TensorFlow：实战Google深度学习框架（第2版） - (EPUB全文下载)

文件大小：0.42 mb。
文件格式：epub 格式。
书籍内容：

TensorFlow：实战Google深度学习框架（第2版）
第1章 深度学习简介
第2章 TensorFlow环境搭建
第3章 TensorFlow入门
第4章 深层神经网络
第5章 MNIST数字识别问题
第6章 图像识别与卷积神经网络
第7章 图像数据处理
第8章 循环神经网络
第9章 自然语言处理
第10章 TensorFlow高层封装
第11章 TensorBoard可视化
第12章 TensorFlow计算加速
第1章 深度学习简介
在人工智能的普及和推广上，AlphaGo系列做出了巨大贡献。从2016年年初AlphaGo战胜李世石，到2016年年底Master取得60连胜，再到最近AlphaGo Zero诞生，人工智能这个概念被推上了历史的新高度。谷歌（Google）、脸书（Facebook）、百度、阿里巴巴等一系列国内外大公司纷纷对外公开宣布了人工智能将作为他们下一个战略重心。在类似AlphaGo、无人驾驶汽车等最新技术的背后，深度学习是推动这些技术发展的核心力量。“深度学习”是本书的核心概念。通过阅读本章，读者将从多个角度了解这一概念。人工智能、机器学习与深度学习这几个关键词时常出现在媒体新闻中，并错误地被认为是等同的概念。1.1节将介绍人工智能、机器学习以及深度学习的概念，并着重解析它们之间的关系。这一节将从不同领域需要解决的问题入手，依次介绍这些领域的基本概念以及解决领域内问题的主要思路。在介绍完深度学习的基本概念之后，1.2节将完整地介绍深度学习发展史。虽然“深度学习”这个名词是在最近几年才提出来的，但深度学习基于的神经网络算法却早在20世纪40年代就出现了。这一节将会介绍神经网络发展过程中的重大事件，并介绍深度学习研究领域的发展历程。
接着，1.3节将从计算机视觉、语音识别、自然语言处理和人机博弈4个不同的方向介绍目前深度学习的应用。从2012年深度学习被成功应用于图像识别上以来，研究人员一直在扩展它的应用范围和影响力。这一节既会介绍在不同方向上深度学习在学术界取得的成就，也会介绍工业界成功应用深度学习的案例。最后，1.4节将引出本书的重点——TensorFlow。TensorFlow是谷歌开源的一个计算框架，该计算框架可以很好地实现各种深度学习算法。这一节将简单介绍TensorFlow的特性以及它目前的应用场景。也将对比不同的开源深度学习工具，并通过具体的数字来说明TensorFlow相比其他工具的优势以及作者将TensorFlow作为本书介绍对象的原因。
1.1 人工智能、机器学习与深度学习[1]
从计算机发明之初，人们就希望它能够帮助甚至代替人类完成重复性劳作。利用巨大的存储空间和超高的运算速度，计算机已经可以非常轻易地完成一些对于人类非常困难，但对计算机相对简单的问题。比如，统计一本书中不同单词出现的次数，存储一座图书馆中所有的藏书，或是计算非常复杂的数学公式，都可以轻松通过计算机解决。然而，一些人类通过直觉可以很快解决的问题，目前却很难通过计算机解决。这些问题包括自然语言理解、图像识别、语音识别等。而它们就是人工智能需要解决的问题。
计算机要像人类一样完成更多智能的工作，需要掌握关于这个世界海量的知识。比如要实现汽车自动驾驶，计算机至少需要能够判断哪里是路，哪里是障碍物。这个对人类非常直观的东西，对计算机却是相当困难的。路有水泥的、沥青的，也有石子的甚至土路。这些不同材质铺成的路在计算机看来差距非常大。如何让计算机掌握这些人类看起来非常直观的常识，对于人工智能的发展是一个巨大的挑战。很多早期的人工智能系统只能成功应用于相对特定的环境（specific domain），在这些特定环境下，计算机需要了解的知识很容易被严格并且完整地定义。例如，IBM的深蓝（Deep Blue）在1997年打败了国际象棋冠军卡斯帕罗夫。设计出下象棋软件是人工智能史上的重大成就，但其主要挑战不在于让计算机掌握国际象棋中的规则。国际象棋是一个特定的环境，在这个环境中，计算机只需要了解每一颗棋子规定的行动范围和行动方法即可。虽然计算机早在1997年就可以击败国际象棋的世界冠军，但是直到20年后的今天，让计算机实现大部分成年人都可以完成的汽车驾驶却依旧十分困难。
为了使计算机掌握更多开放环境（open domain）下的知识，研究人员进行了很多尝试。其中一个影响力非常大的领域是知识图库（Ontology[2]）。WordNet是在开放环境中建立的一个较大且有影响力的知识图库。WordNet是由普林斯顿大学（Princeton University）的George Armitage Miller教授和Christiane Fellbaum教授带领开发的，它将155 287个单词整理为117 659个近义词集（synsets）。基于这些近义词集，WordNet进一步定义了近义词集之间的关系。比如同义词集“狗”属于同义词集“犬科动物”，它们之间存在种属关系（hypernyms/hyponyms）。[3]除了WordNet，也有不少研究人员尝试将Wikipedia中的知识整理成知识图库。谷歌的知识图库中包含大量来自于Wikipedia的信息。
虽然使用知识图库可以让计算机很好地掌握人工定义的知识，但建立知识图库一方面需要花费大量的人力物力，另一方面可以通过知识图库方式明确定义的知识有限，不是所有的知识都可以明确地定义成计算机可以理解的固定格式。很大一部分无法明确定义的知识，就是人类的经验。比如我们需要判断一封邮件是否为垃圾邮件，会综合考虑邮件发出的地址、邮件的标题、邮件的内容以及邮件收件人的长度，等等。这是收到无数垃圾邮件骚扰之后总结出来的经验。这个经验很难以固定的方式表达出来，而且不同人对垃圾邮件的判断也会不一样。如何让计算机可以和人类一样从历史的经验中获取新的知识呢？这就是机器学习需要解决的问题。
卡内基梅隆大学（Carnegie Mellon University）的Tom Michael Mitchel ............

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。