內容簡介
《TensorFlow：實戰Google深度學習框架》為使用TensorFlow深度學習框架的入門參考書，旨在幫助讀者以更快、更有效的方式上手TensorFlow和深度學習。書中省略了深度學習繁瑣的數學模型推導，從實際套用問題出發，通過具體的TensorFlow樣例程式介紹如何使用深度學習解決這些問題。《TensorFlow：實戰Google深度學習框架》包含了深度學習的入門知識和大量實踐經驗，是走進這個更新、更火的人工智慧領域的推薦參考書。
編輯推薦
適讀人群 ：對人工智慧、深度學習感興趣的計算機相關從業人員，想要使用深度學習或TensorFlow 的數據科學家、工程師，希望了解深度學習的大數據平台工程師，對人工智慧、機器學習感興趣的在校學生，希望找深度學習相關崗位的求職人員，等等。
√ 作者為前谷歌專家，現Tensorflow創業新星，醉心深度學習研究。
√ Tensorflow已從前瞻性黑科技成長為主流方案，本書旨在面向生產與商業場景，徹底貫通原理與實踐。
√ BAT一線團隊與各大基於AI、ML的技術公司爭相讚譽力薦，本書與Tensorflow一道走向事實標準。
√ 深入技術原理，走訪主創團隊，結合真實項目，傾力呈現一手資料，深度剖析一線實戰。
精彩書評
本書作者以美國*級大學讀研的學識、Google全職算法專家的經驗，從0到1系統地講解了深度學習以及全球*受歡迎深度學習框架TensorFlow，並提供了多種場景的套用實例，是深度學習套用領域的開創性著作。
北京數問科技有限公司創始人CEO、Carnegie Mellon University計算機博士，向光
本書由淺入深，介紹了TensorFlow在典型場景中的套用實踐，提供分散式訓練等大量實例，是Tensorflow開發者和深度學習愛好者的必備參考資料。
小米深度學習工程師，陳迪豪
精彩書摘
“網際網路+”的大潮催生了諸如“網際網路+外賣”、“網際網路+打車”、“網際網路+家政”等眾多商業模式的創新和創業佳話；而當“網際網路+”已被寫入教科書並成為傳統行業都在積極踐行的發展道路時，過去一年科技界的聚光燈卻被人工智慧和深度學習所創造的一個個奇蹟所占據。從阿爾法狗肆虐圍棋界，到人工智慧創業大軍的崛起，都預示著我們即將步入“AI+”的時代：“AI+教育”、“AI+媒體”、“AI+醫學”、“AI+配送”、“AI+農業”等層出不窮。
AI在近期的爆發離不開數據的“質”和“量”的提升，離不開高性能計算平台的發展，也更離不開算法的進步，而深度學習則成為了推動算法進步中的一個主力軍。TensorFlow作為谷歌開源的深度學習框架，飽含了谷歌過去10年間對於人工智慧的探索和成功商業套用。谷歌的自駕車、搜尋、購物、廣告、雲計算產品等，都無時無刻沒有利用類似TensorFlow的深度學習算法將數據的價值最大化，從而創造巨大的商業價值。
TensorFlow作為一個開源框架，在極短時間內迅速圈粉並已成為github.com上的耀眼明星。然而，掌握深度學習需要較強的理論功底，用好Tensorflow又需要足夠的實踐和解析。開源項目和代碼本身固然重要，但更重要的是使用者的經驗和領域知識，如何將底層技術或工具採用最佳實踐和使用模式來解決現實問題。我與作者共事多年，瀏覽本書後深深體會到該著作是作者在谷歌多年分散式深度學習實踐經驗和其理論才學的濃縮，也相信這本從入門到高級實踐的讀物能夠為每個讀者帶來一個精神盛宴，並幫助計算機技術從業者在各自的業務領域打開新的思路、插上新的翅膀。
杭州才雲科技有限公司聯合創始人CEO、Carnegie Mellon University計算機博士，張鑫
作者簡介
鄭澤宇，現為才雲科技（Caicloud.io）聯合創始人、首席大數據科學家。針對分散式TensorFlow上手難、管理難、監控難、上線難等問題，他帶領團隊成功開發了國內成熟的分散式TensorFlow深度學習平台（TensorFlow as a Service）先河。基於此平台，才雲大數據團隊為安防、電商、金融、物流等多個行業提供有針對性的人工智慧解決方案。歸國創業之前，鄭澤宇曾任美國谷歌高級工程師。從2013 年加入谷歌，鄭澤宇作為主要技術人員參與並領導了多個大數據項目。由他提出並主導的產品聚類項目用於銜接谷歌購物和谷歌知識圖譜（knowledge graph）數據，使得知識卡片形式的廣告逐步取代傳統的產品列表廣告，開啟了谷歌購物廣告在搜尋頁面投遞的新紀元。鄭澤宇於2011年5月獲得北京大學計算機學士學位，並榮獲北京大學信息科學技術學院十佳優秀畢業論文、北京大學優秀畢業生。2013年5月獲得美國 Carnegie Mellon University（CMU）大學計算機碩士學位，並獲得西貝爾獎學金 (Siebel Scholarship)。鄭澤宇在機器學習、人工智慧領域有多年研究經驗，並在SIGIR、SIGKDD、ACL、ICDM、ICWSM等國際會議上發表多篇學術論文。
目錄
第1章深度學習簡介 1
1.1 人工智慧、機器學習與深度學習 2
1.2 深度學習的發展歷程 7
1.3 深度學習的套用 10
1.3.1 計算機視覺 10
1.3.2 語音識別 14
1.3.3 自然語言處理 15
1.3.4 人機博弈 18
1.4 深度學習工具介紹和對比 19
小結 23
第2章TensorFlow環境搭建 25
2.1 TensorFlow的主要依賴包 25
2.1.1 Protocol Buffer 25
2.1.2 Bazel 27
2.2 TensorFlow安裝 29
2.2.1 使用Docker安裝 30
2.2.2 使用pip安裝 32
2.2.3 從原始碼編譯安裝 33
2.3 TensorFlow測試樣例 37
小結 38
第3章TensorFlow入門 40
3.1 TensorFlow計算模型——計算圖 40
3.1.1 計算圖的概念 40
3.1.2 計算圖的使用 41
3.2 TensorFlow數據模型——張量 43
3.2.1 張量的概念 43
3.2.2 張量的使用 45
3.3 TensorFlow運行模型——會話 46
3.4 TensorFlow實現神經網路 48
3.4.1 TensorFlow遊樂場及神經網路簡介 48
3.4.2 前向傳播算法簡介 51
3.4.3 神經網路參數與TensorFlow變數 54
3.4.4 通過TensorFlow訓練神經網路模型 58
3.4.5 完整神經網路樣例程式 62
小結 65
第4章深層神經網路 66
4.1 深度學習與深層神經網路 66
4.1.1 線性模型的局限性 67
4.1.2 激活函式實現去線性化 70
4.1.3 多層網路解決異或運算 73
4.2 損失函式定義 74
4.2.1 經典損失函式 75
4.2.2 自定義損失函式 79
4.3 神經網路最佳化算法 81
4.4 神經網路進一步最佳化 84
4.4.1 學習率的設定 85
4.4.2 過擬合問題 87
4.4.3 滑動平均模型 90
小結 92
第5章MNIST數字識別問題 94
5.1 MNIST數據處理 94
5.2 神經網路模型訓練及不同模型結果對比 97
5.2.1 TensorFlow訓練神經網路 97
5.2.2 使用驗證數據集判斷模型效果 102
5.2.3 不同模型效果比較 103
5.3 變數管理 107
5.4 TensorFlow模型持久化 112
5.4.1 持久化代碼實現 112
5.4.2 持久化原理及數據格式 117
5.5 TensorFlow最佳實踐樣例程式 126
小結 132
第6章圖像識別與卷積神經網路 134
6.1 圖像識別問題簡介及經典數據集 135
6.2 卷積神經網路簡介 139
6.3 卷積神經網路常用結構 142
6.3.1 卷積層 142
6.3.2 池化層 147
6.4 經典卷積網路模型 149
6.4.1 LeNet-5模型 150
6.4.2 Inception-v3模型 156
6.5 卷積神經網路遷移學習 160
6.5.1 遷移學習介紹 160
6.5.2 TensorFlow實現遷移學習 161
小結 169
第7章圖像數據處理 170
7.1 TFRecord輸入數據格式 170
7.1.1 TFRecord格式介紹 171
7.1.2 TFRecord樣例程式 171
7.2 圖像數據處理 173
7.2.1 TensorFlow圖像處理函式 174
7.2.2 圖像預處理完整樣例 183
7.3 多執行緒輸入數據處理框架 185
7.3.1 佇列與多執行緒 186
7.3.2 輸入檔案佇列 190
7.3.3 組合訓練數據（batching） 193
7.3.4 輸入數據處理框架 196
小結 198
第8章循環神經網路 200
8.1 循環神經網路簡介 200
8.2 長短時記憶網路（LTSM）結構 206
8.3 循環神經網路的變種 212
8.3.1 雙向循環神經網路和深層循環神經網路 212
8.3.2 循環神經網路的dropout 214
8.4 循環神經網路樣例套用 215
8.4.1 自然語言建模 216
8.4.2 時間序列預測 225
小結 230
第9章TensorBoard可視化 232
9.1 TensorBoard簡介 232
9.2 TensorFlow計算圖可視化 234
9.2.1 命名空間與TensorBoard圖上節點 234
9.2.2 節點信息 241
9.3 監控指標可視化 246
小結 252
第10章TensorFlow計算加速 253
10.1 TensorFlow使用GPU 253
10.2 深度學習訓練並行模式 258
10.3 多GPU並行 261
10.4 分散式TensorFlow 268
10.4.1 分散式TensorFlow原理 269
10.4.2 分散式TensorFlow模型訓練 272
10.4.3 使用Caicloud運行分散式TensorFlow 282
