《TensorFlow：实战Google深度学习框架（第2版）》内容简介

TensorFlow是谷歌2015年开源的主流深度学习框架，目前已得到广泛应用。本书为TensorFlow入门参考书，旨在帮助读者以快速、有效的方式上手TensorFlow和深度学习。书中省略了烦琐的数学模型推导，从实际应用问题出发，通过具体的TensorFlow示例介绍如何使用深度学习解决实际问题。书中包含深度学习的入门知识和大量实践经验，是走进这个前沿、热门的人工智能领域的优选参考书。第2版将书中所有示例代码从TensorFlow0.9.0升级到了TensorFlow1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow1.4.0才支持的功能。另外，第2版还新增两章分别介绍TensorFlow高层封装和深度学习在自然语言领域应用的内容。
郑泽宇，2011年获北京大学计算机学士学位，2013年获卡内基梅隆大学计算机硕士学位，前谷歌高级工程师，现为才云科技（Caicloud.io）联合创始人、首席大数据科学家。针对分布式TensorFlow上手难、管理难、监控难、上线难等问题，带领团队成功开发国内成熟的分布式TensorFlow深度学习平台，在机器学习、人工智能领域有着丰富的经验。
梁博文，谷歌工程师。2011年获北京大学计算机学士学位，2013年获哥伦比亚大学计算机硕士学位，同年加入谷歌翻译组，参与并领导了多个项目，负责了3个语言的翻译模型的研发工作，在自然语言处理方面有丰富经验，在统计翻译模型、神经网络翻译模型、语料数据清洗等方面均有深入研究。

作品目录

作者介绍
推荐序1、推荐序2、序
前言
第1章：深度学习简介
1.1、人工智能、机器学习与深度学习
1.2、深度学习的发展历程
1.3、深度学习的应用
1.4、深度学习工具介绍和对比
小结
第2章：TensorFlow环境搭建
2.1、TensorFlow的主要依赖包
2.2、TensorFlow安装
2.3、TensorFlow测试样例
小结
第3章：TensorFlow入门
3.1、TensorFlow计算模型——计算图
3.2、TensorFlow数据模型——张量
3.3、TensorFlow运行模型——会话
3.4、TensorFlow实现神经网络
小结
第4章：深层神经网络
4.1、深度学习与深层神经网络
4.2、损失函数定义
4.3、神经网络优化算法
4.4、神经网络进一步优化
小结
第5章：MNIST数字识别问题
5.1、MNIST数据处理
5.2、神经网络模型训练及不同模型结果对比
5.3、变量管理
5.4、TensorFlow模型持久化
5.5、TensorFlow最佳实践样例程序
小结
第6章：图像识别与卷积神经网络
6.1、图像识别问题简介及经典数据集
6.2、卷积神经网络简介
6.3、卷积神经网络常用结构
6.4、经典卷积网络模型
6.5、卷积神经网络迁移学习
小结
第7章：图像数据处理
7.1、TFRecord输入数据格式
7.2、图像数据处理
7.3、多线程输入数据处理框架
7.4、数据集（Dataset）
小结
第8章：循环神经网络
8.2、长短时记忆网络（LSTM）结构
8.3、循环神经网络的变种
8.4、循环神经网络样例应用
小结
第9章：自然语言处理
9.1、语言模型的背景知识
9.2、神经语言模型
9.3、神经网络机器翻译
小结
第10章：TensorFlow高层封装
10.1、TensorFlow高层封装总览
10.2、Keras介绍
10.3、Estimator介绍
小结
第11章：TensorBoard可视化
11.1、Tensor
Board简介
11.2、TensorFlow计算图可视化
11.3、监控指标可视化
11.4、高维向量可视化
小结
第12章：TensorFlow计算加速
12.1、TensorFlow使用GPU
12.2、深度学习训练并行模式
12.3、多GPU并行
12.4、分布式TensorFlow
小结