书籍详情
简明的TensorFlow 2（全彩印刷）
作者：李锡涵，李卓桓，朱金鹏 著
出版社：人民邮电出版社
出版时间：2020-09-01
ISBN：9787115546685
定价：¥99.00
购买这本书可以去
内容简介
本书围绕 TensorFlow 2 的概念和功能展开介绍，旨在以“即时执行”视角帮助读者快速入门 TensorFlow。本书共分5篇：基础篇首先介绍了 TensorFlow的安装配置和基本概念，然后以深度学习中常用的卷积神经网络、循环神经网络等网络结构为例，介绍了使用 TensorFlow建立和训练模型的方式，最后介绍了 TensorFlow中常用模块的使用方法；部署篇介绍了在服务器、嵌入式设备和浏览器等平台部署 TensorFlow模型的方法；大规模训练篇介绍了在 TensorFlow中进行分布式训练和使用 TPU 训练的方法；扩展篇介绍了多种 TensorFlow 生态系统内的常用及前沿工具；高级篇则为进阶开发者介绍了 TensorFlow程序开发的更多深入细节及技巧。
作者简介
李锡涵，谷歌开发者专家（机器学习领域），北京大学信息科学技术学院智能科学系理学硕士，本科毕业于浙江大学竺可桢学院混合班。曾获全国青少年信息学奥林匹克联赛一等奖，美国大学生数学建模竞赛特等奖。曾在多智能体会议AAMAS和自然语言处理会议COLING上发表学术论文。现研究方向为强化学习在优化领域的实际应用，即将赴伦敦大学学院攻读计算机博士学位。开源在线入门手册《简单粗暴TensorFlow 2》作者。本书封面插图作者。李卓桓，谷歌开发者专家（机器学习领域）。清华大学本科，中欧国际工商学院EMBA，北京邮电大学计算机博士在读。现任PreAngel合伙人，Plug and Play Ventures Partner，关注种子期AI创业项目。zixia BBS、叽歪网创始人，曾任优酷网首席科学家、水木清华BBS站长、ChinaRen系统工程师。拥有丰富的互联网创业投资和编程经验，著有《Linux网络编程》《反垃圾邮件完全手册》《智能问答与深度学习》《Chatbot从0到1：对话式交互设计实践指南》等技术书。GitHub 8000+ Star 开源项目 Wechaty 作者。朱金鹏，华为高级软件工程师，前谷歌开发者专家（机器学习领域），从事Android系统和运行时设计开发9年，在Android系统、运行时、机器学习等领域都有较深入的研究和探索。积极参与谷歌技术社区活动并进行技术分享。欢迎关注作者的微信公众号deepinthinking。
目录
目 录
第0 章 TensorFlow 概述 1
基 础 篇
第 1 章 TensorFlow 的安装与环境配置 4
1．1 一般安装步骤 4
1．2 GPU 版本 TensorFlow 安装指南 6
1．2．1 GPU 硬件的准备 6
1．2．2 NVIDIA 驱动程序的安装 6
1．2．3 CUDA Toolkit 和 cuDNN 的安装 8
1．3 第 一个程序 8
1．4 IDE 设置 9
1．5* TensorFlow 所需的硬件配置 10
第 2 章 TensorFlow 基础 12
2．1 TensorFlow 1+1 12
2．2 自动求导机制 14
2．3 基础示例：线性回归 15
2．3．1 NumPy 下的线性回归 16
2．3．2 TensorFlow 下的线性回归 17
第 3 章 TensorFlow 模型建立与训练 19
3．1 模型与层 19
3．2 基础示例：多层感知器（MLP） 22
3．2．1 数据获取及预处理：tf．keras．datasets 23
3．2．2 模型的构建：tf．keras．Model 和 tf．keras．layers 24
3．2．3 模型的训练：tf．keras．losses 和 tf．keras．optimizer 25
3．2．4 模型的评估：tf．keras．metrics 26
3．3 卷积神经网络（CNN） 28
3．3．1 使用 Keras 实现卷积神经网络 29
3．3．2 使用 Keras 中预定义的经典卷积神经网络结构 30
3．4 循环神经网络（RNN） 35
3．5 深度强化学习（DRL） 40
3．6* Keras Pipeline 43
3．6．1 Keras Sequential/Functional API 模式建立模 44
3．6．2 使用 Keras Model 的 compile、fit 和 evaluate 方法训练和评估模型 44
3．7* 自定义层、损失函数和评估指标 45
3．7．1 自定义层 45
3．7．2 自定义损失函数和评估指标 46
第 4 章 TensorFlow 常用模块 48
4．1 tf．train．Checkpoint：变量的保存与恢复 48
4．2 TensorBoard：训练过程可视化 52
4．2．1 实时查看参数变化情况 52
4．2．2 查看 Graph 和 Profile 信息 53
4．2．3 实例：查看多层感知器模型的训练情况 55
4．3 tf．data：数据集的构建与预处理 55
4．3．1 数据集对象的建立 55
4．3．2 数据集对象的预处理 57
4．3．3 使用 tf．data 的并行化策略提高训练流程效率 60
4．3．4 数据集元素的获取与使用 61
4．3．5 实例：cats_vs_dogs 图像分类 62
4．4 TFRecord：TensorFlow 数据集存储格式 64
4．4．1 将数据集存储为 TFRecord 文件 65
4．4．2 读取 TFRecord 文件 66
4．5* @tf．function：图执行模式 68
4．5．1 @tf．function 基础使用方法 68
4．5．2 @tf．function 内在机制 69
4．5．3 AutoGraph：将 Python 控制流转换为 TensorFlow 计算图 72
4．5．4 使用传统的 tf．Session 73
4．6* tf．TensorArray：TensorFlow 动态数组 74
4．7* tf．config：GPU 的使用与分配 75
4．7．1 指定当前程序使用的 GPU 75
4．7．2 设置显存使用策略 76
4．7．3 单 GPU 模拟多 GPU 环境 77
部 署 篇
第 5 章 TensorFlow 模型导出 80
5．1 使用 SavedModel 完整导出模型 80
5．2 Keras 自有的模型导出格式 82
第 6 章 TensorFlow Serving 84
6．1 TensorFlow Serving 安装 84
6．2 TensorFlow Serving 模型部署 85
6．2．1 Keras Sequential 模式模型的部署 86
6．2．2 自定义 Keras 模型的部署 86
6．3 在客户端调用以 TensorFlow Serving 部署的模型 87
6．3．1 Python 客户端示例 87
6．3．2 Node．js 客户端示例（Ziyang） 88
第 7 章 TensorFlow Lite 91
7．1 模型转换 91
7．2 Android 部署 92
7．3 Quantized 模型转换 96
7．4 总结 100
第 8 章 TensorFlow．js 101
8．1 TensorFlow．js 环境配置 102
8．1．1 在浏览器中使用 TensorFlow．js 102
8．1．2 在 Node．js 中使用 TensorFlow．js 103
8．1．3 在微信小程序中使用 TensorFlow．js 104
8．2 ensorFlow．js 模型部署 105
8．2．1 在浏览器中加载 Python 模型 105
8．2．2 在 Node．js 中执行原生 SavedModel 模型 106
8．2．3 使用 TensorFlow．js 模型库 107
8．2．4 在浏览器中使用 MobileNet 进行摄像头物体识别 107
8．3* TensorFlow．js 模型训练与性能对比 110
大规模训练篇
第 9 章 TensorFlow 分布式训练 116
9．1 单机多卡训练：MirroredStrategy 116
9．2 多机训练：MultiWorkerMirrored-Strategy 118
第 10 章 使用 TPU 训练 TensorFlow 模型 120
10．1 TPU 简介 120
10．2 TPU 环境配置 122
10．3 TPU 基本用法 123
扩 展 篇
第 11 章 TensorFlow Hub 模型复用 126
11．1 TF Hub 网站 126
11．2 TF Hub 安装与复用 127
11．3 TF Hub 模型二次训练样例 130
第 12 章 TensorFlow Datasets 数据集载入 131
第 13 章 Swift for TensorFlow 133
13．1 S4TF 环境配置 133
13．2 S4TF 基础使用 134
13．2．1 在 Swift 中使用标准的 TensorFlow API 135
13．2．2 在 Swift 中直接加载 Python 语言库 136
13．2．3 语言原生支持自动微分 136
13．2．4 MNIST 数字分类 137
第 14 章* TensorFlow Quantum： 混合量子 - 经典机器学习 140
14．1 量子计算基本概念 141
14．1．1 量子位 141
14．1．2 量子逻辑门 142
14．1．3 量子线路 143
14．1．4 实例：使用 Cirq 建立简单的量子线路 144
14．2 混合量子 - 经典机器学习 144
14．2．1 量子数据集与带参数的量子门 145
14．2．2 参数化的量子线路（PQC） 146
14．2．3 将参数化的量子线路嵌入机器学习模型 146
14．2．4 实例：对量子数据集进行二分类 147
高 级 篇
第 15 章 图执行模式下的 TensorFlow 2 150
15．1 TensorFlow 1+1 150
15．1．1 使用计算图进行基本运算 150
15．1．2 计算图中的占位符与数据输入 152
15．1．3 计算图中的变量 153
15．2 自动求导机制与优化器 156
15．2．1 自动求导机制 156
15．2．2 优化器 157
15．2．3* 自动求导机制的计算图对比 158
15．3 基础示例：线性回归 161
15．3．1 自动求导机制 162
15．3．2 优化器 162
第 16 章 tf．GradientTape 详解 164
16．1 基本使用 164
16．2 监视机制 165
16．3 高阶求导 166
16．4 持久保持记录与多次求导 166
16．5 图执行模式 167
16．6 性能优化 167
16．7 实例：对神经网络的各层变量独立求导 167
第 17 章 TensorFlow 性能优化 169
17．1 关于计算性能的若干重要事实 169
17．2 模型开发：拥抱张量运算 170
17．3 模型训练：数据预处理和预载入 171
17．4 模型类型与加速潜力的关系 171
17．5 使用针对特定 CPU 指令集优化的 TensorFlow 172
17．6 性能优化策略 172
第 18 章 Android 端侧 Arbitrary Style Transfer 模型部署 173
18．1 Arbitrary Style Transfer 模型解析 174
18．1．1 输入输出 174
18．1．2 bottleneck 数组 174
18．2 Arbitrary Style Transfer 模型部署 175
18．2．1 gradle 设置 175
18．2．2 style predict 模型部署 175
18．2．3 transform 模型部署 178
18．2．4 效果 180
18．3 总结 182
附录 A 强化学习简介 183
附录 B 使用 Docker 部署 TensorFlow 环境 197
附录 C 在云端使用 TensorFlow 200
附录 D 部署自己的交互式 Python 开发环境 JupyterLab 211
附录 E 参考资料与推荐阅读 214
附录 F 术语中英对照 216
第0 章 TensorFlow 概述 1
基 础 篇
第 1 章 TensorFlow 的安装与环境配置 4
1．1 一般安装步骤 4
1．2 GPU 版本 TensorFlow 安装指南 6
1．2．1 GPU 硬件的准备 6
1．2．2 NVIDIA 驱动程序的安装 6
1．2．3 CUDA Toolkit 和 cuDNN 的安装 8
1．3 第 一个程序 8
1．4 IDE 设置 9
1．5* TensorFlow 所需的硬件配置 10
第 2 章 TensorFlow 基础 12
2．1 TensorFlow 1+1 12
2．2 自动求导机制 14
2．3 基础示例：线性回归 15
2．3．1 NumPy 下的线性回归 16
2．3．2 TensorFlow 下的线性回归 17
第 3 章 TensorFlow 模型建立与训练 19
3．1 模型与层 19
3．2 基础示例：多层感知器（MLP） 22
3．2．1 数据获取及预处理：tf．keras．datasets 23
3．2．2 模型的构建：tf．keras．Model 和 tf．keras．layers 24
3．2．3 模型的训练：tf．keras．losses 和 tf．keras．optimizer 25
3．2．4 模型的评估：tf．keras．metrics 26
3．3 卷积神经网络（CNN） 28
3．3．1 使用 Keras 实现卷积神经网络 29
3．3．2 使用 Keras 中预定义的经典卷积神经网络结构 30
3．4 循环神经网络（RNN） 35
3．5 深度强化学习（DRL） 40
3．6* Keras Pipeline 43
3．6．1 Keras Sequential/Functional API 模式建立模 44
3．6．2 使用 Keras Model 的 compile、fit 和 evaluate 方法训练和评估模型 44
3．7* 自定义层、损失函数和评估指标 45
3．7．1 自定义层 45
3．7．2 自定义损失函数和评估指标 46
第 4 章 TensorFlow 常用模块 48
4．1 tf．train．Checkpoint：变量的保存与恢复 48
4．2 TensorBoard：训练过程可视化 52
4．2．1 实时查看参数变化情况 52
4．2．2 查看 Graph 和 Profile 信息 53
4．2．3 实例：查看多层感知器模型的训练情况 55
4．3 tf．data：数据集的构建与预处理 55
4．3．1 数据集对象的建立 55
4．3．2 数据集对象的预处理 57
4．3．3 使用 tf．data 的并行化策略提高训练流程效率 60
4．3．4 数据集元素的获取与使用 61
4．3．5 实例：cats_vs_dogs 图像分类 62
4．4 TFRecord：TensorFlow 数据集存储格式 64
4．4．1 将数据集存储为 TFRecord 文件 65
4．4．2 读取 TFRecord 文件 66
4．5* @tf．function：图执行模式 68
4．5．1 @tf．function 基础使用方法 68
4．5．2 @tf．function 内在机制 69
4．5．3 AutoGraph：将 Python 控制流转换为 TensorFlow 计算图 72
4．5．4 使用传统的 tf．Session 73
4．6* tf．TensorArray：TensorFlow 动态数组 74
4．7* tf．config：GPU 的使用与分配 75
4．7．1 指定当前程序使用的 GPU 75
4．7．2 设置显存使用策略 76
4．7．3 单 GPU 模拟多 GPU 环境 77
部 署 篇
第 5 章 TensorFlow 模型导出 80
5．1 使用 SavedModel 完整导出模型 80
5．2 Keras 自有的模型导出格式 82
第 6 章 TensorFlow Serving 84
6．1 TensorFlow Serving 安装 84
6．2 TensorFlow Serving 模型部署 85
6．2．1 Keras Sequential 模式模型的部署 86
6．2．2 自定义 Keras 模型的部署 86
6．3 在客户端调用以 TensorFlow Serving 部署的模型 87
6．3．1 Python 客户端示例 87
6．3．2 Node．js 客户端示例（Ziyang） 88
第 7 章 TensorFlow Lite 91
7．1 模型转换 91
7．2 Android 部署 92
7．3 Quantized 模型转换 96
7．4 总结 100
第 8 章 TensorFlow．js 101
8．1 TensorFlow．js 环境配置 102
8．1．1 在浏览器中使用 TensorFlow．js 102
8．1．2 在 Node．js 中使用 TensorFlow．js 103
8．1．3 在微信小程序中使用 TensorFlow．js 104
8．2 ensorFlow．js 模型部署 105
8．2．1 在浏览器中加载 Python 模型 105
8．2．2 在 Node．js 中执行原生 SavedModel 模型 106
8．2．3 使用 TensorFlow．js 模型库 107
8．2．4 在浏览器中使用 MobileNet 进行摄像头物体识别 107
8．3* TensorFlow．js 模型训练与性能对比 110
大规模训练篇
第 9 章 TensorFlow 分布式训练 116
9．1 单机多卡训练：MirroredStrategy 116
9．2 多机训练：MultiWorkerMirrored-Strategy 118
第 10 章 使用 TPU 训练 TensorFlow 模型 120
10．1 TPU 简介 120
10．2 TPU 环境配置 122
10．3 TPU 基本用法 123
扩 展 篇
第 11 章 TensorFlow Hub 模型复用 126
11．1 TF Hub 网站 126
11．2 TF Hub 安装与复用 127
11．3 TF Hub 模型二次训练样例 130
第 12 章 TensorFlow Datasets 数据集载入 131
第 13 章 Swift for TensorFlow 133
13．1 S4TF 环境配置 133
13．2 S4TF 基础使用 134
13．2．1 在 Swift 中使用标准的 TensorFlow API 135
13．2．2 在 Swift 中直接加载 Python 语言库 136
13．2．3 语言原生支持自动微分 136
13．2．4 MNIST 数字分类 137
第 14 章* TensorFlow Quantum： 混合量子 - 经典机器学习 140
14．1 量子计算基本概念 141
14．1．1 量子位 141
14．1．2 量子逻辑门 142
14．1．3 量子线路 143
14．1．4 实例：使用 Cirq 建立简单的量子线路 144
14．2 混合量子 - 经典机器学习 144
14．2．1 量子数据集与带参数的量子门 145
14．2．2 参数化的量子线路（PQC） 146
14．2．3 将参数化的量子线路嵌入机器学习模型 146
14．2．4 实例：对量子数据集进行二分类 147
高 级 篇
第 15 章 图执行模式下的 TensorFlow 2 150
15．1 TensorFlow 1+1 150
15．1．1 使用计算图进行基本运算 150
15．1．2 计算图中的占位符与数据输入 152
15．1．3 计算图中的变量 153
15．2 自动求导机制与优化器 156
15．2．1 自动求导机制 156
15．2．2 优化器 157
15．2．3* 自动求导机制的计算图对比 158
15．3 基础示例：线性回归 161
15．3．1 自动求导机制 162
15．3．2 优化器 162
第 16 章 tf．GradientTape 详解 164
16．1 基本使用 164
16．2 监视机制 165
16．3 高阶求导 166
16．4 持久保持记录与多次求导 166
16．5 图执行模式 167
16．6 性能优化 167
16．7 实例：对神经网络的各层变量独立求导 167
第 17 章 TensorFlow 性能优化 169
17．1 关于计算性能的若干重要事实 169
17．2 模型开发：拥抱张量运算 170
17．3 模型训练：数据预处理和预载入 171
17．4 模型类型与加速潜力的关系 171
17．5 使用针对特定 CPU 指令集优化的 TensorFlow 172
17．6 性能优化策略 172
第 18 章 Android 端侧 Arbitrary Style Transfer 模型部署 173
18．1 Arbitrary Style Transfer 模型解析 174
18．1．1 输入输出 174
18．1．2 bottleneck 数组 174
18．2 Arbitrary Style Transfer 模型部署 175
18．2．1 gradle 设置 175
18．2．2 style predict 模型部署 175
18．2．3 transform 模型部署 178
18．2．4 效果 180
18．3 总结 182
附录 A 强化学习简介 183
附录 B 使用 Docker 部署 TensorFlow 环境 197
附录 C 在云端使用 TensorFlow 200
附录 D 部署自己的交互式 Python 开发环境 JupyterLab 211
附录 E 参考资料与推荐阅读 214
附录 F 术语中英对照 216
猜您喜欢
