编辑推荐
1.牛津大学物联网课程创建者和首席数据科学家Ajit Jaokar为本书作序并倾情推荐。
2.通过阅读本书，能够深入了解和掌握TensorFlow，并能构建实用的机器学习和深度学习系统。
3.本书涵盖了TensorFlow 1.x的许多高级功能，并涉及很多先进的技术，如迁移学习、深度强化学习、生成对抗网络等。
4.本书提供了大量示例，其代码可以通过GitHub网址下载，具体地址见封面背面。
名人推荐
本书深入介绍了Keras与核心TensorFlow库，并探讨了高级主题，如Sonnet、带有TF集群的分布式TensorFlow、使用TensorFlow服务部署生产模型、TensorFlow在移动设备和嵌入式设备上的开发。
本书涉及很多先进的技术，比如深度学习模型中的RNN、CNN、自编码器、生成对抗模型和深度强化学习。Armando Fandango利用他的经验对这些内容进行了清楚的讲解，有助于读者更方便地理解这些复杂的内容。
Ajit Jaokar
牛津大学物联网课程创建者和首席数据科学家
作者简介
Armando Fandango利用自己在深度学习、计算方法和分布式计算方面的专业知识，创造了人工智能（AI）产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司，其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司，这家非盈利机构主要帮助美国退役军人掌握AI技能。
Armando出版了2本专著，并在国际期刊和会议上发表了他的研究成果。
目录
译者序
原书序
原书前言
第 1章 TensorFlow 101 // 1
1.1 什么是 TensorFlow // 1
1.2 TensorFlow内核 // 2
1.2.1 简单的示例代码 -Hello TensorFlow // 2
1.2.2 张量 // 3
1.2.3 常量 // 4
1.2.4 操作 // 5
1.2.5 占位符 // 6
1.2.6 从 Python对象创建张量 // 7
1.2.7 变量 // 9
1.2.8 由库函数生成的张量 // 10
1.2.9 通过 tf.get_variable( )获取变量 // 13
1.3 数据流图或计算图 // 14
1.3.1 执行顺序和延迟加载 // 15
1.3.2 跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3 多个计算图 // 18
1.4 TensorBoard // 19
1.4.1 TensorBoard最小的例子 // 19
1.4.2 TensorBoard的细节 // 21
1.5 总结 // 21
第 2章 TensorFlow的高级库 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 创建 TFLearn层 // 26
2.3.2 创建 TFLearn模型 // 30
2.3.3 训练 TFLearn模型 // 30
2.3.4 使用 TFLearn模型 // 30
2.4 PrettyTensor // 31
2.5 Sonnet // 32
2.6 总结 // 34
第 3章 Keras101 // 35
3.1 安装 Keras // 35
3.2 Keras的神经网络模型 // 36
3.2.1 在 Keras中创建模型的过程 // 36
3.3 创建 Keras模型 // 36
3.3.1 用于创建 Keras模型的序列化 API // 36
3.3.2 用于创建 Keras模型的功能性 API // 37
3.4 Keras的层 // 37
3.4.1 Keras内核层 // 37
3.4.2 Keras卷积层 // 38
3.4.3 Keras池化层 // 38
3.4.4 Keras局连接层 // 39
3.4.5 Keras循环层 // 39
3.4.6 Keras嵌入层 // 39
3.4.7 Keras合并层 // 39
3.4.8 Keras高级激活层 // 40
3.4.9 Keras归一化层 // 40
3.4.10 Keras噪声层 // 40
3.5 将网络层添加到 Keras模型中 // 40
3.5.1 利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2 利用功能性 API将网络层添加到 Keras模型中 // 41
3.6 编译 Keras模型 // 41
3.7 训练 Keras模型 // 42
3.8 使用 Keras模型进行预测 // 42
3.9 Keras中的其他模块 // 43
3.10 基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11 总结 // 45
第 4章 基于TensorFlow的经典机器学习算法 // 47
4.1 简单的线性回归 // 48
4.1.1 数据准备 // 49
4.1.2 建立简单的回归模型 // 50
4.1.3 使用训练好的模型进行预测 // 55
4.2 多元回归 // 55
4.3 正则化回归 // 58
4.3.1 Lasso正则化 // 59
4.3.2 岭正则化 // 62
4.3.3 弹性网正则化 // 64
4.4 使用 Logistic回归进行分类 // 65
4.4.1 二分类的 Logistic回归 // 65
4.4.2 多类分类的 Logistic回归 // 66
4.5 二分类 // 66
4.6 多分类 // 69
4.7 总结 // 73
第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1 感知机 // 74
5.2 多层感知机 // 76
5.3 用于图像分类的多层感知机 // 77
5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4 用于时间序列回归的多层感知机 // 86
5.5 总结 // 89
第 6章 基于TensorFlow和Keras的 RNN // 90
6.1 简单 RNN // 90
6.2 RNN改进版本 // 92
6.3 LSTM网络 // 93
6.4 GRU网络 // 95
6.5 基于TensorFlow的 RNN // 96
6.5.1 TensorFlow的RNN单元类 // 96
6.5.2 TensorFlow 的RNN模型构造类 // 97
6.5.3 TensorFlow的 RNN单元封装类 // 97
6.6 基于Keras的 RNN // 98
6.7 RNN的应用领域 // 98
6.8 将基于Keras的 RNN用于MNIST数据 // 99
6.9 总结 // 100
第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1 航空公司乘客数据集 // 101
7.1.1 加载 airpass数据集 // 102
7.1.2 可视化 airpass数据集 // 102
7.2 使用TensorFlow为 RNN模型预处理数据集 // 103
7.3 TensorFlow中的简单 RNN // 104
7.4 TensorFlow中的 LSTM网络 // 106
7.5 TensorFlow中的 GRU网络 // 107
7.6 使用 Keras为 RNN模型预处理数据集 // 108
7.7 基于 Keras的简单 RNN // 109
7.8 基于 Keras的 LSTM网络 // 111
7.9 基于 Keras的 GRU网络 // 112
7.10 总结 // 113
第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1 词向量表示 // 114
8.2 为 word2vec模型准备数据 // 116
8.2.1 加载和准备PTB数据集 // 117
8.2.2 加载和准备text8数据集 // 118
8.2.3 准备小的验证集 // 119
8.3 使用TensorFlow的 skip-gram模型 // 119
8.4 使用t-SNE可视化单词嵌入 // 124
8.5 基于Keras的 skip-gram模型 // 126
8.6 使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1 使用TensorFlow中的 LSTM模型生成文本 // 131
8
序言
原书序
我在牛津大学讲授“物联网数据科学”课程时，将 TensorFlow和 Keras作为该课程的重要组成部分。我从 Keras开始接触 TensorFlow，但在我讲授课程时，我越来越倾向于使用 TensorFlow。我相信很多人都会有这样的感受。
《精通TensorFlow》为学习 TensorFlow提供了路线图，也会交替介绍 Keras和 TensorFlow核心库。本书会深入介绍复杂的主题和相关的库，如 Sonnet、分布式 TensorFlow、使用 TensorFlow服务部署生产模型、TensorFlow在移动设备和嵌入式设备上的开发。
《精通TensorFlow》涉及很多先进的技术，比如深度学习模型中的 RNN、CNN、自编码器、生成对抗模型和深度强化学习。 Armando Fandango利用他的经验清楚地讲解了这些内容，有助于读者理解这些复杂的内容。
我期待更多读者能够阅读本书并从中获益。
Ajit Jaokar
牛津大学物联网课程创建者和首席数据科学家
1.牛津大学物联网课程创建者和首席数据科学家Ajit Jaokar为本书作序并倾情推荐。
2.通过阅读本书，能够深入了解和掌握TensorFlow，并能构建实用的机器学习和深度学习系统。
3.本书涵盖了TensorFlow 1.x的许多高级功能，并涉及很多先进的技术，如迁移学习、深度强化学习、生成对抗网络等。
4.本书提供了大量示例，其代码可以通过GitHub网址下载，具体地址见封面背面。
名人推荐
本书深入介绍了Keras与核心TensorFlow库，并探讨了高级主题，如Sonnet、带有TF集群的分布式TensorFlow、使用TensorFlow服务部署生产模型、TensorFlow在移动设备和嵌入式设备上的开发。
本书涉及很多先进的技术，比如深度学习模型中的RNN、CNN、自编码器、生成对抗模型和深度强化学习。Armando Fandango利用他的经验对这些内容进行了清楚的讲解，有助于读者更方便地理解这些复杂的内容。
Ajit Jaokar
牛津大学物联网课程创建者和首席数据科学家
作者简介
Armando Fandango利用自己在深度学习、计算方法和分布式计算方面的专业知识，创造了人工智能（AI）产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司，其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司，这家非盈利机构主要帮助美国退役军人掌握AI技能。
Armando出版了2本专著，并在国际期刊和会议上发表了他的研究成果。
目录
译者序
原书序
原书前言
第 1章 TensorFlow 101 // 1
1.1 什么是 TensorFlow // 1
1.2 TensorFlow内核 // 2
1.2.1 简单的示例代码 -Hello TensorFlow // 2
1.2.2 张量 // 3
1.2.3 常量 // 4
1.2.4 操作 // 5
1.2.5 占位符 // 6
1.2.6 从 Python对象创建张量 // 7
1.2.7 变量 // 9
1.2.8 由库函数生成的张量 // 10
1.2.9 通过 tf.get_variable( )获取变量 // 13
1.3 数据流图或计算图 // 14
1.3.1 执行顺序和延迟加载 // 15
1.3.2 跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3 多个计算图 // 18
1.4 TensorBoard // 19
1.4.1 TensorBoard最小的例子 // 19
1.4.2 TensorBoard的细节 // 21
1.5 总结 // 21
第 2章 TensorFlow的高级库 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 创建 TFLearn层 // 26
2.3.2 创建 TFLearn模型 // 30
2.3.3 训练 TFLearn模型 // 30
2.3.4 使用 TFLearn模型 // 30
2.4 PrettyTensor // 31
2.5 Sonnet // 32
2.6 总结 // 34
第 3章 Keras101 // 35
3.1 安装 Keras // 35
3.2 Keras的神经网络模型 // 36
3.2.1 在 Keras中创建模型的过程 // 36
3.3 创建 Keras模型 // 36
3.3.1 用于创建 Keras模型的序列化 API // 36
3.3.2 用于创建 Keras模型的功能性 API // 37
3.4 Keras的层 // 37
3.4.1 Keras内核层 // 37
3.4.2 Keras卷积层 // 38
3.4.3 Keras池化层 // 38
3.4.4 Keras局连接层 // 39
3.4.5 Keras循环层 // 39
3.4.6 Keras嵌入层 // 39
3.4.7 Keras合并层 // 39
3.4.8 Keras高级激活层 // 40
3.4.9 Keras归一化层 // 40
3.4.10 Keras噪声层 // 40
3.5 将网络层添加到 Keras模型中 // 40
3.5.1 利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2 利用功能性 API将网络层添加到 Keras模型中 // 41
3.6 编译 Keras模型 // 41
3.7 训练 Keras模型 // 42
3.8 使用 Keras模型进行预测 // 42
3.9 Keras中的其他模块 // 43
3.10 基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11 总结 // 45
第 4章 基于TensorFlow的经典机器学习算法 // 47
4.1 简单的线性回归 // 48
4.1.1 数据准备 // 49
4.1.2 建立简单的回归模型 // 50
4.1.3 使用训练好的模型进行预测 // 55
4.2 多元回归 // 55
4.3 正则化回归 // 58
4.3.1 Lasso正则化 // 59
4.3.2 岭正则化 // 62
4.3.3 弹性网正则化 // 64
4.4 使用 Logistic回归进行分类 // 65
4.4.1 二分类的 Logistic回归 // 65
4.4.2 多类分类的 Logistic回归 // 66
4.5 二分类 // 66
4.6 多分类 // 69
4.7 总结 // 73
第 5章 基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1 感知机 // 74
5.2 多层感知机 // 76
5.3 用于图像分类的多层感知机 // 77
5.3.1 通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2 通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3 通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4 多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4 用于时间序列回归的多层感知机 // 86
5.5 总结 // 89
第 6章 基于TensorFlow和Keras的 RNN // 90
6.1 简单 RNN // 90
6.2 RNN改进版本 // 92
6.3 LSTM网络 // 93
6.4 GRU网络 // 95
6.5 基于TensorFlow的 RNN // 96
6.5.1 TensorFlow的RNN单元类 // 96
6.5.2 TensorFlow 的RNN模型构造类 // 97
6.5.3 TensorFlow的 RNN单元封装类 // 97
6.6 基于Keras的 RNN // 98
6.7 RNN的应用领域 // 98
6.8 将基于Keras的 RNN用于MNIST数据 // 99
6.9 总结 // 100
第 7章 基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1 航空公司乘客数据集 // 101
7.1.1 加载 airpass数据集 // 102
7.1.2 可视化 airpass数据集 // 102
7.2 使用TensorFlow为 RNN模型预处理数据集 // 103
7.3 TensorFlow中的简单 RNN // 104
7.4 TensorFlow中的 LSTM网络 // 106
7.5 TensorFlow中的 GRU网络 // 107
7.6 使用 Keras为 RNN模型预处理数据集 // 108
7.7 基于 Keras的简单 RNN // 109
7.8 基于 Keras的 LSTM网络 // 111
7.9 基于 Keras的 GRU网络 // 112
7.10 总结 // 113
第 8章 基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1 词向量表示 // 114
8.2 为 word2vec模型准备数据 // 116
8.2.1 加载和准备PTB数据集 // 117
8.2.2 加载和准备text8数据集 // 118
8.2.3 准备小的验证集 // 119
8.3 使用TensorFlow的 skip-gram模型 // 119
8.4 使用t-SNE可视化单词嵌入 // 124
8.5 基于Keras的 skip-gram模型 // 126
8.6 使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1 使用TensorFlow中的 LSTM模型生成文本 // 131
8
序言
原书序
我在牛津大学讲授“物联网数据科学”课程时，将 TensorFlow和 Keras作为该课程的重要组成部分。我从 Keras开始接触 TensorFlow，但在我讲授课程时，我越来越倾向于使用 TensorFlow。我相信很多人都会有这样的感受。
《精通TensorFlow》为学习 TensorFlow提供了路线图，也会交替介绍 Keras和 TensorFlow核心库。本书会深入介绍复杂的主题和相关的库，如 Sonnet、分布式 TensorFlow、使用 TensorFlow服务部署生产模型、TensorFlow在移动设备和嵌入式设备上的开发。
《精通TensorFlow》涉及很多先进的技术，比如深度学习模型中的 RNN、CNN、自编码器、生成对抗模型和深度强化学习。 Armando Fandango利用他的经验清楚地讲解了这些内容，有助于读者理解这些复杂的内容。
我期待更多读者能够阅读本书并从中获益。
Ajit Jaokar
牛津大学物联网课程创建者和首席数据科学家
| ISBN | 9787111614364,7111614364 |
|---|---|
| 出版社 | 机械工业出版社 |
| 作者 | 阿曼多·凡丹戈 (Armando Fandango) |
| 尺寸 | 16 |