具体描述
产品特色
编辑推荐
适读人群 ：本书适合想深入理解TensorFlow的人员阅读。才云科技技术总监、华为深度学习团队系统工程师、华为深度学习云服务的技术负责人联合编写
中国科学院计算技术研究所副研究员/中国大数据技术大会（BDTC）发起人查礼、教育部“长江学者”特聘教授/浙江大学计算机学院院长陈刚作序推荐
才云科技创始人兼CEO张鑫、Google Brain资深工程师周玥枫、华为人工智能领域主任工程师夏命榛、云账户联合创始人兼CTO邹永强、博拉科技创始人兼CEO周公爽、微软亚洲研究院助理研究员王锦鹏、才云科技顾问郑泽宇联合推荐
不仅介绍如何使用TensorFlow，还剖析了系统设计原理
内容简介
本书从基本概念、内部实现和实践等方面深入剖析了TensorFlow。书中首先介绍了TensorFlow设计目标、基本架构、环境准备和基础概念，接着重点介绍了以数据流图为核心的机器学习编程框架的设计原则与核心实现，紧接着还将TensorFlow与深度学习相结合，从理论基础和程序实现这两个方面系统介绍了CNN、GAN和RNN等经典模型，然后深入剖析了TensorFlow运行时核心、通信原理和数据流图计算的原理与实现，全面介绍了TensorFlow生态系统的发展。
作者简介
彭靖田，才云科技技术总监，谷歌机器学习开发专家（ML GDE），Kubeflow Core Maintainer，TensorFlow Contributor，曾一度成为TensorFlow社区全球前40的贡献者。加州大学圣迭戈分校访问学者，毕业于浙江大学竺可桢学院求是科学班。曾为华为深度学习团队核心成员，主要参与华为深度学习平台的设计和研发工作。
林健，华为深度学习团队系统工程师。在中科院计算所取得博士学位，并在美国俄亥俄州立大学做过博士后研究。长期从事系统软件研发，工作涉及高性能计算与分布式系统，爱好开源软件与人工智能。曾参与开发CNGrid GOS、MVAPICH等工业级软件，并合作创建LingCloud、DataMPI等开源项目。
白小龙，华为公司深度学习云服务的技术负责人，主要负责深度学习平台、模型和算法的研发。长期从事信号、图像处理和机器学习研究，于2015年6月毕业于浙江大学并取得工学博士学位，曾获教育部博士生学术新人奖。
目录
第 一部分 基础篇
第 1章 TensorFlow系统概述 2
1.1 简介 2
1.1.1 产生背景 2
1.1.2 独特价值 3
1.1.3 版本变迁 4
1.1.4 与其他主流深度学习框架的对比 6
1.2 设计目标 7
1.2.1 灵活通用的深度学习库 8
1.2.2 端云结合的人工智能引擎 9
1.2.3 高性能的基础平台软件 10
1.3 基本架构 12
1.3.1 工作形态 12
1.3.2 组件结构 13
1.4 小结 14
第 2章 TensorFlow环境准备 15
2.1 安装 15
2.1.1 TensorFlow安装概述 15
2.1.2 使用Anaconda安装 17
2.1.3 使用原生pip安装 17
2.1.4 使用virtualenv安装 18
2.1.5 使用Docker安装 19
2.1.6 使用源代码编译安装 20
2.1.7 Hello TensorFlow 22
2.2 依赖项 23
2.2.1 Bazel软件构建工具 24
2.2.2 Protocol Buffers数据结构序列化工具 25
2.2.3 Eigen线性代数计算库 27
2.2.4 CUDA统一计算设备架构 28
2.3 源代码结构 29
2.3.1 根目录 29
2.3.2 tensorflow目录 30
2.3.3 tensorflow/core目录 31
2.3.4 tensorflow/python目录 32
2.3.5 安装目录 33
2.4 小结 33
第3章 TensorFlow基础概念 34
3.1 编程范式：数据流图 34
3.1.1 声明式编程与命令式编程 34
3.1.2 声明式编程在深度学习应用上的优势 35
3.1.3 TensorFlow数据流图的基本概念 38
3.2 数据载体：张量 40
3.2.1 张量：Tensor 40
3.2.2 稀疏张量：SparseTensor 44
3.3 模型载体：操作 46
3.3.1 计算节点：Operation 46
3.3.2 存储节点：Variable 49
3.3.3 数据节点：Placeholder 53
3.4 运行环境：会话 55
3.4.1 普通会话：Session 55
3.4.2 交互式会话：InteractiveSession 59
3.4.3 扩展阅读：会话实现原理 59
3.5 训练工具：优化器 61
3.5.1 损失函数与优化算法 61
3.5.2 优化器概述 64
3.5.3 使用minimize方法训练模型 66
3.5.4 扩展阅读：模型训练方法进阶 68
3.6 一元线性回归模型的最佳实践 72
3.7 小结 76
第二部分 关键模块篇
第4章 TensorFlow数据处理方法 78
4.1 输入数据集 78
4.1.1 使用输入流水线并行读取数据 78
4.1.2 创建批样例数据的方法 86
4.1.3 填充数据节点的方法 87
4.1.4 处理CIFAR-10数据集的最佳实践 88
4.1.5 扩展阅读：MNIST数据集 91
4.2 模型参数 92
4.2.1 模型参数的典型使用流程 92
4.2.2 使用tf.Variable创建、初始化和更新模型参数 92
4.2.3 使用tf.train.Saver保存和恢复模型参数 98
4.2.4 使用变量作用域处理复杂模型 100
4.3 命令行参数 103
4.3.1 使用argparse解析命令行参数 103
4.3.2 使用tf.app.flags解析命令行参数 108
4.4 小结 111
第5章 TensorFlow编程框架 112
5.1 单机程序编程框架 112
5.1.1 概述 112
5.1.2 创建单机数据流图 114
5.1.3 创建并运行单机会话 116
5.2 分布式程序编程框架 118
5.2.1 PS-worker架构概述 118
5.2.2 分布式程序编程框架概述 120
5.2.3 创建TensorFlow集群 121
5.2.4 将操作放置到目标设备 124
5.2.5 数据并行模式 124
5.2.6 同步训练机制 125
5.2.7 异步训练机制 130
5.2.8 使用Supervisor管理模型训练 131
5.2.9 分布式同步训练的最佳实践 133
5.3 小结 137
第6章 TensorBoard可视化工具 138
6.1 概述 138
6.2 可视化数据流图 142
6.2.1 名字作用域与抽象节点 142
6.2.2 可视化数据流图的最佳实践 144
6.2.3 扩展阅读：汇总数据和事件数据 145
6.2.4 扩展阅读：揭秘tf.summary.FileWriter工作原理 147
6.3 可视化学习过程 149
6.3.1 汇总操作概述 149
6.3.2 使用tf.summary.scalar生成折线图 150
6.3.3 使用tf.summary.histogram生成数据分布图 152
6.3.4 使用tf.summary.image生成图像 154
6.3.5 使用tf.summary.audio生成音频 155
6.3.6 可视化MNIST softmax模型学习过程的最佳实践 156
6.4 可视化高维数据 158
6.4.1 使用TensorBoard可视化高维数据 158
6.4.2 可视化MNIST数据集的最佳实践 160
6.5 小结 163
第7章 模型托管工具：TensorFlow Serving 164
7.1 概述 164
7.2 系统架构 165
7.3 安装 167
7.3.1 使用APT安装ModelServer 168
7.3.2 使用源码编译安装ModelServer 169
7.4 最佳实践 170
7.4.1 导出模型 170
7.4.2 发布模型服务 173
7.4.3 更新线上模型服务 174
7.5 小结 175
第三部分 算法模型篇
第8章 深度学习概述 178
8.1 深度学习的历史 178
8.1.1 感知机模型与神经网络 178
8.1.2 神经网络的寒冬与复苏 179
8.1.3 神经网络的发展与第二次寒冬 181
8.1.4 深度学习时代的到来 183
8.2 深度学习的主要应用 184
8.2.1 计算机视觉 185
8.2.2 自然语言处理 186
8.2.3 强化学习 188
8.3 深度学习与TensorFlow 190
8.4 小结 191
第9章 CNN模型 192
9.1 CNN 192
9.1.1 CNN简介 192
9.1.2 卷积层 193
9.1.3 激活层 195
9.1.4 池化层 195
9.1.5 全连接层 196
9.1.6 Dropout层 196
9.1.7 BN层 197
9.1.8 常用的CNN图像分类模型 197
9.2 TensorFlow-Slim 204
9.2.1 TensorFlow-Slim总体结构 204
9.2.2 datasets包和data包 205
9.2.3 preprocessing包 207
9.2.4 deployment包 207
9.2.5 nets包 209
9.2.6 TensorFlow-Slim最佳实践 212
9.3 应用 216
9.3.1 物体检测 216
9.3.2 图像分割 221
9.4 小结 222
第 10章 GAN模型 223
10.1 原理、特点及应用 223
10.1.1 原理 224
10.1.2 特点 225
10.1.3 应用 226
10.2 GAN模型的改进 228
10.2.1 CGAN模型 228
10.2.2 LAPGAN模型 229
10.2.3 DCGAN模型 230
10.2.4 InfoGAN模型 230
10.2.5 LSGAN模型 231
10.2.6 WGAN模型 232
10.3 最佳实践 233
10.4 小结 238
第 11章 RNN模型 239
11.1 基本RNN单元及其变种 239
11.1.1 RNN模型简介 239
11.1.2 基本RNN单元 240
11.1.3 LSTM单元 242
11.1.4 GRU单元 243
11.1.5 双向RNN单元 244
11.1.6 带有其他特性的RNN单元 245
11.2 RNN模型 247
11.2.1 PTB-LSTM语言模型 247
11.2.2 Seq2Seq模型 251
11.3 小结 254
第四部分 核心揭秘篇
第 12章 TensorFlow运行时核心设计与实现 256
12.1 运行时框架概述 256
12.2 关键数据结构 257
12.2.1 张量相关数据结构 258
12.2.2 设备相关数据结构 260
12.2.3 数据流图相关的数据结构 263
12.3 公共基础机制 266
12.3.1 内存分配 266
12.3.2 线程管理 268
12.3.3 多语言接口 269
12.3.4 XLA编译技术 270
12.3.5 单元测试框架 271
12.4 外部环境接口 272
12.4.1 加速器硬件接口 272
12.4.2 系统软件接口 275
12.5 小结 276
第 13章 通信原理与实现 277
13.1 概述 277
13.2 进程内通信 278
13.2.1 通信接口 278
13.2.2 会合点机制 280
13.2.3 异构设备内存访问 282
13.3 进程间通信 283
13.3.1 gRPC通信机制 284
13.3.2 控制通信 286
13.3.3 数据通信 290
13.4 RDMA通信模块 294
13.4.1 模块结构 295
13.4.2 消息语义 296
13.4.3 通信流程 297
13.5 小结 300
第 14章 数据流图计算原理与实现 301
14.1 概述 301
14.2 数据流图创建 302
14.2.1 流程与抽象 303
14.2.2 全图构造 305
14.2.3 子图提取 306
14.2.4 图切分 307
14.2.5 图优化 308
14.3 单机会话运行 308
14.3.1 流程与抽象 309
14.3.2 执行器获取 311
14.3.3 输入数据填充 312
14.3.4 图运行 313
14.3.5 输出数据获取 315
14.3.6 张量保存 315
14.4 分布式会话运行 315
14.4.1 主-从模型 316
14.4.2 主要抽象 317
14.4.3 client创建会话 319
14.4.4 client请求图运行 320
14.4.5 master驱动图运行 321
14.4.6 worker实施图运行 323
14.5 操作节点执行 325
14.5.1 核函数抽象 325
14.5.2 CPU上的执行流程 326
14.5.3 CUDA GPU上的执行流程 326
14.6 小结 327
第五部分 生态发展篇
第 15章 TensorFlow生态环境 330
15.1 生态环境概况 330
15.1.1 社区托管组件 330
15.1.2 第三方项目 333
15.2 深度神经网络库Keras 334
15.2.1 概述 334
15.2.2 模型概述 335
15.2.3 顺序模型 336
15.2.4 函数式模型 338
15.3 TensorFlow与Kubernetes生态的结合 340
15.4 TensorFlow与Spark生态的结合 344
15.5 TensorFlow通信优化技术 345
15.6 TPU及神经网络处理器 348
15.7 NNVM模块化深度学习组件 349
15.8 TensorFlow未来展望——TFX 351
15.9 小结 353
附录A 354
用户评价
天呐，最近终于啃完了那本《深度学习核心概念解析》，简直是打开了我对神经网络理解的一扇全新的大门。这本书的厉害之处在于，它并没有一上来就堆砌复杂的数学公式，而是用非常直观、生活化的比喻，把那些抽象的梯度下降、反向传播讲得明明白白。我记得最开始接触深度学习的时候，那些关于“损失函数”和“优化器”的描述对我来说简直是天书，但这本书里，作者巧妙地将优化过程比喻成在崎岖山路上寻找最低点的旅人，通过调整步伐（学习率）来避开暂时的低谷（局部最优）。尤其是它对卷积神经网络（CNN）的讲解，简直是教科书级别的细腻，从最基础的局部感受野到池化操作的必要性，层层递进，让人感到茅塞顿开。读完之后，我再去看一些开源项目中的模型代码，那些原本模糊不清的参数设置，现在都变得有理有据，不再是盲目套用。这本书的结构安排也极其合理，理论基础扎实后，紧接着就进入了实战应用，引导读者思考如何在真实场景中权衡模型的复杂度和泛化能力。对于任何想要从“会用”提升到“理解”深度学习底层逻辑的人来说，这绝对是一本不可多得的内功心法宝典。
评分最近翻阅的《高性能计算与并行编程实践》这本书，对于我这种后端开发背景、但在处理大规模数据时经常碰到性能瓶颈的工程师来说，简直是雪中送炭。这本书的重点极其明确，完全聚焦于如何榨干硬件的每一丝性能潜力。它没有过多涉及上层应用逻辑，而是深入到了CPU缓存的工作原理、内存访问模式优化以及SIMD指令集的使用。作者用大量的汇编级伪代码示例，展示了如何通过优化数据布局（比如Cache-aware的数据结构设计）来避免缓存未命中带来的巨大延迟。特别是关于OpenMP和MPI在多核与多机环境下的编程范式对比，分析得极为透彻，尤其是在处理跨节点通信的开销和同步机制时，提供了非常实用的性能调优技巧。读完后，我尝试将书中学到的知识应用到我们现有的数据处理流程中，仅仅是调整了数据读取的顺序和结构，处理时间就下降了接近40%。这本书的实践性极强，是每一个追求极致性能的开发者必备的参考手册。
评分我最近拜读的《现代机器学习算法的数学基础》这本书，彻底颠覆了我过去那种“代码跑起来就行”的浅薄认知。这本书的行文风格极其严谨、逻辑链条清晰得令人拍案叫绝。它不像市面上很多流行的书籍那样，为了追求速度而牺牲了对数学原理的深入剖析，而是花了大量篇幅去推导那些支撑起SVM、决策树等经典算法的数学原理，比如拉格朗日乘子法在SVM中的应用，或者熵与信息增益在决策树构建中的精确计算过程。我尤其欣赏作者在解释统计学概念时所展现的功力，比如对偏差-方差权衡的阐述，不再是简单的图示说明，而是通过严密的概率论语言，清晰地界定了高方差和高偏差分别意味着模型在训练集和测试集上表现的差异。这本书的难度系数不低，需要一定的数学背景作为铺垫，但对于渴望构建稳固理论基石的进阶学习者而言，它的价值无可替代。每次读完一个章节，都会有一种对算法敬畏油然而生的感觉，因为它让你明白，那些看似简单的“黑箱”背后，是多么精妙的数学结构在支撑。
评分说实话，读《计算机视觉前沿技术综述与展望》这本书的过程，与其说是学习，不如说是一场跨越时空的思维漫步。这本书的视角非常宏大，它不仅仅停留在对现有技术的罗列上，而是巧妙地将过去十年计算机视觉领域的发展脉络梳理得井井有条。作者对于不同技术流派之间的继承与演变有着深刻的洞察力，比如从早期的SIFT特征描述符到深度学习时代的注意力机制，每一步的跨越，作者都能精准地指出其背后的驱动力和局限性。最让我印象深刻的是它对“场景理解”这一宏大目标的探讨，不仅仅局限于目标检测或图像分割这些具体任务，而是上升到了如何让机器真正“看懂”世界的哲学层面。书中对未来研究方向的预测也相当大胆且富有启发性，例如对自监督学习在无标签数据泛化能力上的潜力分析，让人对未来几年的研究趋势有了一个初步的预判。这本书更像是为领域内的研究人员准备的一份路线图，它教会你如何思考问题，而不是仅仅告诉你答案。
评分《自然语言处理中的语义表示方法演进》这本书，带给我的是一种对语言本质的重新审视。它详尽地追踪了NLP领域中“如何让计算机理解词义”这个核心问题的演变历程。从早期的基于词典和规则的方法，到统计学驱动的N-gram模型，再到Word2Vec和GloVe带来的分布式表示的革命，作者的叙述极具层次感。我非常欣赏它对词向量空间几何意义的深度挖掘，比如如何通过向量运算来捕获类比关系（如“国王-男人+女人=女王”）。更进一步，这本书没有停留在静态词向量，而是深入探讨了ELMo和BERT等动态上下文嵌入的兴起，解释了Transformer架构中自注意力机制是如何解决传统RNN在长距离依赖建模上的结构性缺陷的。对于这些前沿模型，作者不仅展示了它们的能力，更揭示了它们在处理歧义和多义词时的内在机制和局限性。这本书的价值在于，它帮助读者构建了一个完整的“语义理解”知识图谱，让每一个新的模型出现时，你都能将其准确地放置在历史演进的坐标系中。
评分666666666666666666666666666666666666666666666666666666
评分最近买了很多书，可以看一阵子了。京东有活动还是比较划算的。
评分买来当参考书，最近喜欢屯书
评分很坚持的运用 讲的比较细致
评分物流快，质量好，还可以保价
评分基本不错,入门的一本书.
评分不错的书
评分买来当参考书，最近喜欢屯书
评分内容很适合初学入门，很容易上手，对原理也做了简单介绍，理解起来并不费劲，很不错的书。强烈推荐！
相关图书
![游戏服务器架构与优化 [Architecture and Optimization for Game Servers] pdf epub mobi 电子书 下载](https://pic.qciss.net/12351770/5aefe366N34281c62.jpg)
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.teaonline.club All Rights Reserved. 图书大百科 版权所有