轻松学会TensorFlow 2.0人工智能深度学习应用开发购买链接京东购买作者黄士嘉、林邑撰 | 丛书名人工智能技术丛书 | 定价79元 | ISBN9787302566458 | 出版日期2021.01.01图书封面荐语在人工智能时代TensorFlow已经成为深度学习开发的主流程序库其功能强大、运算效率高支持多个平台在业界和学术界得以广泛使用。然而TensorFlow 1.x版的学习门槛高对刚入门的初学者而言难以上手针对这个问题Google开发团队推出了TensorFlow 2.0版。TensorFlow 2.0引入了Eager Execution动态图模式、Keras高级API和tf.data三个功能让学习门槛大幅降低。本书使用新的TensorFlow 2.0深度学习套件通过12章内容让读者同时学习理论与实践应用。内容简介本书从介绍深度学习和重要入门知识入手通过范例讲解TensorFlow的应用开发。本书文字清晰、严谨并辅以简洁明了的插图说明同时提供步骤细致的范例程序教学让读者可以轻松理解并掌握深度学习原理和TensorFlow开发方法。本书分为12章内容包括环境安装、TensorFlow 2.0介绍、回归问题、二分类问题、多分类问题、神经网络训练技巧、TensorFlow 2.0高级技巧、TensorBoard高级技巧、卷积神经网络经典架构、迁移学习、变分自编码器和生成式对抗网络。本书适合TensorFlow深度学习自学者、深度学习开发人员、人工智能行业咨询顾问等阅读也适合作为高等院校和培训学校人工智能及其相关专业师生的教学参考书。作者简介黄士嘉科技大学电子工程系教授。前言序言前 言英国数学家人工智能之父Alan Turing 1950年在Oxford University Press的Mind期刊发表的 Computing Machinery and Intelligence论文中提出了机器思维的概念从此人工智能就一直是计算机科学中非常重要的领域。发展至今有70年的历史了其中历经了多次大起大落尤其是其中的两次“AI寒冬”让研究者与投资人对人工智能产生了很大的疑虑。由英国伦敦Google DeepMind开发的人工智能围棋软件AlphaGo在2016年打败了顶尖职业棋手李世石在2017年打败了排名世界第一的柯洁之后人工智能再度成为计算机科学的“显学”也促成了第三波的“AI崛起”。近几年以深度学习为核心技术的人工智能在图像、声音、决策分析等领域已超越了人类的能力。随着深度学习人工智能技术的日益成熟许多世界级科技公司投入了大量人力和资源在深度学习人工智能上如Google、Facebook、Uber、Airbnb、Tesla、微软、腾讯、百度、华为、滴滴、通用等许多中小企业也投入了相当的人力资源。根据研究机构Tractica预估全球AI市场的规模将从2018年的81亿美元成长至2025年的1 058亿美元并且能够应用到更多产业例如汽车、零售、医疗、商业、电信、消费、广告、法律、保险等。作者和所领导的多媒体系统实验室团队已经在人工智能领域研究了十多年其中包含智能汽车系统、智能居家照护系统、智能视频监控系统、智能派遣撮合系统、人工智能小秘书系统、自动驾驶计算机视觉系统也与大学和研究机构合作开发了自动辅助驾驶次系统项目的名称为“自动驾驶的深度学习智能感知与情境理解系统技术”将丰富的学界研发能量导入产业界提升自动驾驶汽车产业的研发技术。作者在IEEE和ACM顶级国际期刊上发表了三十多篇计算机视觉人工智能相关的论文。例如在2018年和美国华盛顿大学黄正能教授合作研发了全球第一个有效的除雪与能见度增强技术DesnowNet深度学习网络架构刊登在图像处理领域顶尖的期刊IEEE Transactions on Image ProcessingImpact factor: 3.735Rank: 14/2555.49%上在2019年指导越南博士生Trung-Hieu Le研发了应用在智能居家护理系统Intelligent Homecare Systems上的高精确度手部侦测识别技术发表在传感器领域顶尖的期刊IEEE Sensors JournalImpact factor: 2.617Rank: 8/1166.8%上。作者深刻体会到目前人工智能领域的重要性与发展性因此精心撰写了本书期待可以启发更多学生、工程师与研究人员快速进入深度学习人工智能领域。本书使用目前热门的深度学习套件TensorFlow带领读者深入理解深度学习的知识与技术并且精心设计了实践的程序教学通过每个步骤细致的项目教学让读者可以更容易理解与吸收所学的知识和技术。从新的TensorFlow 2.0入门开始通过12章内容理论学习和实践应用相结合。本书撰写时使用的是TensorFlow 2.0正式版。本书范例程序源代码可通过扫描下面的二维码获得。 如果下载有问题可通过电子邮件联系booksaga126.com邮件主题为“轻松学会TensorFlow 2.0人工智能深度学习应用开发范例程序源代码”。每年有数以万篇的深度学习研究论文发表从中可以了解人工智能领域的日新月异与广泛应用作者以本书介绍深度学习较重要的入门内容让读者有能力进一步钻研更高深的深度学习知识与技术。本书中的内容如有疏漏与错误可发送邮件给予指正与鼓励。黄士嘉台北科技大学电子工程系 教授加拿大安大略理工大学 国际客座教授IEEE Sensors Journal 国际期刊编辑IEEE BigData Congress 国际会议主席IEEE CloudCom Conference 国际会议主席目录1.1 Python安装 11.1.1 Windows安装方法 11.1.2 Ubuntu安装方法 21.2 TensorFlow安装 21.2.1 Windows安装方法 21.2.2 Ubuntu安装方法 51.3 Python 扩充套件安装 81.4 Jupyter Notebook 91.4.1 Windows安装方法 91.4.2 Ubuntu安装方法 101.4.3 设置并建立项目 101.4.4 常用快捷键 111.4.5 Jupyter Notebook操作练习 111.5 本书的范例程序 131.5.1 在Windows中打开项目 141.5.2 在Ubuntu中打开项目 14第2章 TensorFlow 2.0介绍 162.1 什么是深度学习 162.2 建立项目 172.3 TensorFlow介绍 182.4 TensorFlow 2.0的变化 202.5 Eager Execution 212.5.1 Eager Execution介绍 212.5.2 TensorFlow基本运算 222.6 Keras 242.6.1 Keras介绍 242.6.2 序贯模型 262.6.3 Functional API 282.7 tf.data 322.7.1 tf.data介绍 322.7.2 基本操作 34第3章 回归问题 393.1 深度神经网络 393.1.1 神经网络简史 393.1.2 神经网络原理 403.1.3 全连接 413.1.4 损失函数MSE 和MAE 413.1.5 神经网络权重更新 433.1.6 神经网络训练步骤 443.2 Kaggle介绍 463.3 实验一房价预测模型 473.3.1 数据集介绍 473.3.2 新建项目 483.3.3 程序代码 493.4 TensorBoard 介绍 563.5 实验二过拟合问题 583.5.1 过拟合说明 583.5.2 程序代码 603.5.3 TensorBoard 数据分析 643.6 参考文献 65第4章 二分类问题 674.1 机器学习的四大类别 674.2 二分类问题介绍 694.2.1 逻辑回归 694.2.2 Sigmoid 694.2.3 二分类交叉熵 694.2.4 独热编码 714.3 实验精灵宝可梦对战预测 724.3.1 数据集介绍 724.3.2 新建项目 754.3.3 程序代码 764.4 参考文献 91第5章 多分类问题 945.1 卷积神经网络 945.1.1 卷积神经网络简介 945.1.2 卷积神经网络架构 955.1.3 卷积神经网络的原理 1025.2 多分类问题介绍 1055.2.1 Softmax 1055.2.2 多分类交叉熵 1065.2.3 数据增强 1075.3 实验CIFAR-10图像识别 1085.3.1 数据集介绍 1085.3.2 TensorFlow Datasets 1095.3.3 新建项目 1105.3.4 程序代码 1115.4 参考文献 127第6章 神经网络训练技巧 1296.1 反向传播 1296.2 权重初始化 1336.2.1 正态分布 1336.2.2 Xavier/Glorot 初始化 1356.2.3 He初始化 1376.3 批量归一化 1396.3.1 批量归一化介绍 1396.3.2 批量归一化网络架构 1406.4 实验一使用CIFAR-10数据集实验 3种权重初始化方法 1416.4.1 新建项目 1416.4.2 建立图像增强函数 1426.4.3 程序代码 1446.4.4 TensorBoard可视化权重分布 1486.5 实验二使用CIFAR-10数据集实验 批量归一化方法 1516.6 总结各种网络架构的性能比较 1546.7 参考文献 155第7章 TensorFlow 2.0高级技巧 1577.1 TensorFlow高级技巧 1577.1.1 自定义网络层 1587.1.2 自定义损失函数 1597.1.3 自定义评价指标函数 1597.1.4 自定义回调函数 1607.2 Keras高级API与自定义API比较 1617.2.1 网络层 1617.2.2 损失函数 1627.2.3 评价指标函数 1637.2.4 回调函数 1657.3 实验比较Keras 高级API和 自定义API两种网络训练的结果 1667.3.1 新建项目 1667.3.2 程序代码 167第8章 TensorBoard高级技巧 1768.1 TensorBoard的高级技巧 1768.1.1 tf.summary 1778.1.2 tf.summary.scalar 1778.1.3 tf.summary.image 1798.1.4 tf.summary.text 1818.1.5 tf.summary.audio 1828.1.6 tf.summary.histogram 1838.2 实验一使用tf.summary.image记录训练结果 1868.2.1 新建项目 1868.2.2 程序代码 1878.3 实验二使用TensorBoard超参数调校工具来 训练多个网络模型 1958.3.1 启动TensorBoard命令行 1968.3.2 程序代码 197第9章 卷积神经网络经典架构 2059.1 神经网络架构 2059.1.1 LeNet 2059.1.2 AlexNet 2069.1.3 VGG 2069.1.4 GoogLeNet 2079.1.5 ResNet 2109.1.6 总结各种网络架构的比较 2119.2 实验实现Inception V3网络架构 2129.2.1 新建项目 2139.2.2 Keras Applications 2149.2.3 TensorFlow Hub 2179.3 参考文献 222第10章 迁移学习 22410.1 认识迁移学习 22410.1.1 迁移学习介绍 22410.1.2 迁移学习训练技巧 22510.2 实验迁移学习范例 23010.2.1 新建项目 23010.2.2 数据集介绍 23110.2.3 程序代码 23110.3 参考文献 237第11章 变分自编码器 23911.1 自编码器介绍 23911.2 变分自编码器介绍 24111.3 变分自解码器的损失函数 24311.4 实验变分自编码器程序代码的实现 24411.4.1 建立项目 24511.4.2 数据集介绍 24711.4.3 变分自编码器项目说明 24811.4.4 变分自编码器训练和生成图像 25411.5 参考文献 257第12章 生成式对抗网络 25812.1 认识生成式对抗网络 25812.1.1 生成式对抗网络介绍 25812.1.2 生成式对抗网络训练及损失函数 26012.2 GAN、WGAN、WGAN-GP的演进 26212.2.1 生成式对抗网络的问题 26212.2.2 Wasserstein距离介绍 26412.2.3 WGAN-GP 损失函数 26612.3 实验WGAN-GP程序代码的实现 26812.3.1 建立项目 26912.3.2 数据集介绍 27112.3.3 WGAN-GP 项目说明 27212.4 参考文献