《Tensorflow实战Google深度学习框架(第2版) .pdf》附源代码完整版-免费下载
下载地址：https://pan.baidu.com/s/1-cmGO6qr6dHpDO5aVUKTzg
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。《TensorFlow：实战Google深度学习框架（第2版）》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TensorFlow 0.9.0升级到了TensorFlow 1.4.0。在升级API的同时，第2版也补充了更多只有TensorFlow 1.4.0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。
《TensorFlow：实战Google深度学习框架（第2版）》适用于想要使用深度学习或TensorFlow的数据科学家、工程师，希望了解深度学习的大数据平台工程师，对人工智能、深度学习感兴趣的计算机相关从业人员及在校学生等。
作者简介
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。
精彩书评
终于等到这本TensorFlow技术书的升级。这本书和其他介绍技术框架的书不太一样，它从深度学习简介开始，一点一点深入到TensorFlow的使用，同时把算法和框架的使用结合起来，让读者在了解框架的同时，还能够更深入地了解深度学习算法的原理。示例代码注释详尽，语言风格通俗易懂，算法介绍由浅入深，可谓是难得的好书。
——冯博 TalkingData 数据科学家
本书由浅入深，介绍了TensorFlow在典型场景中的应用实践，提供分布式训练等大量实例，是TensorFlow开发者和深度学习爱好者的优选参考资料。
——陈迪豪 第四范式先知平台架构师
Google的每一次技术发布，都会成为万众瞩目的焦点。TensorFlow从开源到现在，已经吸引了众多开发者、机器学习爱好者、科研和企业用户贡献代码，新功能如雨后春笋般出现，迭代周期之短，响应速度之快，业界少有。其独特的张量（Tensor）和图（Graph）构建算法模型的方式让人耳目一新，给模型设计者更大的自由度。TensorFlow的入门学习资源也琳琅满目，让人无从选择，《TensorFlow：实战Google深度学习框架（第2版）》这本书，从基本概念到完整模型，从抽象理论到工程实现，涵盖了图像、文本领域的常用方法，以及可视化和分布式计算等高级主题，相信开卷之后大有裨益，助力开发者完成产品级应用落地。
——赵永科 阿里云资深研发工程师
Google的深度学习开源方案TensorFlow近年来在人工智能领域被广泛使用并大放异彩。本书不仅对深度神经网络的底层技术做了讲解，还提供了TensorFlow在图像处理、语义理解、性能加速、数据可视化等方面的实战案例，浓缩了大量开发知识和实践经验，是一本非常有参考价值的TensorFlow中文著作。
陈运文 达观数据董事长兼CEO
TensorFlow作为主流的深度学习框架，已经被积极地应用于各类商业产品中，成为机器学习工程师必须了解的知识。本书不仅介绍了深度学习的发展及应用，还提供了环境搭建教程及实际问题的解决技巧。本书避免了晦涩数学公式所带来的负担，通俗易懂。建议想要入门并了解深度学习理论和应用的朋友们阅读！
——赵越 普华永道高级数据科学家
本书作者以美国知名大学读研的学识、Google全职算法专家的经验，从0到1系统地讲解了深度学习以及非常受欢迎的深度学习框架TensorFlow的相关知识，提供了多种场景的应用实例，是深度学习应用领域的代表性作品。
——向光 北京数问科技有限公司创始人、CEO，
Carnegie Mellon University计算机博士
这是一本关于TensorFlow实战的书，通俗易懂，深入浅出，强烈建议大家持卷品读！
——唐建 蒙特利尔大学深度学习算法中心助理教授
目录
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
1.3.1 计算机视觉
1.3.2 语音识别
1.3.3 自然语言处理
1.3.4 人机博弈
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
2.1.1 Protocol Buffer
2.1.2 Bazel
2.2 TensorFlow安装
2.2.1 使用Docker安装
2.2.2 使用pip安装
2.2.3 从源代码编译安装
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
3.1.1 计算图的概念
3.1.2 计算图的使用
3.2 TensorFlow数据模型——张量
3.2.1 张量的概念
3.2.2 张量的使用
3.3 TensorFlow运行模型——会话
3.4 TensorFlow实现神经网络
3.4.1 TensorFlow游乐场及神经网络简介
3.4.2 前向传播算法简介
3.4.3 神经网络参数与TensorFlow变量
3.4.4 通过TensorFlow训练神经网络模型
3.4.5 完整神经网络样例程序
小结
第4章 深层神经网络
4.1 深度学习与深层神经网络
4.1.1 线性模型的局限性
4.1.2 激活函数实现去线性化
4.1.3 多层网络解决异或运算
4.2 损失函数定义
4.2.1 经典损失函数
4.2.2 自定义损失函数
4.3 神经网络优化算法
4.4 神经网络进一步优化
4.4.1 学习率的设置
4.4.2 过拟合问题
4.4.3 滑动平均模型
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
5.2.1 TensorFlow训练神经网络
5.2.2 使用验证数据集判断模型效果
5.2.3 不同模型效果比较
5.3 变量管理
5.4 TensorFlow模型持久化
5.4.1 持久化代码实现
5.4.2 持久化原理及数据格式
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
6.3.1 卷积层
6.3.2 池化层
6.4 经典卷积网络模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷积神经网络迁移学习
6.5.1 迁移学习介绍
6.5.2 TensorFlow实现迁移学习
小结
第7章 图像数据处理
7.1 TFRecord输入数据格式
7.1.1 TFRecord格式介绍
7.1.2 TFRecord样例程序
7.2 图像数据处理
7.2.1 TensorFlow图像处理函数
7.2.2 图像预处理完整样例
7.3 多线程输入数据处理框架
7.3.1 队列与多线程
7.3.2 输入文件队列
7.3.3 组合训练数据（batching）
7.3.4 输入数据处理框架
7.4 数据集（Dataset）
7.4.1 数据集的基本使用方法
7.4.2 数据集的高层操作
小结
第8章 循环神经网络
8.1 循环神经网络简介
8.2 长短时记忆网络（LSTM）结构
8.3 循环神经网络的变种
8.3.1 双向循环神经网络和深层循环神经网络
8.3.2 循环神经网络的dropout
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
9.1.1 语言模型简介
9.1.2 语言模型的评价方法
9.2 神经语言模型
9.2.1 PTB数据集的预处理
9.2.2 PTB数据的batching方法
9.2.3 基于循环神经网络的神经语言模型
9.3 神经网络机器翻译
9.3.1 机器翻译背景与Seq2Seq模型介绍
9.3.2 机器翻译文本数据的预处理
9.3.3 Seq2Seq模型的代码实现
9.3.4 注意力机制
小结
第10章 TensorFlow高层封装
10.1 TensorFlow高层封装总览
10.2 Keras介绍
10.2.1 Keras基本用法
10.2.2 Keras高级用法
10.3 Estimator介绍
10.3.1 Estimator基本用法
10.3.2 Estimator自定义模型
10.3.3 使用数据集（Dataset）作为Estimator输入
小结
第11章 TensorBoard可视化
11.1 TensorBoard简介
11.2 TensorFlow计算图可视化
11.2.1 命名空间与TensorBoard图上节点
11.2.2 节点信息
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
12.4.1 分布式TensorFlow原理
12.4.2 分布式TensorFlow模型训练
小结
