内容简介

Google近日发布了TensorFlow 1.0候选版，这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFlow不断给人以惊喜，推出了分布式版本，服务框架TensorFlow Serving，可视化工具TensorFlow，上层封装TF.Learn，其他语言（Go、Java、Rust、Haskell）的绑定、Windows的支持、JIT编译器XLA、动态计算图框架Fold，以及数不胜数的经典模型在TensorFlow上的实现（Inception Net、SyntaxNet等）。在这一年多时间，TensorFlow已从初入深度学习框架大战的新星，成为了几近垄断的行业事实标准。

《TensorFlow实战》希望用简单易懂的语言带领大家探索TensorFlow（基于1.0版本API）。在《TensorFlow实战》中我们讲述了TensorFlow的基础原理，TF和其他框架的异同。并用具体的代码完整地实现了各种类型的深度神经网络：AutoEncoder、MLP、CNN（AlexNet，VGGNet，Inception Net，ResNet）、Word2Vec、RNN（LSTM，Bi-RNN）、Deep Reinforcement Learning(Policy Network、Value Network)。此外，《TensorFlow实战》还讲解了TensorBoard、多GPU并行、分布式并行、TF.Learn和其他TF.Contrib组件。《TensorFlow实战》希望能帮读者快速入门TensorFlow和深度学习，在工业界或者研究中快速地将想法落地为可实践的模型。

作品目录

1 TensorFlow基础 1
1.1 TensorFlow概要 1
1.2 TensorFlow编程模型简介 4
2 TensorFlow和其他深度学习框架的对比 18
2.1 主流深度学习框架对比 18
2.2 各深度学习框架简介 20
3 TensorFlow第一步 39
3.1 TensorFlow的编译及安装 39
3.2 TensorFlow实现SoftmaxRegression识别手写数字 46
4 TensorFlow实现自编码器及多层感知机 55
4.1 自编码器简介 55
4.2 TensorFlow实现自编码器 59
4.3 多层感知机简介 66
4.4 TensorFlow实现多层感知机 70
5 TensorFlow实现卷积神经网络 74
5.1 卷积神经网络简介 74
5.2 TensorFlow实现简单的卷积网络 80
5.3 TensorFlow实现进阶的卷积网络 83
6 TensorFlow实现经典卷积神经网络 95
6.1 TensorFlow实现AlexNet 97
6.2 TensorFlow实现VGGNet 108
6.3 TensorFlow实现GoogleInceptionNet 119
6.4 TensorFlow实现ResNet 143
6.5 卷积神经网络发展趋势 156
7 TensorFlow实现循环神经网络及Word2Vec 159
7.1 TensorFlow实现Word2Vec 159
7.2 TensorFlow实现基于LSTM的语言模型 173
7.3 TensorFlow实现BidirectionalLSTMClassifier 188
8 TensorFlow实现深度强化学习 195
8.1 深度强化学习简介 195
8.2 TensorFlow实现策略网络 201
8.3 TensorFlow实现估值网络 213
9 TensorBoard、多GPU并行及分布式并行 233
9.1 TensorBoard 233
9.2 多GPU并行 243
9.3 分布式并行 249
10 TF.Learn从入门到精通 259
10.1 分布式Estimator 259
10.2 深度学习Estimator 267
10.3 机器学习Estimator 272
10.4 DataFrame 278
10.5 监督器Monitors 279
11 TF.Contrib的其他组件 283
11.1 统计分布 283
11.2 Layer模块 285
11.3 性能分析器tfprof 293
参考文献 297
· · · · · ·

作者简介

黄文坚，Google TensorFlow Contributor。前明略数据技术合伙人，领导了对诸多大型银行、保险公司、基金的数据挖掘项目，包括建立金融风控模型、新闻舆情分析、保险复购 预测等。曾就职于阿里巴巴搜索引擎算法团队，负责天猫个性化搜索系统。曾参加阿里巴巴大数据推荐算法大赛，于7000多支队伍中获得前10名。本科、研究生就读于香港科技大学，曾在会议和期刊SIGMOBILE MobiCom、IEEE Transactions on Image Processing发表论文，研究成果获美国计算机协会移动计算大会（MobiCom）移动应用技术冠军，并获得两项美国专利和一项中国专利。

唐源，目前在芝加哥的Uptake公司带领团队建立用于多个物联网领域的数据科学引擎进行条件和健康监控，也建立了公司的预测模型引擎，现在被用于航空、能源等大型机械领域。...

(展开全部)

精彩摘录

自编码器（AutoEncoder），顾名思义，即可以使用自身高阶特征编码自己。自编码器其实也是一种神经网络，它的输入和输出是一致的，它借助稀疏编码的思想，目标是使用稀疏的一些高阶特征重新组合来重构自己。因此，它的特征非常明显：第一，期望输入/输出一致；第二，希望使用高阶特征来重构自己，而不只是复制像素点。

——引自第57页