编辑推荐
null
内容简介
TensorFlow是2015年年底开源的一套深度学习框架，是目前最活跃的深度学习框架。罗冬日著的《TensorFlow入门与实战》基于1.3版本，首先介绍了它的安装和基本用法，然后讨论了深度学习的基本概念，包括神经网络前向计算、损失函数、反向传播计算和优化函数等，接着介绍了卷积神经网络和循环神经网络，最后介绍了在大规模应用的场景下，如何实现分布式的深度学习训练。 本书适合深度学习的初学者学习和参考。
作者介绍
罗冬日，毕业于中科院研究生院；先后在百度，平安科技从事数据挖掘，机器学习，深度学习相关的领域的研究工作。
目 录
第1章 初识TensorFlow 1.1 TensorFlow特点 1.2 其他深度学习框架 1.2.1 Caffe 1.2.2 MXNet 1.2.3 Torch 1.2.4 Theano 1.2.5 CNTK 第2章 TensorFlow环境搭建 2.1 安装环境介绍 2.1.1 CUDA简介 2.1.2 cuDNN简介 2.1.3 查看机器的GPU信息 2.2 安装TensorFlow 2.2.1 安装pip 2.2.2 通过pip安装TensorFlow 2.2.3 源码编译安装TensorFlow 2.3 NVIDIA驱动安装 2.4 安装CUDA和cuDNN 2.4.1 Linux下安装CUDA 2.4.2 Linux下安装cuDNN 2.4.3 Windows和Mac系统下安装CUDA 2.4.4 Windows和Mac系统下安装cuDNN 2.5 安装测试 第3章 TensorFlow基础 3.1 基本概念 3.1.1 张量 3.1.2 图 3.1.3 操作 3.1.4 会话 3.2 变量 3.2.1 变量的初始化 3.2.2 变量的变形 3.2.3 数据类型和维度 3.2.4 共享变量和变量命名空间 3.3 模型的保存和载入 3.3.1 模型的保存 3.3.2 模型的载入 3.4 使用GPU 3.4.1 指定GPU设备 3.4.2 指定GPU显存占用 3.5 数据读取 3.5.1 使用placeholder填充方式读取数据 3.5.2 从文件读入数据的方式 3.5.3 预先读入内存的方式 3.6 利用TensorBoard进行数据可视化 3.6.1 在TensorBoard中查看图结构 3.6.2 训练过程中单一数据变化趋势 3.6.3 训练过程中数据分布可视化 3.6.4 其他使用技巧 第4章 深度神经网络基础 4.1 神经元 4.2 简单神经网络 4.3 深度神经网络 4.4 损失函数 4.5 梯度下降 4.6 反向传播 4.6.1 求导链式法则 4.6.2 反向传播算法思路 4.6.3 反向传播算法的计算过程 4.7 优化函数 4.7.1 随机梯度下降优化算法 4.7.2 基于冲量的优化算法 4.7.3 Adagrad优化算法 4.7.4 Adadelta优化算法 4.7.5 Adam优化算法 4.7.6 TensorFlow中的优化算法API 4.8 一个简单的例子 第5章 卷积神经网络 5.1 简介 5.2 什么是卷积 5.3 卷积神经网络基础 5.3.1 局部感知野 5.3.2 参数共享 5.3.3 多卷积核 5.3.4 池化 5.3.5 多层卷积 5.4 卷积神经网络的训练 5.4.1 池化层反向传播 5.4.2 卷积层反向传播 5.5 TensorFlow中的卷积神经网络 5.5.1 TensorFlow的卷积操作 5.5.2 TensorFlow的池化操作 5.6 用TensorFlow实现0和1数字识别 5.6.1 由图片生成TFRecord文件 5.6.2 构建卷积网络结构 5.6.3 训练过程 5.6.4 卷积过程数据的变化 5.7 几种经典的卷积神经网络 5.7.1 AlexNet 5.7.2 VGGNet 5.7.3 Inception Net 5.7.4 ResNet 第6章 循环神经网络 6.1 普通RNN 6.1.1 普通RNN结构 6.1.2 普通RNN的不足 6.2 LSTM单元 6.2.1 LSTM单元基本结构 6.2.2 增加peephole的LSTM单元 6.2.3 GRU单元 6.3 TensorFlow中的RNN 6.4 用LSTM+CTC实现语音识别 6.4.1 语音特征介绍 6.4.2 计算流程描述 6.4.3 TensorFlow实现 6.5 在NLP中的应用 6.5.1 语言模型 6.5.2 词向量 6.5.3 中文分词 6.6 小结 第7章 TensorFlow分布式 7.1 单机多GPU训练 7.2 多机多GPU分布式训练 7.2.1 参数服务器 7.2.2 in-graph和between-graph模式 7.2.3 同步更新和异步更新 7.2.4 异步更新分布式示例
媒体评论
null
