TensorFlow学习指南：深度学习系统构建详解 - (EPUB全文下载)

文件大小：0.53 mb。
文件格式：epub 格式。
书籍内容：

TensorFlow学习指南：深度学习系统构建详解
第1章 引言
1.1 走入深度学习
1.2 TensorFlow：名字中的含义
1.3 高层次概览
1.4 本章总结
第2章 随之“流”动：启动与运行TensorFlow
2.1 安装TensorFlow
2.2 Hello World
2.3 MNIST
2.4 softmax回归
2.5 本章总结
第3章 理解TensorFlow基础知识
3.1 计算图
3.2 图、会话和提取数据
3.3 流动的张量
3.4 变量、占位符和简单的优化
3.5 本章总结
第4章 卷积神经网络
4.1 卷积神经网络简介
4.2 MNIST：第二轮
4.3 CIFAR10
4.4 本章总结
第5章 文本I：文本及序列的处理，以及TensorBoard可视化
5.1 序列数据的重要性
5.2 循环神经网络简介
5.3 处理RNN的文本序列
5.4 本章总结
第6章 文本II：词向量、高级RNN和词嵌入可视化
6.1 词嵌入介绍
6.2 word2vec
6.3 预训练词嵌入，高级RNN
6.4 本章总结
第7章 TensorFlow抽象与简化
7.1 本章概述
7.2 contrib.learn
7.3 TFLearn
7.4 本章总结
第8章 队列、线程和数据读取
8.1 输入管道
8.2 TFRecord
8.3 队列
8.4 完全多线程的输入管道
8.5 本章总结
第9章 分布式TensorFlow
9.1 分布式计算
9.2 TensorFlow元素
9.3 分布式示例
9.4 本章总结
第10章 用TensorFlow导出和提供服务模型
10.1 保存和导出模型
10.2 TensorFlow Serving简介
10.3 本章总结
附录A 模型构建和使用TensorFlow Serving的建议
第1章　引言
本章给出TensorFlow的粗略概览和主要用途：实现和部署深度学习系统。我们简单介绍深度学习，然后引出TensorFlow，展示其构建机器智能方面极其令人兴奋的用途，最后讲解关键特性和性质。
1.1　走入深度学习
从大型公司到小的初创公司，工程师和数据科学家们都在收集大量数据，使用机器学习算法来解决复杂问题和构建智能系统。不过在这样的大环境中，与深度学习相关的一类算法如今取得了巨大成功，将传统方法抛在身后。深度学习用于理解从移动应用到智能汽车系统中的图像、自然语言和语音等内容。这个领域的发展极其迅速，而深度学习也被扩展到了其他领域和数据上，比如用于药物发现复杂的化学和基因结构以及在医疗健康领域中的高维度医疗记录。
深度学习方法（也称为深度神经网络）最初是受人类大脑中巨大的由神经元相连的网络启发产生的。在深度学习中，我们将数以百万计的数据实例馈入神经元网络，教它们从原始输入中识别模式。深度神经网络接受原始输入（如图像的像素值）并将它们转变成有用的表示，抽取更高层的特征（比如图像中的形状和边），这些特征通过组合更小的信息刻画复杂概念来解决诸如图像分类的挑战性问题（见图1-1）。网络能够自动地通过适应和纠正，拟合数据中观测到的模式，来学会构建抽象表示。这种自动构建数据表示的能力是深度神经网络相较于传统机器学习的关键优势，这通常需要领域专家和人工特征工程才可以进行“学习”。
图1-1：使用深度神经网络进行图像分类的图示。这个网络接受原始输入（图像的像素值）并学会转换这些输入成为有用的表示，从而进行准确的图像分类
本书是关于Google推出的深度学习框架—TensorFlow。深度学习算法多年来一直被Google用于很多产品和领域，比如搜索、翻译、广告、计算机视觉和语音识别。TensorFlow实际上是Google实现和部署深度神经网络的第二代系统，前一代是从2011年开始的DistBelief项目。
TensorFlow在2015年11月遵循Apache 2.0许可释出为开源框架，一经发布就如飓风般席卷工业界，影响远超Google内部的项目。TensorFlow的可扩展性和灵活性，再加上对其持续维护及开发的Google工程师的高超技能，已经让TensorFlow成为进行深度学习工作的系统领袖。
1.1.1　将TensorFlow用于人工智能系统
在更加深入探讨TensorFlow是什么以及它的关键特性前，我们将简要给出一些令人兴奋的关于TensorFlow在Google及其他地方的最前沿的真实应用中如何使用的例子。
预训练模型：最佳计算机视觉技术
深度学习最为成功的领域就是计算机视觉。在计算机视觉领域中一个基本任务是图像分类—构建算法和系统，以图像为输入，最终返回一个描述图像中的物体分类的集合。科研工作者、数据科学家和工程师已经设计了高级深度神经网络，在理解视觉内容任务上能够获得非常高的准确度结果。这些深度网络一般都是在大量图像数据上进行训练的，花费大量时间、资源和工作。然而，一种越来越明显的趋势是，科研工作者会公开释出预训练的模型—已经训练过的深度神经网络，用户就可以下载后用在自己的数据上（见图1-2）。
图1-2：使用预训练的TensorFlow模型完成高级计算机视觉任务
TensorFlow自带有用的工具可以让用户获取和应用最新的预训练模型。我们会看到一些实践案例，并贯穿本书深入到细节中去。
生成图像的丰富自然语言描述
一个非常有意思的深度学习研究是构建机器智能系统对视觉内容生成自然语言描述（见图1-3）。关键任务则是图像描述—教会模型输出简洁且准确的图像描述。当然这个领域也有预训练过的组合自然语言理解和计算机视觉的TensorFlow模型。
文本总结
自然语言理解（Natural Language Understanding，NLU）是构建人工智能系统的关键能力。每天都会产生大量文本数据：网页内容、社交媒体、新闻、邮件和内部通信等。最渴望的能力之一就是总结文本，以长文本为输入，生成简洁且连贯的语句，从原始文本中抽取关键信息（见图1-4）。之后在书中会讲解T ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。