描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 是国际标准书号ISBN: 28515500
《机器学习实战：基于Scikit-Learn和TensorFlow》
本书作者曾经是谷歌工程师，在2013年至2016年主导了YouTube的视频分类工程，拥有丰富的机器学习项目经验。与同类书相比，本书的独特之处在于，从开发者的实践角度，通过具体的例子、较少的理论和两个产品级的Python框架——-Scikit-learn 和 Tensorflow，使你在动手写代码的过程中，就可以循序渐进地了解机器学习的理论知识和工具的实践技巧，快速上手机器学习项目。此外，每章都配有习题来帮助你应用学到的知识，你所需要的只是一点编程经验。
《深度学习实战》
本书是一本聚焦深度学习实际应用的开发指南。作者曾是Google的软件工程师，对深度学习研究及实践有着丰富的积累。本书记录了作者从实际工作中总结出来的很多开发技巧， 不仅涵盖与深度神经网络调试相关的通用技巧，包括排查错误、检查结果、选择激活函数、正则化和Dropout、设置训练参数等技巧，还通过实际例子介绍深度学习在文本处理、图像处理、音乐处理等方面的技巧，而且还从实际使用的角度阐述如何在生产系统中部署机器学习应用，非常适合开发实际应用的深度学习工程师阅读和参考。
《TensorFlow学习指南：深度学习系统构建详解》
面向广泛的技术受众（从数据科学家、工程师到学生和研究人员），本书介绍了TensorFlow的基本原理和实践方法。从TensorFlow中的一些基本示例开始，深入探讨诸如神经网络体系结构、TensorBoard可视化、TensorFlow抽象库和多线程输入管道等主题。阅读本书，你将习得如何使用TensorFlow构建和部署工业级深度学习系统。
通过阅读本书，你将：
? 轻松愉快地安装并运行TensorFlow。
? 学习如何使用TensorFlow从头开始构建深度学习模型。
? 训练流行的计算机视觉和NLP深度学习模型。
? 使用抽象库来使开发更容易和更快速。
? 学习如何扩展TensorFlow并使用集群分布式训练模型。
? 在生产环境中部署TensorFlow。
《机器学习实战：基于Scikit-Learn和TensorFlow》
本书主要分为两部分，*部分（第1~8章）涵盖机器学习的基础理论知识和基本算法，从线性回归到随机森林等，可以帮助你掌握Scikit-Learn的常用方法；第二部份（第9~16章）探讨深度学习和常用框架TensorFlow，手把手教你使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
《深度学习实战》
深度学习并没有那么可怕。直到*近，这项机器学习方法还要经过数年的学习才能掌握，但是有了如Keras和TensorFlow这样的框架后，没有机器学习背景的软件工程师也可以快速进入这个领域。通过本书中的技巧，你将学会解决深度学习在生成和分类文本、图像和音乐方面的问题。
本书每章包括完成独立项目所需的几个技巧，如训练一个音乐推荐系统。如果你陷入了困境，作者还在第2章提供了6个技巧来帮助你。本书中的例子用Python语言编写，代码在GitHub上以Python notebook集合的方式提供。
通过本书，你将学会：
■ 创建为真实用户服务的应用
■ 使用词嵌入计算文本的相似性
■ 基于维基百科链接建立电影推荐系统
■ 通过可视化的内部状态了解AI看待世界的原理
■ 建立一个为文本片段推荐表情符号的模型
■ 重用预训练的神经网络构建反向图像搜索服务
■ 比较GAN、自动编码器和LSTM如何生成图标
■ 检测音乐的风格并检索歌曲集
《TensorFlow学习指南：深度学习系统构建详解》
本书主要介绍如何使用 TensorFlow 框架进行深度学习系统的构建。从基础知识入手，将使用TensorFlow 的各种方式贯穿于整本书的讲解之中，并结合实际的深度学习任务展示终深度学习系统的效果。本书涉及卷积神经网络、循环神经网络等核心的技术，并介绍了用于图像数据和文本序列数据的模型。在后半部分，本书介绍了更加高级的使用 TensorFlow 的技巧，并给出了分布式深度学习系统在TensorFlow 下的构建过程以及如何将训练后的模型导出和部署的方法。通过学习本书，你将能够使用 TensorFlow 完成从简单到高级应用系统构建的技术。
本书适合计算机相关专业的学生、软件工程师、深度学习开发者、架构师、CTO 等技术人员阅读。
《机器学习实战：基于Scikit-Learn和TensorFlow》
前言1
第一部分 机器学习基础
第1章 机器学习概览11
什么是机器学习12
为什么要使用机器学习12
机器学习系统的种类15
监督式/无监督式学习16
批量学习和在线学习21
基于实例与基于模型的学习24
机器学习的主要挑战29
训练数据的数量不足29
训练数据不具代表性30
质量差的数据32
无关特征32
训练数据过度拟合33
训练数据拟合不足34
退后一步35
测试与验证35
练习37
第2章 端到端的机器学习项目39
使用真实数据39
观察大局40
框架问题41
选择性能指标42
检查假设45
获取数据45
创建工作区45
下载数据48
快速查看数据结构49
创建测试集52
从数据探索和可视化中获得洞见56
将地理数据可视化57
寻找相关性59
试验不同属性的组合61
机器学习算法的数据准备62
数据清理63
处理文本和分类属性65
自定义转换器67
特征缩放68
转换流水线68
选择和训练模型70
培训和评估训练集70
使用交叉验证来更好地进行评估72
微调模型74
网格搜索74
随机搜索76
集成方法76
分析最佳模型及其错误76
通过测试集评估系统77
启动、监控和维护系统78
试试看79
练习79
第3章 分类80
MNIST80
训练一个二元分类器82
性能考核83
使用交叉验证测量精度83
混淆矩阵84
精度和召回率86
精度/召回率权衡87
ROC曲线90
多类别分类器93
错误分析95
多标签分类98
多输出分类99
练习100
第4章 训练模型102
线性回归103
标准方程104
计算复杂度106
梯度下降107
批量梯度下降110
随机梯度下降112
小批量梯度下降114
多项式回归115
学习曲线117
正则线性模型121
岭回归121
套索回归123
弹性网络125
早期停止法126
逻辑回归127
概率估算127
训练和成本函数128
决策边界129
Softmax回归131
练习134
第5章 支持向量机136
线性SVM分类136
软间隔分类137
非线性SVM分类139
多项式核140
添加相似特征141
高斯RBF核函数142
计算复杂度143
SVM回归144
工作原理145
决策函数和预测146
训练目标146
二次规划148
对偶问题149
核化SVM149
在线SVM151
练习152
第6章 决策树154
决策树训练和可视化154
做出预测155
估算类别概率157
CART训练算法158
计算复杂度158
基尼不纯度还是信息熵159
正则化超参数159
回归161
不稳定性162
练习163
第7章 集成学习和随机森林165
投票分类器165
bagging和pasting168
Scikit-Learn的bagging和pasting169
包外评估170
Random Patches和随机子空间171
随机森林172
极端随机树173
特征重要性173
提升法174
AdaBoost175
梯度提升177
堆叠法181
练习184
第8章 降维185
维度的诅咒186
数据降维的主要方法187
投影187
流形学习189
PCA190
保留差异性190
主成分191
低维度投影192
使用Scikit-Learn192
方差解释率193
选择正确数量的维度193
PCA压缩194
增量PCA195
随机PCA195
核主成分分析196
选择核函数和调整超参数197
局部线性嵌入199
其他降维技巧200
练习201
第二部分 神经网络和深度学习
第9章 运行TensorFlow205
安装207
创建一个计算图并在会话中执行208
管理图209
节点值的生命周期210
TensorFlow中的线性回归211
实现梯度下降211
手工计算梯度212
使用自动微分212
使用优化器214
给训练算法提供数据214
保存和恢复模型215
用TensorBoard来可视化图和训练曲线216
命名作用域219
模块化220
共享变量222
练习225
第10章 人工神经网络简介227
从生物神经元到人工神经元227
生物神经元228
具有神经元的逻辑计算229
感知器230
多层感知器和反向传播233
用TensorFlow的高级API来训练MLP236
使用纯TensorFlow训练DNN237
构建阶段237
执行阶段240
使用神经网络241
微调神经网络的超参数242
隐藏层的个数242
每个隐藏层中的神经元数243
激活函数243
练习244
第11章 训练深度神经网络245
梯度消失/爆炸问题245
Xavier初始化和He初始化246
非饱和激活函数248
批量归一化250
梯度剪裁254
重用预训练图层255
重用TensorFlow模型255
重用其他框架的模型256
冻结低层257
缓存冻结层257
调整、丢弃或替换高层258
模型动物园258
无监督的预训练259
辅助任务中的预训练260
快速优化器261
Momentum优化261
Nesterov梯度加速262
AdaGrad263
RMSProp265
Adam优化265
学习速率调度267
通过正则化避免过度拟合269
提前停止269
1和2正则化269
dropout270
最大范数正则化273
数据扩充274
实用指南275
练习276
第12章 跨设备和服务器的分布式TensorFlow279
一台机器上的多个运算资源280
安装280
管理GPU RAM282
在设备上操作284
并行执行287
控制依赖288
多设备跨多服务器288
开启一个会话290
master和worker服务290
分配跨任务操作291
跨多参数服务器分片变量291
用资源容器跨会话共享状态292
使用TensorFlow队列进行异步通信294
直接从图中加载数据299
在TensorFlow集群上并行化神经网络305
一台设备一个神经网络305
图内与图间复制306
模型并行化308
数据并行化309
练习314
第13章 卷积神经网络315
视觉皮层的组织结构315
卷积层317
过滤器318
多个特征图的叠加319
TensorFlow实现321
内存需求323
池化层323
CNN架构325
LeNet-5326
AlexNet327
GoogLeNet328
ResNet331
练习334
第14章 循环神经网络337
循环神经元337
记忆单元339
输入和输出序列340
TensorFlow中的基本RNN341
通过时间静态展开342
通过时间动态展开344
处理长度可变输入序列344
处理长度可变输出序列345
训练RNN346
训练序列分类器346
训练预测时间序列348
创造性的RNN352
深层RNN353
在多个GPU中分配一个深层RNN354
应用丢弃机制355
多个时间迭代训练的难点356
LSTM单元357
窥视孔连接359
GRU单元359
自然语言处理361
单词嵌入361
用于机器翻译的编码器-解码器网络362
练习364
第15章 自动编码器366
高效的数据表示366
使用不完整的线性自动编码器实现PCA368
栈式自动编码器369
TensorFlow实现370
权重绑定371
一次训练一个自动编码器372
重建可视化374
特征可视化375
使用堆叠的自动编码器进行无监控的预训练376
去噪自动编码器377
TensorFlow 实现378
稀疏自动编码器379
TensorFlow 实现380
变分自动编码器381
生成数字384
其他自动编码器385
练习386
第16章 强化学习388
学习奖励最优化389
策略搜索390
OpenAI gym 介绍391
神经网络策略394
评估行为：信用分配问题396
策略梯度397
马尔可夫决策过程401
时间差分学习与Q学习405
探索策略406
逼近Q学习407
使用深度Q学习玩吃豆人游戏407
练习414
致谢415
附录A 练习答案416
附录B 机器学习项目清单438
附录C SVM对偶问题444
附录D 自动微分447
附录E 其他流行的ANN架构453
《深度学习实战》
前言1
第1章 工具与技术9
1.1 神经网络的类型9
1.2 数据获取19
1.3 数据预处理27
第2章 摆脱困境34
2.1 确定我们遇到的问题34
2.2 解决运行过程中的错误36
2.3 检查中间结果38
2.4 为最后一层选择正确的激活函数39
2.5 正则化和Dropout40
2.6 网络结构、批尺寸和学习率42
第3章 使用词嵌入计算文本相似性44
3.1 使用预训练的词嵌入发现词的相似性45
3.2 Word2vec数学特性47
3.3 可视化词嵌入49
3.4 在词嵌入中发现实体类51
3.5 计算类内部的语义距离55
3.6 在地图上可视化国家数据57
第4章 基于维基百科外部链接构建推荐系统58
4.1 收集数据58
4.2 训练电影嵌入62
4.3 构建电影推荐系统66
4.4 预测简单的电影属性67
第5章 按照示例文本的风格生成文本69
5.1 获取公开领域书籍文本69
5.2 生成类似莎士比亚的文本70
5.3 使用RNN编写代码74
5.4 控制输出温度76
5.5 可视化循环神经网络的活跃程度78
第6章 问题匹配80
6.1 从Stack Exchange网站获取数据80
6.2 使用Pandas探索数据82
6.3 使用Keras对文本进行特征化83
6.4 构建问答模型84
6.5 用Pandas训练模型86
6.6 检查相似性88
第7章 推荐表情符号90
7.1 构建一个简单的情感分类器90
7.2 检验一个简单的分类器93
7.3 使用卷积网络进行情感分析95
7.4 收集Twitter数据97
7.5 一个简单的表情符号预测器99
7.6 Dropout和多层窗口100
7.7 构建单词级模型102
7.8 构建你自己的嵌入104
7.9 使用循环神经网络进行分类106
7.10 可视化一致性/不一致性108
7.11 组合模型111
第8章 Sequence-to-Sequence映射113
8.1 训练一个简单的Sequence-to-Sequence模型113
8.2 从文本中提取对话115
8.3 处理开放词汇表117
8.4 训练seq2seq 聊天机器人119
第9章 复用预训练的图像识别网络123
9.1 加载预训练网络124
9.2 图像预处理124
9.3 推测图像内容126
9.4 使用Flickr API收集一组带标签的图像128
9.5 构建一个分辨猫狗的分类器129
9.6 改进搜索结果131
9.7 复训图像识别网络133
第10章 构建反向图像搜索服务137
10.1 从维基百科中获取图像137
10.2 向N维空间投影图像140
10.3 在高维空间中寻找最近邻141
10.4 探索嵌入中的局部邻域143
第11章 检测多幅图像145
11.1 使用预训练的分类器检测多个图像145
11.2 使用Faster RCNN进行目标检测149
11.3 在自己的图像上运行Faster RCNN152
第12章 图像风格155
12.1 可视化卷积神经网络激活值156
12.2 尺度和缩放159
12.3 可视化神经网络所见161
12.4 捕捉图像风格164
12.5 改进损失函数以提升图像相干性168
12.6 将风格迁移至不同图像169
12.7 风格内插171
第13章 用自编码器生成图像173
13.1 从Google Quick Draw中导入绘图174
13.2 为图像创建自编码器176
13.3 可视化自编码器结果178
13.4 从正确的分布中采样图像180
13.5 可视化变分自编码器空间183
13.6 条件变分编码器185
第14章 使用深度网络生成图标189
14.1 获得训练用的图标190
14.2 将图标转换为张量表示193
14.3 使用变分自编码器生成图标194
14.4 使用数据扩充提升自编码器的性能196
14.5 构建生成式对抗网络198
14.6 训练生成式对抗网络200
14.7 显示GAN生成的图标202
14.8 将图标编码成绘图指令204
14.9 训练RNN绘制图标205
14.10 使用RNN生成图标207
第15章 音乐与深度学习210
15.1 为音乐分类器创建训练数据集211
15.2 训练音乐风格检测器213
15.3 对混淆情况进行可视化215
15.4 为已有的音乐编制索引217
15.5 设置Spotify API219
15.6 从Spotify中收集播放列表和歌曲221
15.7 训练音乐推荐系统224
15.8 使用Word2vec模型推荐歌曲225
第16章 生产化部署机器学习系统228
16.1 使用scikit-learn最近邻计算嵌入229
16.2 使用Postgres存储嵌入230
16.3 填充和查询Postgres存储的嵌入231
16.4 在Postgres中存储高维模型233
16.5 使用Python编写微服务234
16.6 使用微服务部署Keras模型236
16.7 从Web框架中调用微服务237
16.8 Tensorflow seq2seq模型238
16.9 在浏览器中执行深度学习模型240
16.10 使用TensorFlow服务执行Keras模型243
16.11 在iOS中使用Keras模型245
《TensorFlow学习指南：深度学习系统构建详解》
前言1
第1章 引言5
1.1 走入深度学习5
1.2 TensorFlow：名字中的含义8
1.3 高层次概览9
1.4 本章总结11
第2章 随之“流”动：启动与运行TensorFlow12
2.1 安装TensorFlow12
2.2 Hello World14
2.3 MNIST16
2.4 softmax回归17
2.5 本章总结24
第3章 理解TensorFlow基础知识25
3.1 计算图25
3.2 图、会话和提取数据26
3.3 流动的张量32
3.4 变量、占位符和简单的优化41
3.5 本章总结52
第4章 卷积神经网络53
4.1 卷积神经网络简介53
4.2 MNIST：第二轮55
4.3 CIFAR1063
4.4 本章总结71
第5章 文本I：文本及序列的处理，以及TensorBoard可视化72
5.1 序列数据的重要性72
5.2 循环神经网络简介73
5.3 处理RNN的文本序列87
5.4 本章总结97
第6章 文本II：词向量、高级RNN和词嵌入可视化99
6.1 词嵌入介绍99
6.2 word2vec101
6.3 预训练词嵌入，高级RNN110
6.4 本章总结116
第7章 TensorFlow抽象与简化117
7.1 本章概述117
7.2 contrib.learn121
7.3 TFLearn136
7.4 本章总结156
第8章 队列、线程和数据读取158
8.1 输入管道158
8.2 TFRecord159
8.3 队列162
8.4 完全多线程的输入管道168
8.5 本章总结172
第9章 分布式 TensorFlow173
9.1 分布式计算173
9.2 TensorFlow 元素175
9.3 分布式示例180
9.4 本章总结187
第10章 用TensorFlow导出和提供服务模型188
10.1 保存和导出模型188
10.2 TensorFlow Serving简介199
10.3 本章总结209
附录A 模型构建和使用TensorFlow Serving的建议210
《机器学习实战：基于Scikit-Learn和TensorFlow》
译者序
随着AlphaGo在人机大战中一举成名，关于机器学习的研究开始广受关注，数据科学家也一跃成为“21世纪最性感的职业”。关于机器学习和神经网络的广泛应用虽然兴起不久，但是对这两个密切关联的领域的研究其实已经持续了好几十年，早已形成了系统化的知识体系。对于想要踏入机器学习领域的初学者而言，理论知识的获取并非难事。
本书作者Aurélien Géron曾经是谷歌工程师，在2013年至2016年，主导了YouTube的视频分类工程，拥有丰富的机器学习项目经验。作者的写作初衷是希望从实践出发，手把手地帮助开发者从零开始搭建起一个神经网络。这也正构成了本书区别于其他机器学习教程的最重要的特质—不再偏向于原理研究的角度，而是从开发者的实践角度出发，在动手写代码的过程中，循序渐进地了解机器学习的理论知识和工具的实践技巧。对于想要快速上手机器学习的开发者来说，本书不啻为一个非常值得尝试的起点项目。
本书主要分为两个部分。第一部分为第1～8章，涵盖机器学习的基础理论知识和基本算法—从线性回归到随机森林等，帮助读者掌握Scikit-Learn的常用方法；第二部分为第9～16章，探讨深度学习和常用框架TensorFlow，一步一个脚印地带领读者使用TensorFlow搭建和训练深度神经网络，以及卷积神经网络。
书中涉及不少数学公式，作者对抽象的公式背后的含义也都一一做出了阐释，因此即便是对数学不敏感的初学者，也同样能够理解机器学习任务的实质。
书中所涉及的专业术语与概念较多，部分概念及术语尚无公认的中文译法，因此我们较多地参考了网络上和研究论文中常用的译法，若有不适合读者朋友的术语，可根据原词确认其原始词意。在翻译过程中虽然力求准确地反映原著内容，但由于译者水平有限，如有错漏之处，恳请读者批评指正。
本书译者均来自于ThoughtWorks咨询公司，王静源翻译了第1～8章，贾玮翻译了第13～16章，边蕤翻译了第11章和第12章，邱俊涛翻译了第9章和第10章，并对全书译文进行校对和最后定稿。
最后要感谢华章公司的编辑，他们为保证本书的质量做出了大量的编辑和校正工作，在此深表谢意。
译者
2018年3月
本书是对使用神经网络来解决问题的理论和实践的一个很好的介绍。它涵盖了你建立高效应用的关键点，以及足够的背景知识以应对新研究的出现。 我推荐这本书给有兴趣学习用机器学习来解决实际问题的人。
—— Pete Warden，Mobile Lead for TensorFlow
《深度学习实战》
译者序
深度神经网络是一种层数更多、规模更大的人工神经网络，较传统神经网络在处理能力上有大幅的提升。2006年，加拿大多伦多大学的教授杰弗里·辛顿（Geoffrey Hinton）在深度信念网络方面进行了卓越的工作，开辟了深度学习这个新的技术领域。目前，深度学习技术已经成为新一代人工智能技术的研究与开发热点，得到了全球的普遍关注，每天都有相关的报道，每年有大量的论文发表，不断刷新着语音识别、图像分类、商品推荐等各应用领域智能处理水平的纪录。与此同时，深度学习模型难以解释、参数调优困难、参数规模大、训练周期长等问题也困扰着研究和开发人员。
如何让深度学习模型设计更加简洁高效，如何处理模型参数调试中遇到的困扰和难题，如何将深度学习快速地应用到具体的业务领域，这些都是深度学习技术研究与开发者需要掌握的内容。本书作为一本聚焦深度学习实际应用的开发指南，很好地解决了这些问题。本书的作者是一位资深的软件工程师，有着丰富的软件开发和调试经验。本书记录了作者从实际工作中总结出来的很多开发技巧，非常适合开发实际应用的深度学习工程师阅读和参考。
本书的第1章从深度学习相关的基本概念开始，介绍了典型的神经网络结构和各种层的设计特点，然后对深度学习中常见的数据集进行了介绍，最后对数据预处理和数据集的划分进行了细致的阐述。第2章是与深度神经网络调试相关的通用技巧，主要涉及如何解决遇到的问题，包括排查错误、检查结果、选择激活函数、正则化和Dropout、设置训练参数等技巧。第3～15章以实际例子，介绍了深度学习在文本处理、图像处理、音乐处理等方面的技巧，涵盖了深度学习主要应用的领域和数据类型，内容非常丰富。最后一章作者从实际使用的角度告诉读者如何在生产系统中部署机器学习应用，使得本书的内容更加贴近实际。
深度学习的技术还处在不断迭代更新的阶段，每天都有新的研究进展发布，新的开发工具开源，以及新的技术挑战出现。本书的内容是当前深度学习设计开发技巧的总结，需要读者在实践中不断尝试，进而提升自己的技术水平，这样才会不断加深对深度学习技术的理解和把握，创造出更加优秀的算法、模型和应用。希望读者朋友在深度学习的实践中不断总结提炼，贡献出更多优秀的图书作品。
每一次翻译工作都是一次难忘的学习之旅，我们非常珍惜这个机会。非常感谢本书的作者和机械工业出版社华章公司的编辑，是他们辛勤的工作为我们创造了难得的机会，让我们能够和广大读者一起走进深度学习的世界，领略新一代人工智能技术的风采。这里还要感谢公司同事和家人的大力支持，他们的鼓励给了我们不断前进的动力。本书翻译过程中，我们努力表达作者的真知灼见，但因水平有限，难免有词不达意的地方和疏漏之处，敬请读者朋友不吝赐教。
译者
2018年12月
译者简介
李君婷 国家电网有限公司信息通信分公司，主要从事电力信息通信运维数据统计分析、项目管理等工作，研究兴趣包括深度学习、数据科学、颠覆性创新等。
闫龙川 国家电网有限公司信息通信分公司，主要从事电力信息通信技术研究工作，研究兴趣包括深度学习、强化学习、云计算、数据中心等。
俞学豪 国家电网有限公司信息通信分公司，主要从事电力信息通信技术研究与管理工作，研究兴趣包括人工智能、云计算、绿色数据中心等。
高德荃 国家电网有限公司信息通信分公司，主要从事电力信息通信技术研究工作，研究兴趣包括数据科学与人工智能、地理空间分析等。
《TensorFlow学习指南：深度学习系统构建详解》
前言深度学习在过去的若干年中已经成为构建可以从数据中学习的智能系统的首要技术。深度神经网络最开始在一定程度上受到人类大脑学习方式的启发，是用大量数据进行训练从而能够以足够高的准确度解决复杂任务的技术。由于开源框架的广泛存在，这项技术也被广泛使用，目前已经成为任何想要从事大数据和机器学习工作的人的必备知识。
TensorFlow是当前深度学习领域领先的开源软件，使用它从事计算机视觉、自然语言处理（NLP）、语音识别和一般性预测分析工作的技术实践者（工程师）的数目仍在飞速增长。
本书是专为数据科学家、工程师、学生和科研工作者设计的 TensorFlow “端对端”指导。书中采取适合广大技术读者的实战观点，不仅让初学者能够接受，也会深入探讨一些高级话题并展示如何构建产品级的系统。
通过本书，你可以习得：
1. 快速顺畅地安装和运行TensorFlow。
2. 使用 TensorFlow 从零构建模型。
3. 训练和理解流行的用于计算机视觉和NLP的深度学习模型。
4. 使用多种抽象库让开发更加简单和迅速。
5. 使用队列和多线程扩展TensorFlow，在集群上训练，在产品级应用上部署输出结果。
6. 还有更多其他内容！
本书由同时在工业界和学术界拥有大量研发经验的数据科学家撰写。作者采用实战观点，结合实际且直观的案例、解释及供实践者们探索构建产品级系统的洞察，满足想要学会理解和构建灵活强大模型的读者的需求。
预备知识本书假定读者有基本的Python编程知识，包括熟悉科学计算库Numpy。
机器学习的概念在本书中会被讨论，并且贯穿全书进行直观解说。对于想深入学习的读者，建议你掌握一定程度的机器学习、线性代数、微积分、概率论和统计学方面的知识。
本书约定下面给出本书所采用字体的约定：
斜体字（Italic）表示新的术语、链接、电子邮箱地址、文件名和文件扩展名。
等宽字体（Constant width）用于程序清单，也用于在段落中引用程序元素，例如变量名、函数名、数据库、数据类型、环境变量、程序语句和关键词。
加粗等宽字体（Constant width bold）表示应该由用户输入的命令或者其他文字信息。
斜体的等宽字体（Constant width italic）表示此处应该替换为由用户提供的数值，或者根据上下文确定的数值。
如何使用示例代码补充材料（示例代码、练习等）可以在https://github.com/Hezi-Resheff/Oreilly- Learning-TensorFlow上下载。
本书的目的是帮助你完成自己的任务。一般来说，如果代码是和本书一起提供的，那么你可以在你的程序和文档中使用它们。你不需要联系我们获取许可，除非你想大量复制这些代码。例如，在自己的程序中使用到本书中的几段代码，并不需要获得许可，但把O扲eilly书籍里的示例代码刻录成光盘就必须获得许可。回答问题时引用本书内容和示例代码，不需要获得许可，但是将大量的示例代码用于你的产品文档则必须获得许可。
评论
还没有评论。