精通TensorFlow2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

精通TensorFlowPDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 TensorFlow 1011

1.1什么是TensorFlow1

1.2 TensorFlow内核2

1.2.1简单的示例代码-HelloTensorFlow2

1.2.2张量3

1.2.3常量4

1.2.4操作5

1.2.5占位符6

1.2.6从Python对象创建张量7

1.2.7变量9

1.2.8由库函数生成的张量10

1.2.9通过tf.get_variable（）获取变量13

1.3数据流图或计算图14

1.3.1执行顺序和延迟加载15

1.3.2跨计算设备执行计算图-CPU和GPU15

1.3.3多个计算图18

1.4 TensorBoard19

1.4.1 TensorBoard最小的例子19

1.4.2 TensorBoard的细节21

1.5总结21

第2章 TensorFlow的高级库22

2.1 TF Estimator22

2.2 TF Slim24

2.3 TFLearn25

2.3.1创建TFLearn层26

2.3.2创建TFLearn模型30

2.3.3 训练TFLearn模型30

2.3.4使用TFLearn模型30

2.4 PrettyTensor31

2.5 Sonnet32

2.6总结34

第3章 Keras10135

3.1安装Keras35

3.2 Keras的神经网络模型36

3.2.1在Keras中创建模型的过程36

3.3创建Keras模型36

3.3.1用于创建Keras模型的序列化API36

3.3.2用于创建Keras模型的功能性API37

3.4 Keras的层37

3.4.1 Keras内核层37

3.4.2 Keras卷积层38

3.4.3 Keras池化层38

3.4.4 Keras局连接层39

3.4.5 Keras循环层39

3.4.6 Keras嵌入层39

3.4.7 Keras合并层39

3.4.8 Keras高级激活层40

3.4.9 Keras归一化层40

3.4.10 Keras噪声层40

3.5将网络层添加到Keras模型中40

3.5.1利用序列化API将网络层添加到Keras模型中40

3.5.2利用功能性API将网络层添加到Keras模型中41

3.6编译Keras模型41

3.7训练Keras模型42

3.8使用Keras模型进行预测42

3.9 Keras中的其他模块43

3.10基于MNIST数据集的Keras顺序模型示例43

3.11总结45

第4章 基于TensorFlow的经典机器学习算法47

4.1简单的线性回归48

4.1.1数据准备49

4.1.2建立简单的回归模型50

4.1.3使用训练好的模型进行预测55

4.2多元回归55

4.3正则化回归58

4.3.1 Lasso正则化59

4.3.2岭正则化62

4.3.3弹性网正则化64

4.4使用Logistic回归进行分类65

4.4.1二分类的Logistic回归65

4.4.2多类分类的Logistic回归66

4.5二分类66

4.6多分类69

4.7总结73

第5章 基于TensorFlow和Keras的神经网络和多层感知机74

5.1感知机74

5.2多层感知机76

5.3用于图像分类的多层感知机77

5.3.1通过TensorFlow构建用于MNIST分类的多层感知机77

5.3.2通过Keras构建用于MNIST分类的多层感知机83

5.3.3通过TFLearn构建用于MNIST分类的多层感知机85

5.3.4多层感知机与TensorFlow、Keras和TFLearn的总结86

5.4用于时间序列回归的多层感知机86

5.5总结89

第6章 基于TensorFlow和Keras的RNN90

6.1简单RNN90

6.2 RNN改进版本92

6.3 LSTM网络93

6.4 GRU网络95

6.5基于TensorFlow的RNN96

6.5.1 TensorFlow的RNN单元类96

6.5.2 TensorFlow的RNN模型构造类97

6.5.3 TensorFlow的RNN单元封装类97

6.6基于Keras的RNN98

6.7 RNN的应用领域98

6.8将基于Keras的RNN用于MNIST数据99

6.9总结100

第7章 基于TensorFlow和Keras的RNN在时间序列数据中的应用101

7.1航空公司乘客数据集101

7.1.1加载airpass数据集102

7.1.2可视化airpass数据集102

7.2使用TensorFlow为RNN模型预处理数据集103

7.3 TensorFlow中的简单RNN104

7.4 TensorFlow中的LSTM网络106

7.5 TensorFlow中的GRU网络107

7.6使用Keras为RNN模型预处理数据集108

7.7基于Keras的简单RNN109

7.8基于Keras的LSTM网络111

7.9基于Keras的GRU网络112

7.10总结113

第8章 基于TensorFlow和Keras的RNN在文本数据中的应用114

8.1词向量表示114

8.2为word2vec模型准备数据116

8.2.1加载和准备PTB数据集117

8.2.2加载和准备text8数据集118

8.2.3准备小的验证集119

8.3使用TensorFlow的skip-gram模型119

8.4使用t-SNE可视化单词嵌入124

8.5基于Keras的skip-gram模型126

8.6使用TensorFlow和Keras中的RNN模型生成文本130

8.6.1使用TensorFlow中的LSTM模型生成文本131

8.6.2使用Keras中的LSTM模型生成文本134

8.7总结137

第9章 基于TensorFlow和Keras的CNN138

9.1理解卷积138

9.2理解池化141

9.3 CNN架构模式-LeNet142

9.4在MNIST数据集上构建LeNet143

9.4.1使用TensorFlow的LeNet CNN对MNIST数据集进行分类143

9.4.2使用Keras的LeNet CNN对MNIST数据集进行分类146

9.5在CIFAR10数据集上构建LeNet148

9.5.1使用TensorFlow的CNN对CIFAR 10数据集进行分类149

9.5.2使用Keras的CNN对CIFAR 10数据集进行分类150

9.6总结151

第10章 基于TensorFlow和Keras的自编码器152

10.1自编码器类型152

10.2基于TensorFlow的堆叠自编码器154

10.3基于Keras的堆叠自编码器157

10.4基于TensorFlow的去噪自编码器159

10.5基于Keras的去噪自编码器161

10.6基于TensorFlow的变分自编码器162

10.7基于Keras的变分自编码器167

10.8总结170

第11章 使用TF服务提供生成环境下的TensorFlow模型171

11.1在TensorFlow中保存和恢复模型171

11.1.1使用saver类保存和恢复所有网络计算图变量172

11.1.2使用saver类保存和恢复所选变量173

11.2保存和恢复Keras模型175

11.3 TensorFlow服务175

11.3.1安装TF服务175

11.3.2保存TF服务的模型176

11.3.3使用TF服务提供服务模型180

11.4在Docker容器中提供TF服务181

11.4.1安装Docker182

11.4.2为TF服务构建Docker镜像183

11.4.3在Docker容器中提供模型185

11.5基于Kubernetes的TF服务186

11.5.1安装Kubernetes186

11.5.2将Docker镜像上传到dockerhub187

11.5.3在Kubernetes中部署188

11.6总结192

第12章 迁移学习模型和预训练模型193

12.1 ImageNet数据集193

12.2重新训练或微调模型196

12.3 COCO动物数据集和预处理图像197

12.4 TensorFlow中的VGG16203

12.4.1使用TensorFlow中预先训练的VGG 16进行图像分类204

12.5将TensorFlow中的图像预处理用于预先训练的VGG16208

12.5.1使用TensorFlow中重新训练的VGG16进行图像分类209

12.6 Keras中的VGG16215

12.6.1使用Keras中预先训练的VGG16进行图像分类215

12.6.2使用Keras中重新训练的VGG16进行图像分类220

12.7 TensorFlow中的Inception v3226

12.7.1使用TensorFlow中Inception v3进行图像分类226

12.7.2使用TensorFlow中重新训练的Inception v3进行图像分类231

12.8总结237

第13章 深度强化学习238

13.1 OpenAl Gym 101239

13.2将简单的策略应用于cartpole游戏242

13.3强化学习101246

13.3.1 Q函数（在模型无效时学习优化）246

13.3.2强化学习算法的探索与开发246

13.3.3 V函数（在模型可用时学习优化）247

13.3.4强化学习技巧247

13.4强化学习的朴素神经网络策略248

13.5实施Q-Learning250

13.5.1 Q-Learning的初始化和离散化251

13.5.2基于Q表的Q-Learning252

13.5.3使用Q网络或深度Q网络（DQN）进行Q-Learning253

13.6总结254

第14章 生成对抗网络（GAN）256

14.1 GAN101256

14.2建立和训练GAN的最佳实践258

14.3基于TensorFlow的简单GAN258

14.4基于Keras的简单GAN263

14.5基于TensorFlow和Keras的深度卷积GAN268

14.6总结270

第15章 基于TensorFlow集群的分布式模型271

15.1分布式执行策略271

15.2 TensorFlow集群272

15.2.1定义集群规范274

15.2.2创建服务器实例274

15.2.3定义服务器和设备之间的参数和操作276

15.2.4定义并训练计算图以进行异步更新276

15.2.5定义并训练计算图以进行同步更新281

15.3总结282

第16章 移动和嵌入式平台上的TensorFlow模型283

16.1移动平台上的TensorFlow283

16.2 Android应用程序中的TF Mobile284

16.3演示Android上的TF Mobile285

16.4 iOS应用程序中的TF Mobile287

16.5演示iOS上的TF Mobile288

16.6TensorFlow Lite289

16.7演示Android上的TF Lite应用程序290

16.8演示iOS上的TF Lite应用程序291

16.9总结291

第17章 R中的TensorFlow和Keras292

17.1在R中安装TensorFlow和Keras软件包292

17.2 R中的TF核心API294

17.3 R中的TF Estimator API295

17.4 R中的Keras API297

17.5 R中的TensorBoard300

17.6 R中的tfruns包302

17.7总结304

第18章 调试TenSorFIOW模型305

18.1使用tf.Session.run（）获取张量值305

18.2使用tf.Print（）输出张量值306

18.3使用tf.Assert（）断言条件306

18.4使用TensorFlow调试器（tfdbg）进行调试308

18.5总结310

附录 张量处理单元311