TensorFlow从零开始学

作　者：	侯伦青
出版社：	电子工业出版社
丛编项：
版权说明：	本书为出版图书，暂不支持在线阅读，请支持正版图书
标　签：	暂缺

ISBN	出版时间	包装	开本	页数	字数
未知	暂无	暂无	未知	0	暂无

作者简介

　　侯伦青，目前从事人机对话相关的工作。热衷于自然语言处理、机器学习以及深度强化学习相关的研究。王飞，TensorflowNews 和PytorchChina 社区创始人。目前从事自然语言处理相关的基础算法研究，主要是中文分词，文本分类，数据挖掘。邓昕，“磐创科技”创始人，主攻深度学习与自然语言处理方向。史周安，人工智能技术爱好者、实践者与探索者。目前从事弱监督学习、迁移学习与医学图像相关工作。

内容简介

本书是一本阅读起来特别轻松、学习一点都不费劲的TensorFlow入门书。本书基于TensorFlow 2.0版本，从机器学习和TensorFlow的基础开始，针对初学者只选择实际应用中的必需*小知识量，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂且快速有效的阐述，其中包括了很多具体的TensorFlow示例，*后一章的项目实战能够教会初学者使用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。本书适合初学TensorFlow，并且深度学习的理论和实践基础较为薄弱的读者群体，也适合希望了解深度学习的大数据平台工程师，以及对人智能、深度学习感兴趣的计算机相关从业人员及在校学生等阅读，特别适合作为高等院校计算机或人工智能专业师生的参考教材。

图书目录

第 1 章机器学习基础 / 1

1.1 人工智能：是机遇也是挑战 / 2

1.2 机器学习 / 2

1.2.1 什么是机器学习 / 2

1.2.2 用机器学习解决问题的一般流程 / 4

1.2.3 数据预处理 / 6

1.2.4 特征工程 / 7

1.2.5 模型的评估和选择 / 10

1.3 深度学习的发展历程及应用 / 16

1.3.1 深度学习的发展历程 / 16

1.3.2 深度学习的应用 / 18

1.4 本章练习 / 20

第 2 章 TensorFlow 基础 / 21

2.1 TensorFlow 2.0 简介 / 22

2.1.1 TensorFlow 的基本概念 / 22

2.1.2 从 1.x 到 2.0 的变化 / 25

2.1.3 TensorFlow 2.0 的架构 / 26

2.2 TensorFlow 2.0 的安装 / 27

2.3 TensorFlow 2.0 的使用 / 33

2.3.1 “tf.data”API / 33

2.3.2 “tf.keras”API / 40

2.4 使用 GPU 加速 / 47

2.4.1 安装配置 GPU 环境 / 47

2.4.2 使用 TensorFlow-GPU / 53

2.5 本章小结 / 55

第 3 章前馈神经网络 / 56

3.1 神经网络 / 57

3.1.1 感知器模型 / 57

3.1.2 多层神经网络 / 58

3.2 激活函数 / 61

3.2.1 Logistic 函数 / 61

3.2.2 Tanh 函数 / 61

3.2.3 ReLU 函数 / 62

3.3 损失函数和输出单元 / 63

3.3.1 损失函数的选择 / 63

3.3.2 输出单元的选择 / 64

3.4 小试牛刀：MNIST 手写数字识别 / 65

3.4.1 MNIST 数据集 / 66

3.4.2 数据处理 / 67

3.4.3 简单前馈神经网络的实现 / 70

3.5 本章小结 / 72

3.6 本章练习 / 72

第 4 章卷积神经网络 / 73

4.1 卷积神经网络的基本特征与基本结构 / 74

4.2 卷积层 / 76

4.2.1 什么是卷积 / 76

4.2.2 滑动步长和零填充 / 79

4.2.3 卷积层的基本结构 / 81

4.3 池化层 / 83

4.4 小试牛刀： CNN 实现图像分类 / 84

4.5 本章小结 / 92

4.6 本章练习 / 92

第 5 章循环神经网络 / 93

5.1 简单循环神经网络 / 94

5.1.1 循环神经网络的基本结构 / 95

5.1.2 循环神经网络的运算过程和参数更新 / 96

5.2 常用循环神经网络 / 100

5.2.1 多层循环神经网络 / 101

5.2.2 双向循环神经网络 / 101

5.2.3 TensorFlow 实现循环神经

网络 / 102

5.3 长期依赖问题及其优化 / 107

5.4 门控循环神经网络 / 110

5.4.1 长短期记忆网络 / 110

5.4.2 门控循环单元 / 114

5.4.3 TensorFlow 实现 LSTM 和 GRU / 115

5.5 循环神经网络的应用 / 116

5.5.1 文本分类 / 116

5.5.2 序列标注 / 117

5.5.3 机器翻译 / 118

5.6 注意力模型 / 119

5.7 本章小结 / 121

5.8 本章练习 / 121

第 6 章深度强化学习 / 122

6.1 从 AlphaGo 看深度强化学习 / 123

6.2 强化学习基础知识 / 126

6.2.1 强化学习问题 / 126

6.2.2 马尔可夫决策过程 / 128

6.2.3 最优价值函数和贝尔曼方程 / 130

6.3 有模型的强化学习方法 / 131

6.3.1 价值迭代 / 132

6.3.2 策略迭代 / 132

6.4 无模型的强化学习方法 / 133

6.4.1 蒙特卡罗方法 / 133

6.4.2 时序差分学习 / 136

6.4.3 值函数近似 / 139

6.4.4 策略搜索 / 139

6.5 强化学习算法 / 141

6.5.1 Q-Learning 算法 / 141

6.5.2 Monte Carlo Policy Gradient算法 / 146

6.5.3 Actor-Critic 算法 / 150

6.6 深度强化学习算法 / 154

6.6.1 Deep Q-Networks（DQN） / 154

6.6.2 Deep Deterministic Policy

Gradient（DDPG） / 156

6.7 本章小结 / 157

6.8 本章练习 / 157

第 7 章项目实战 / 158

7.1 CNN 实战项目一：Chars74K / 158

7.2 CNN 实战项目二：CIFAR-10 / 166

7.3 RNN实战项目一：新闻文本分类 / 174

7.4 RNN 实战项目二：聊天机器人 / 180

7.5 DRL 实战项目：DQN / 189