基本信息
- 作者： （美）丹·范·鲍克塞尔
- 译者： 连晓峰
- 出版社：机械工业出版社*
- ISBN：9787111588733
- 上架时间：2018-4-10
- 出版日期：2018 年4月
- 开本：16开
- 页码：90
- 版次：1-1
- 所属分类：计算机 > 人工智能 > 神经计算
机械工业出版社分类专区 > 机工电工电子分社 > 相关图书
编辑推荐
本书特色
本书是在作者Dan的TensorFlow畅销视频课程基础上编著完成的。随着深度学习逐步成为主流，使得利用深度神经网络来理解数据并得到准确结果成为可能。Dan Van Boxel将引导读者探索深度学习的可能，会让读者前所未有地了解数据。根据TensorFlow的高效性和简易性，读者能够处理数据并获得改变对数据看法的新见解。
在作者的引导下，读者将利用原始数据深入挖掘抽象的隐层。随后作者介绍了各种复杂的深度学习算法以及各种深度神经网络的应用案例。另外，读者还将学习到如何训练所建立的模型来生成新的特征，从而了解更深层次的数据意义。
在本书中，作者分享了其宝贵的经验和知识，如逻辑回归、卷积神经网络、递归神经网络、深度网络训练、高级接口等内容。在一些全新的实践示例帮助下，读者将成为在先进多层神经网络、图像识别以及其他方面的高手。
关于本书
阅读本书将会学到的内容：
·配置计算环境和安装TensorFlow；
·构建日常计算的简单TensorFlow图；
·基于TensorFlow的逻辑回归分类应用；
·利用TensorFlow设计和训练多层神经网络；
·直观理解卷积神经网络在图像识别中的应用；
·神经网络从简单模型到更精准模型的改进；
·TensorFlow在其他类型神经网络中的应用；
·基于一种TensorFlow高级接口——SciKit Flow的神经网络编程。
内容简介
作译者
译者简介：
连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。
连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。
目录
译者序
原书前言
第1 章 入门知识 1
1.1 TensorFlow 安装 1
1.1.1 TensorFlow- 主界面 1
1.1.2 TensorFlow- 安装页面 1
1.1.3 通过pip 安装 1
1.1.4 通过CoCalc 安装 4
1.2 简单计算 6
1.2.1 定义标量和张量 6
1.2.2 张量计算 7
1.2.3 执行计算 7
1.2.4 张量变量 8
1.2.5 查看和替换中间值 9
1.3 逻辑回归模型建模 10
1.3.1 导入字体分类数据集 11
1.3.2 逻辑回归分析 13
1.3.3 数据准备 13
1.3.4 构建TensorFlow 模型 14
1.4 逻辑回归模型训练 15
原书前言
第1 章 入门知识 1
1.1 TensorFlow 安装 1
1.1.1 TensorFlow- 主界面 1
1.1.2 TensorFlow- 安装页面 1
1.1.3 通过pip 安装 1
1.1.4 通过CoCalc 安装 4
1.2 简单计算 6
1.2.1 定义标量和张量 6
1.2.2 张量计算 7
1.2.3 执行计算 7
1.2.4 张量变量 8
1.2.5 查看和替换中间值 9
1.3 逻辑回归模型建模 10
1.3.1 导入字体分类数据集 11
1.3.2 逻辑回归分析 13
1.3.3 数据准备 13
1.3.4 构建TensorFlow 模型 14
1.4 逻辑回归模型训练 15
译者序
人工智能，尤其是机器学习领域的深度学习是目前的热点研究领域之一，而 TensorFlow是研究深度学习的重要库。
TensorFlow是由 Google公司开发，并于 2015年开放的一种用于机器学习和训练神经网络的开源软件库。本书着重基于 TensorFlow来构建简单和深度神经网络模型，并通过具体分类示例进行分析与说明。
全书共 5章：第 1章首先介绍了 TensorFlow的入门知识，包括 TensorFlow的技术和模型以及安装与配置；第 2章介绍了 TensorFlow在深度神经网络中的原理与应用，并构建和训练了相应的神经网络；第 3章将卷积运算应用于 TensorFlow构建的神经网络中，着重解释了卷积层和池化层；第 4章介绍了递归神经网络模型的概念，并在 TensorFlow中进行具体实现，详细介绍了权重提取过程；最后，在第 5章对 TensorFlow在不同神经网络中的应用进行了分析总结，并核验了其模型精度。全书结合具体示例，易于理解掌握。
本书主要由连晓峰翻译，韩忠明校正统稿，贾涵、潘兵、叶璐、王炎、申震云、郭朝晖等人也参与了部分内容的翻译和整理。
需说明的是，书中向量、矢量、张量、矩阵为与原书形式一致，并未改为标准的黑斜体，请读者注意。
由于译者的水平有限，书中不当或错误之处恳请各位业内专家学者和广大读者不吝赐教。
译者
TensorFlow是由 Google公司开发，并于 2015年开放的一种用于机器学习和训练神经网络的开源软件库。本书着重基于 TensorFlow来构建简单和深度神经网络模型，并通过具体分类示例进行分析与说明。
全书共 5章：第 1章首先介绍了 TensorFlow的入门知识，包括 TensorFlow的技术和模型以及安装与配置；第 2章介绍了 TensorFlow在深度神经网络中的原理与应用，并构建和训练了相应的神经网络；第 3章将卷积运算应用于 TensorFlow构建的神经网络中，着重解释了卷积层和池化层；第 4章介绍了递归神经网络模型的概念，并在 TensorFlow中进行具体实现，详细介绍了权重提取过程；最后，在第 5章对 TensorFlow在不同神经网络中的应用进行了分析总结，并核验了其模型精度。全书结合具体示例，易于理解掌握。
本书主要由连晓峰翻译，韩忠明校正统稿，贾涵、潘兵、叶璐、王炎、申震云、郭朝晖等人也参与了部分内容的翻译和整理。
需说明的是，书中向量、矢量、张量、矩阵为与原书形式一致，并未改为标准的黑斜体，请读者注意。
由于译者的水平有限，书中不当或错误之处恳请各位业内专家学者和广大读者不吝赐教。
译者
前言
TensorFlow是一种用于机器学习和训练神经网络的开源软件库。 TensorFlow最初是由 Google公司开发，并于 2015年开放源码。
通过本书，您将学习到如何使用 TensorFlow解决新的研究问题。同时，会利用其中一种基于 TensorFlow的最常用的机器学习方法和神经网络方法。本书的研究工作主要是致力于通过简单和深度神经网络来改进模型。
在此，研究各种字体的字母和数字图像，其目的是根据一个字母的特定图像来识别字体。这是一个简单的分类问题。
不仅单个像素或位置，而且像素间的局部结构也是非常重要的，这对于基于 TensorFlow的深度学习是一个理想问题。尽管是从简单模型开始，但将逐步介绍更加细微的方法，并逐行解释代码。在本书的结尾处，将可构建出自己的字体识别先进模型。
所以请准备好：利用 TensorFlow深入挖掘数据资源。
本书主要内容
第 1章入门知识，介绍了使用 TensorFlow的技术和模型。在本章，将介绍在计算机上安装 TensorFlow。经过简单计算的一些步骤，将进入机器学习问题，并成功构建包含逻辑回归和几行 TensorFlow代码的适当模型。
第 2章深度神经网络，介绍了 TensorFlow在深度神经网络中的主要原理。在此，将学习单隐层和多隐层模型。同时还将了解不同类型的神经网络，并利用 TensorFlow构建和训练第一个神经网络。
第 3章卷积神经网络，阐述了深度学习方面最强大的发展潜力，并将卷积概念应用于 TensorFlow的一个简单示例中。在此将着重处理卷积理解的实际问题。另外，还通过一个 TensorFlow示例解释神经网络中的卷积层和池化层。
第 4章递归神经网络，介绍了递归神经网络（ RNN）模型的概念，及其在 TensorFlow中的实现。在此重点分析称为 TensorFlow学习（ TensorFlow learn）的一个 TensorFlow的简单界面。另外，还简单演示了密集连接神经网络（ DNN）以及卷积神经网络（ CNN），并详细介绍了提取权重过程。
第 5章总结整理，完成所考虑的 TensorFlow。重新分析字体分类的 TensorFlow模型，并核验其模型精度。
学习本书所需的准备工作
本书将介绍如何安装 TensorFlow，因此需要准备一些依赖软件。至少需要一个最新版本的 Python2或 Python3以及 NumPy。为更好地学习本书，还应具有 Matplotlib和 IPython。
本书读者对象
随着深度学习逐渐成为主流，利用深度学习网络获取数据并得到准确结果变得可能。 Dan Van Boxel可指导读者探索深度学习中的各种可能性。它将使读者能够从未像过去那样理解数据。依据 TensorFlow的效率和简单性，读者可以有效处理数据，并获得可改变看待数据的洞察力。
约定惯例
在本书中，读者会发现许多可区分不同信息类型的文本风格。下面给出上述风格的一些示例，并解释其相应的含义。
在文本、数据表名称、文件夹名称、文件名、文件扩展名、路径名称、虚拟 URL、用户输入和 Twitter句柄等中的代码如下所示：“首先需要做的第一件事是下载本书的源码包，并打开 simple.py文件”。
一段代码设置如下：
import tensorflow as tf
通过本书，您将学习到如何使用 TensorFlow解决新的研究问题。同时，会利用其中一种基于 TensorFlow的最常用的机器学习方法和神经网络方法。本书的研究工作主要是致力于通过简单和深度神经网络来改进模型。
在此，研究各种字体的字母和数字图像，其目的是根据一个字母的特定图像来识别字体。这是一个简单的分类问题。
不仅单个像素或位置，而且像素间的局部结构也是非常重要的，这对于基于 TensorFlow的深度学习是一个理想问题。尽管是从简单模型开始，但将逐步介绍更加细微的方法，并逐行解释代码。在本书的结尾处，将可构建出自己的字体识别先进模型。
所以请准备好：利用 TensorFlow深入挖掘数据资源。
本书主要内容
第 1章入门知识，介绍了使用 TensorFlow的技术和模型。在本章，将介绍在计算机上安装 TensorFlow。经过简单计算的一些步骤，将进入机器学习问题，并成功构建包含逻辑回归和几行 TensorFlow代码的适当模型。
第 2章深度神经网络，介绍了 TensorFlow在深度神经网络中的主要原理。在此，将学习单隐层和多隐层模型。同时还将了解不同类型的神经网络，并利用 TensorFlow构建和训练第一个神经网络。
第 3章卷积神经网络，阐述了深度学习方面最强大的发展潜力，并将卷积概念应用于 TensorFlow的一个简单示例中。在此将着重处理卷积理解的实际问题。另外，还通过一个 TensorFlow示例解释神经网络中的卷积层和池化层。
第 4章递归神经网络，介绍了递归神经网络（ RNN）模型的概念，及其在 TensorFlow中的实现。在此重点分析称为 TensorFlow学习（ TensorFlow learn）的一个 TensorFlow的简单界面。另外，还简单演示了密集连接神经网络（ DNN）以及卷积神经网络（ CNN），并详细介绍了提取权重过程。
第 5章总结整理，完成所考虑的 TensorFlow。重新分析字体分类的 TensorFlow模型，并核验其模型精度。
学习本书所需的准备工作
本书将介绍如何安装 TensorFlow，因此需要准备一些依赖软件。至少需要一个最新版本的 Python2或 Python3以及 NumPy。为更好地学习本书，还应具有 Matplotlib和 IPython。
本书读者对象
随着深度学习逐渐成为主流，利用深度学习网络获取数据并得到准确结果变得可能。 Dan Van Boxel可指导读者探索深度学习中的各种可能性。它将使读者能够从未像过去那样理解数据。依据 TensorFlow的效率和简单性，读者可以有效处理数据，并获得可改变看待数据的洞察力。
约定惯例
在本书中，读者会发现许多可区分不同信息类型的文本风格。下面给出上述风格的一些示例，并解释其相应的含义。
在文本、数据表名称、文件夹名称、文件名、文件扩展名、路径名称、虚拟 URL、用户输入和 Twitter句柄等中的代码如下所示：“首先需要做的第一件事是下载本书的源码包，并打开 simple.py文件”。
一段代码设置如下：
import tensorflow as tf
