掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計(jì)算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈(zèng)1DVD.含語(yǔ)音視頻教學(xué)+辦公模板+PDF電子書)
中圖價(jià):¥38.3
加入購(gòu)物車
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 版權(quán)信息
- ISBN：9787121330667
- 條形碼：9787121330667 ; 978-7-121-33066-7
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 本書特色
TensorFlow是谷歌2015年開源的主流深度學(xué)習(xí)框架，目前已得到廣泛應(yīng)用。本書為TensorFlow入門參考書，旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學(xué)習(xí)。書中省略了煩瑣的數(shù)學(xué)模型推導(dǎo)，從實(shí)際應(yīng)用問題出發(fā)，通過具體的TensorFlow示例介紹如何使用深度學(xué)習(xí)解決實(shí)際問題。書中包含深度學(xué)習(xí)的入門知識(shí)和大量實(shí)踐經(jīng)驗(yàn)，是走進(jìn)這個(gè)前沿、熱門的人工智能領(lǐng)域的優(yōu)選參考書。第2版將書中所有示例代碼從TensorFlow 0.9.0升級(jí)到了TensorFlow 1.4.0。在升級(jí)API的同時(shí)，第2版也補(bǔ)充了更多只有TensorFlow 1.4.0才支持的功能。另外，第2版還新增兩章分別介紹TensorFlow高層封裝和深度學(xué)習(xí)在自然語(yǔ)言領(lǐng)域應(yīng)用的內(nèi)容。本書適用于想要使用深度學(xué)習(xí)或TensorFlow的數(shù)據(jù)科學(xué)家、工程師，希望了解深度學(xué)習(xí)的大數(shù)據(jù)平臺(tái)工程師，對(duì)人工智能、深度學(xué)習(xí)感興趣的計(jì)算機(jī)相關(guān)從業(yè)人員及在校學(xué)生等。
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 內(nèi)容簡(jiǎn)介
√ 前谷歌專家、現(xiàn)Tensorflow創(chuàng)業(yè)新貴，新版力邀現(xiàn)谷歌專家加盟，共話新版核心技術(shù)與前沿案例。 √ 本書前版作為業(yè)界首著伴隨Tensorflow火遍全球，旨在面向生產(chǎn)|商業(yè)場(chǎng)景，徹底貫通原理|實(shí)踐。 √ 深入原理|走訪主創(chuàng)|結(jié)合真實(shí)項(xiàng)目，AI、ML團(tuán)隊(duì)爭(zhēng)相贊譽(yù)力薦，與Tensorflow一道成為事實(shí)標(biāo)準(zhǔn)。 √ 代碼全面升級(jí)為1.4 版，重點(diǎn)關(guān)注新版功能，增設(shè)專題論述TF高層封裝和深度學(xué)習(xí)自然語(yǔ)言應(yīng)用。
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 目錄
第1章 深度學(xué)習(xí)簡(jiǎn)介 1
1.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 2
1.2 深度學(xué)習(xí)的發(fā)展歷程 6
1.3 深度學(xué)習(xí)的應(yīng)用 10
1.3.1 計(jì)算機(jī)視覺 10
1.3.2 語(yǔ)音識(shí)別 13
1.3.3 自然語(yǔ)言處理 14
1.3.4 人機(jī)博弈 17
1.4 深度學(xué)習(xí)工具介紹和對(duì)比 19
小結(jié) 23
第2章 TensorFlow環(huán)境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 31
2.2.3 從源代碼編譯安裝 32
2.3 TensorFlow測(cè)試樣例 37
小結(jié) 38
第3章 TensorFlow入門 39
3.1 TensorFlow計(jì)算模型——計(jì)算圖 39
3.1.1 計(jì)算圖的概念 39
3.1.2 計(jì)算圖的使用 40
3.2 TensorFlow數(shù)據(jù)模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運(yùn)行模型——會(huì)話 45
3.4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) 47
3.4.1 TensorFlow游樂場(chǎng)及神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 47
3.4.2 前向傳播算法簡(jiǎn)介 50
3.4.3 神經(jīng)網(wǎng)絡(luò)參數(shù)與TensorFlow變量 54
3.4.4 通過TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型 58
3.4.5 完整神經(jīng)網(wǎng)絡(luò)樣例程序 62
小結(jié) 64
第4章 深層神經(jīng)網(wǎng)絡(luò) 66
4.1 深度學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò) 66
4.1.1 線性模型的局限性 67
4.1.2 激活函數(shù)實(shí)現(xiàn)去線性化 70
4.1.3 多層網(wǎng)絡(luò)解決異或運(yùn)算 73
4.2 損失函數(shù)定義 74
4.2.1 經(jīng)典損失函數(shù) 75
4.2.2 自定義損失函數(shù) 79
4.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法 81
4.4 神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化 85
4.4.1 學(xué)習(xí)率的設(shè)置 85
4.4.2 過擬合問題 87
4.4.3 滑動(dòng)平均模型 91
小結(jié) 92
第5章 MNIST數(shù)字識(shí)別問題 94
5.1 MNIST數(shù)據(jù)處理 94
5.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及不同模型結(jié)果對(duì)比 97
5.2.1 TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò) 97
5.2.2 使用驗(yàn)證數(shù)據(jù)集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實(shí)現(xiàn) 112
5.4.2 持久化原理及數(shù)據(jù)格式 117
5.5 TensorFlow*佳實(shí)踐樣例程序 126
小結(jié) 132
第6章 圖像識(shí)別與卷積神經(jīng)網(wǎng)絡(luò) 134
6.1 圖像識(shí)別問題簡(jiǎn)介及經(jīng)典數(shù)據(jù)集 135
6.2 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 139
6.3 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經(jīng)典卷積網(wǎng)絡(luò)模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí) 160
6.5.1 遷移學(xué)習(xí)介紹 160
6.5.2 TensorFlow實(shí)現(xiàn)遷移學(xué)習(xí) 161
小結(jié) 168
第7章 圖像數(shù)據(jù)處理 170
7.1 TFRecord輸入數(shù)據(jù)格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程序 171
7.2 圖像數(shù)據(jù)處理 173
7.2.1 TensorFlow圖像處理函數(shù) 174
7.2.2 圖像預(yù)處理完整樣例 183
7.3 多線程輸入數(shù)據(jù)處理框架 185
7.3.1 隊(duì)列與多線程 186
7.3.2 輸入文件隊(duì)列 190
7.3.3 組合訓(xùn)練數(shù)據(jù)（batching） 193
7.3.4 輸入數(shù)據(jù)處理框架 196
7.4 數(shù)據(jù)集（Dataset） 199
7.4.1 數(shù)據(jù)集的基本使用方法 199
7.4.2 數(shù)據(jù)集的高層操作 202
小結(jié) 207
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò) 208
8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 208
8.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）結(jié)構(gòu) 214
8.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種 218
8.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和深層循環(huán)神經(jīng)網(wǎng)絡(luò) 218
8.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的dropout 221
8.4 循環(huán)神經(jīng)網(wǎng)絡(luò)樣例應(yīng)用 222
小結(jié) 226
第9章 自然語(yǔ)言處理 227
9.1 語(yǔ)言模型的背景知識(shí) 227
9.1.1 語(yǔ)言模型簡(jiǎn)介 227
9.1.2 語(yǔ)言模型的評(píng)價(jià)方法 229
9.2 神經(jīng)語(yǔ)言模型 232
9.2.1 PTB數(shù)據(jù)集的預(yù)處理 233
9.2.2 PTB數(shù)據(jù)的batching方法 236
9.2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)語(yǔ)言模型 238
9.3 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯 244
9.3.1 機(jī)器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機(jī)器翻譯文本數(shù)據(jù)的預(yù)處理 246
9.3.3 Seq2Seq模型的代碼實(shí)現(xiàn) 250
9.3.4 注意力機(jī)制 257
小結(jié) 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級(jí)用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數(shù)據(jù)集（Dataset）作為Estimator輸入 284
小結(jié) 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡(jiǎn)介 287
11.2 TensorFlow計(jì)算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節(jié)點(diǎn) 290
11.2.2 節(jié)點(diǎn)信息 297
11.3 監(jiān)控指標(biāo)可視化 301
11.4 高維向量可視化 309
小結(jié) 317
第12章 TensorFlow計(jì)算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學(xué)習(xí)訓(xùn)練并行模式 324
12.3 多GPU并行 327
12.4 分布式TensorFlow 334
12.4.1 分布式TensorFlow原理 334
12.4.2 分布式TensorFlow模型訓(xùn)練 338
小結(jié) 348
1.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 2
1.2 深度學(xué)習(xí)的發(fā)展歷程 6
1.3 深度學(xué)習(xí)的應(yīng)用 10
1.3.1 計(jì)算機(jī)視覺 10
1.3.2 語(yǔ)音識(shí)別 13
1.3.3 自然語(yǔ)言處理 14
1.3.4 人機(jī)博弈 17
1.4 深度學(xué)習(xí)工具介紹和對(duì)比 19
小結(jié) 23
第2章 TensorFlow環(huán)境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 31
2.2.3 從源代碼編譯安裝 32
2.3 TensorFlow測(cè)試樣例 37
小結(jié) 38
第3章 TensorFlow入門 39
3.1 TensorFlow計(jì)算模型——計(jì)算圖 39
3.1.1 計(jì)算圖的概念 39
3.1.2 計(jì)算圖的使用 40
3.2 TensorFlow數(shù)據(jù)模型——張量 42
3.2.1 張量的概念 42
3.2.2 張量的使用 44
3.3 TensorFlow運(yùn)行模型——會(huì)話 45
3.4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) 47
3.4.1 TensorFlow游樂場(chǎng)及神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 47
3.4.2 前向傳播算法簡(jiǎn)介 50
3.4.3 神經(jīng)網(wǎng)絡(luò)參數(shù)與TensorFlow變量 54
3.4.4 通過TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型 58
3.4.5 完整神經(jīng)網(wǎng)絡(luò)樣例程序 62
小結(jié) 64
第4章 深層神經(jīng)網(wǎng)絡(luò) 66
4.1 深度學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò) 66
4.1.1 線性模型的局限性 67
4.1.2 激活函數(shù)實(shí)現(xiàn)去線性化 70
4.1.3 多層網(wǎng)絡(luò)解決異或運(yùn)算 73
4.2 損失函數(shù)定義 74
4.2.1 經(jīng)典損失函數(shù) 75
4.2.2 自定義損失函數(shù) 79
4.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法 81
4.4 神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化 85
4.4.1 學(xué)習(xí)率的設(shè)置 85
4.4.2 過擬合問題 87
4.4.3 滑動(dòng)平均模型 91
小結(jié) 92
第5章 MNIST數(shù)字識(shí)別問題 94
5.1 MNIST數(shù)據(jù)處理 94
5.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及不同模型結(jié)果對(duì)比 97
5.2.1 TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò) 97
5.2.2 使用驗(yàn)證數(shù)據(jù)集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變量管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實(shí)現(xiàn) 112
5.4.2 持久化原理及數(shù)據(jù)格式 117
5.5 TensorFlow*佳實(shí)踐樣例程序 126
小結(jié) 132
第6章 圖像識(shí)別與卷積神經(jīng)網(wǎng)絡(luò) 134
6.1 圖像識(shí)別問題簡(jiǎn)介及經(jīng)典數(shù)據(jù)集 135
6.2 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 139
6.3 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu) 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經(jīng)典卷積網(wǎng)絡(luò)模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí) 160
6.5.1 遷移學(xué)習(xí)介紹 160
6.5.2 TensorFlow實(shí)現(xiàn)遷移學(xué)習(xí) 161
小結(jié) 168
第7章 圖像數(shù)據(jù)處理 170
7.1 TFRecord輸入數(shù)據(jù)格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程序 171
7.2 圖像數(shù)據(jù)處理 173
7.2.1 TensorFlow圖像處理函數(shù) 174
7.2.2 圖像預(yù)處理完整樣例 183
7.3 多線程輸入數(shù)據(jù)處理框架 185
7.3.1 隊(duì)列與多線程 186
7.3.2 輸入文件隊(duì)列 190
7.3.3 組合訓(xùn)練數(shù)據(jù)（batching） 193
7.3.4 輸入數(shù)據(jù)處理框架 196
7.4 數(shù)據(jù)集（Dataset） 199
7.4.1 數(shù)據(jù)集的基本使用方法 199
7.4.2 數(shù)據(jù)集的高層操作 202
小結(jié) 207
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò) 208
8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 208
8.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）結(jié)構(gòu) 214
8.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種 218
8.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和深層循環(huán)神經(jīng)網(wǎng)絡(luò) 218
8.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的dropout 221
8.4 循環(huán)神經(jīng)網(wǎng)絡(luò)樣例應(yīng)用 222
小結(jié) 226
第9章 自然語(yǔ)言處理 227
9.1 語(yǔ)言模型的背景知識(shí) 227
9.1.1 語(yǔ)言模型簡(jiǎn)介 227
9.1.2 語(yǔ)言模型的評(píng)價(jià)方法 229
9.2 神經(jīng)語(yǔ)言模型 232
9.2.1 PTB數(shù)據(jù)集的預(yù)處理 233
9.2.2 PTB數(shù)據(jù)的batching方法 236
9.2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)語(yǔ)言模型 238
9.3 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯 244
9.3.1 機(jī)器翻譯背景與Seq2Seq模型介紹 245
9.3.2 機(jī)器翻譯文本數(shù)據(jù)的預(yù)處理 246
9.3.3 Seq2Seq模型的代碼實(shí)現(xiàn) 250
9.3.4 注意力機(jī)制 257
小結(jié) 261
第10章 TensorFlow高層封裝 262
10.1 TensorFlow高層封裝總覽 262
10.2 Keras介紹 267
10.2.1 Keras基本用法 267
10.2.2 Keras高級(jí)用法 272
10.3 Estimator介紹 277
10.3.1 Estimator基本用法 278
10.3.2 Estimator自定義模型 280
10.3.3 使用數(shù)據(jù)集（Dataset）作為Estimator輸入 284
小結(jié) 286
第11章 TensorBoard可視化 287
11.1 TensorBoard簡(jiǎn)介 287
11.2 TensorFlow計(jì)算圖可視化 289
11.2.1 命名空間與TensorBoard圖上節(jié)點(diǎn) 290
11.2.2 節(jié)點(diǎn)信息 297
11.3 監(jiān)控指標(biāo)可視化 301
11.4 高維向量可視化 309
小結(jié) 317
第12章 TensorFlow計(jì)算加速 318
12.1 TensorFlow使用GPU 318
12.2 深度學(xué)習(xí)訓(xùn)練并行模式 324
12.3 多GPU并行 327
12.4 分布式TensorFlow 334
12.4.1 分布式TensorFlow原理 334
12.4.2 分布式TensorFlow模型訓(xùn)練 338
小結(jié) 348
展開全部
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 相關(guān)資料
終于等到這本TensorFlow技術(shù)書的升級(jí)。這本書和其他介紹技術(shù)框架的書不太一樣，它從深度學(xué)習(xí)簡(jiǎn)介開始，一點(diǎn)一點(diǎn)深入到TensorFlow的使用，同時(shí)把算法和框架的使用結(jié)合起來，讓讀者
在了解框架的同時(shí)，還能夠更深入地了解深度學(xué)習(xí)算法的原理。示例代碼注釋詳盡，語(yǔ)言風(fēng)格通俗易懂，算法介紹由淺入深，可謂是難得的好書。——馮博 TalkingData 數(shù)據(jù)科學(xué)家
本書由淺入深，介紹了TensorFlow在典型場(chǎng)景中的應(yīng)用實(shí)踐，提供分布式訓(xùn)練等大量實(shí)例，是TensorFlow開發(fā)者和深度學(xué)習(xí)愛好者的優(yōu)選參考資料。
——陳迪豪 第四范式先知平臺(tái)架構(gòu)師
Google的每一次技術(shù)發(fā)布，都會(huì)成為萬(wàn)眾矚目的焦點(diǎn)。TensorFlow從開源到現(xiàn)在，已經(jīng)吸引了眾多開發(fā)者、機(jī)器學(xué)習(xí)愛好者、科研和企業(yè)用戶貢獻(xiàn)代碼，新功能如雨后春筍般出現(xiàn)，迭代周期
之短，響應(yīng)速度之快，業(yè)界少有。其獨(dú)特的張量（Tensor）和圖（Graph）構(gòu)建算法模型的方式讓人耳目一新，給模型設(shè)計(jì)者更大的自由度。TensorFlow的入門學(xué)習(xí)資源也琳瑯滿目，讓人無從選擇，《TensorFlow：實(shí)戰(zhàn)Google深度學(xué)習(xí)框架（第2版）》這本書，從基本概念到完整模型，從抽象理論到工程實(shí)現(xiàn)，涵蓋了圖像、文本領(lǐng)域的常用方法，以及可視化和分布式計(jì)算等高級(jí)主
題，相信開卷之后大有裨益，助力開發(fā)者完成產(chǎn)品級(jí)應(yīng)用落地。
——趙永科 阿里云資深研發(fā)工程師
Google的深度學(xué)習(xí)開源方案TensorFlow近年來在人工智能領(lǐng)域被廣泛使用并大放異彩。本書不僅對(duì)深度神經(jīng)網(wǎng)絡(luò)的底層技術(shù)做了講解，還提供了TensorFlow在圖像處理、語(yǔ)義理解、性能加速、數(shù)據(jù)可視化等方面的實(shí)戰(zhàn)案例，濃縮了大量開發(fā)知識(shí)和實(shí)踐經(jīng)驗(yàn)，是一本非常有參考價(jià)值的TensorFlow中文著作。
——陳運(yùn)文 達(dá)觀數(shù)據(jù)董事長(zhǎng)兼CEO
TensorFlow作為主流的深度學(xué)習(xí)框架，已經(jīng)被積極地應(yīng)用于各類商業(yè)產(chǎn)品中，成為機(jī)器學(xué)習(xí)工程師必須了解的知識(shí)。本書不僅介紹了深度學(xué)習(xí)的發(fā)展及應(yīng)用，還提供了環(huán)境搭建教程及實(shí)際問題的解決技巧。本書避免了晦澀數(shù)學(xué)公式所帶來的負(fù)擔(dān)，通俗易懂。建議想要入門并了解深度學(xué)習(xí)理論和應(yīng)用的朋友們閱讀！
——趙越 普華永道高級(jí)數(shù)據(jù)科學(xué)家
本書作者以美國(guó)知名大學(xué)讀研的學(xué)識(shí)、Google全職算法專家的經(jīng)驗(yàn)，從0到1系統(tǒng)地講解了深度學(xué)習(xí)以及非常受歡迎的深度學(xué)習(xí)框架TensorFlow的相關(guān)知識(shí)，提供了多種場(chǎng)景的應(yīng)用實(shí)例，是深度學(xué)習(xí)應(yīng)用領(lǐng)域的代表性作品。
——向光 北京數(shù)問科技有限公司創(chuàng)始人、CEO，Carnegie Mellon University計(jì)算機(jī)博士
這是一本關(guān)于TensorFlow實(shí)戰(zhàn)的書，通俗易懂，深入淺出，強(qiáng)烈建議大家持卷品讀！
——唐建 蒙特利爾大學(xué)深度學(xué)習(xí)算法中心助理教授
TensorFlow 實(shí)戰(zhàn)Google深度學(xué)習(xí)框架(第2版) 作者簡(jiǎn)介
鄭澤宇，2011年獲北京大學(xué)計(jì)算機(jī)學(xué)士學(xué)位，2013年獲卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)碩士學(xué)位，前谷歌高級(jí)工程師，現(xiàn)為才云科技(Caicloud.io)聯(lián)合創(chuàng)始人、首席大數(shù)據(jù)科學(xué)家。針對(duì)分布式TensorFlow上手難、管理難、監(jiān)控難、上線難等問題，帶領(lǐng)團(tuán)隊(duì)成功開發(fā)國(guó)內(nèi)首個(gè)成熟的分布式TensorFlow深度學(xué)習(xí)平臺(tái)，在機(jī)器學(xué)習(xí)、人工智能領(lǐng)域有著豐富的經(jīng)驗(yàn)。梁博文，谷歌工程師。2011年獲北京大學(xué)計(jì)算機(jī)學(xué)士學(xué)位，2013年獲哥倫比亞大學(xué)計(jì)算機(jī)碩士學(xué)位，同年加入谷歌翻譯組，參與并領(lǐng)導(dǎo)了多個(gè)項(xiàng)目，負(fù)責(zé)了3個(gè)語(yǔ)言的翻譯模型的研發(fā)工作，在自然語(yǔ)言處理方面有豐富經(jīng)驗(yàn)，在統(tǒng)計(jì)翻譯模型、神經(jīng)網(wǎng)絡(luò)翻譯模型、語(yǔ)料數(shù)據(jù)清洗等方面均有深入研究。
書友推薦
- >
【精裝繪本】畫給孩子的中國(guó)神話
- >
莉莉和章魚
- >
上帝之肋:男人的真實(shí)旅程
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
唐代進(jìn)士錄
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
我從未如此眷戀人間
- >
李白與唐代文化
本類暢銷
