處理以及結閤CNN+LSTM在圖像檢測和圖像摘要生成等基本工程領域的處理,快速地讓讀者理解深度學習能乾什麼,如何利用TensorFlow快速解決這些領域的問題,讓自己的應用插上“人工智能”的翅膀!
人工智能的時代已經開啓,唯有快速擁抱變化纔能應對變化,希望讀者能藉這本書建立對機器學習的宏觀認識並對之深入理解,跑步進入機器學習領域!
劉鐵鋒
《編程之美》作者
海豚瀏覽器創始人
前言
創造齣具有智能的機器一直是人們夢寐以求的理想。自20世紀50年代圖靈測試被提齣以來,人工智能就成為瞭計算機科學領域中一個極具吸引力的研究方嚮。近年來,深度學習是機器學習領域中一個非常具有突破性的研究方嚮,從AlphaGo戰勝李世石,到Prisma運用深度學習技術製作濾鏡刷爆全世界的社交網絡,深度學習在圖像處理、自然語言處理甚至博弈決策等問題上不斷取得震驚世人的成績。
隨著科研理論上的不斷突破,機器學習基礎架構方麵也有瞭長足進步。為瞭提高科研和應用的開發效率,麵嚮深度學習的開發框架不斷湧現,而TensorFlow就是其中的佼佼者。依托於Google強大的影響力,TensorFlow一經發布就吸引瞭整個行業的關注。TensorFlow自2015年年底在GitHub開源以來,一直是機器學習、深度學習類彆中關注度最高的項目,截至2016年年底,已經獲得超過40000個Star。同時,在開源社區共同的努力下,基於TensorFlow開發的各種算法和應用都在飛速增加。
本書結閤基於TensorFlow實踐的應用代碼,介紹瞭深度學習的基礎概念和知識,但需要讀者預先掌握一些傳統機器學習、神經網絡相關方麵的知識。同時,本書代碼主要基於目前最新的TensorFlow 1.0版本,大部分為Python代碼,需要讀者有一定的Python語言基礎。希望通過本書的介紹,讀者可以由淺入深、由理論到實踐全麵掌握深度學習的基礎知識和實踐方法。
本書第1章介紹瞭深度學習的由來以及發展趨勢,簡要說明瞭人工智能、機器學習、深度學習等名詞概念之間的聯係。第2章主要介紹瞭TensorFlow係統的基礎知識和一些重要概念。第3章通過對Kaggle競賽平颱上的Titanic問題的求解實例,介紹瞭TensorFlow係統的基本用法,並簡要介紹瞭機器學習問題中的一些常用的處理技巧。第4章和第5章分彆介紹瞭主要應用於圖像處理領域的捲積神經網絡CNN和主要應用於自然語言處理領域的循環神經網絡RNN。其中第4章介紹瞭CNN的基本原理和多個經典網絡結構,並通過圖像風格化的實例展示 深度學習原理與TensorFlow實踐 下載 mobi epub pdf txt 電子書 格式
深度學習原理與TensorFlow實踐 下載 mobi pdf epub txt 電子書 格式 2024
深度學習原理與TensorFlow實踐 下載 mobi epub pdf 電子書簡單看瞭下目錄和前麵兩節,適閤新手看看,內容深度一般,就是標價有點貴,不值得花這些錢。高手慎買!
評分 評分書收到瞭 一直挺喜歡看碼農翻身的 以故事的方式來講解知識 謝謝老劉!
評分非常好,作者絕對是個有趣的人,寫的非常用心,深入淺齣,有種醍醐灌頂,恍然大悟的感覺。但是非程序員不要估計看不懂。
評分雖然很早就關注微信公眾號瞭,但是還是要買一本書支持作者,希望以後也有新的作品齣現
評分理論介紹的很全麵,就是不夠深入,適閤根據實際需要進行閱讀
評分用券買的,比較超值,每年賣書都是618和雙11,圖書白菜價
評分之前在微信公眾號上老看碼農翻身的文章,現在齣書瞭,得支持一下,寫的非常好,通俗易懂。
評分第1章講述計算機的基礎知識;
深度學習原理與TensorFlow實踐 mobi epub pdf txt 電子書 格式下載 2024