商品簡介
本書通過聚焦于開發基於神經網絡的解決方案來介紹機器學習，首先將從熟悉構建深度學習解決方案所需的概念和技術開始，然後介紹如何創建分類器、構建目標檢測和語義分割神經網絡、訓練生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速開發過程。學完本書之後，讀者將能夠使用TF 2.0開發任何機器學習問題的解決方案，並能將它們部署到生產環境之中。
名人推薦
基於TensoFlow 2.0的神經網絡入門實踐指南，涵蓋CNN、GAN等深度神經網絡的基本概念、關鍵技術及應用
目次
譯者序
前言
作者簡介
審校者簡介
第一部分 神經網絡基礎
第1章 什麼是機器學習2
1.1 數據集的重要性3
1.1.1 n維空間5
1.1.2 維度詛咒8
1.2 有監督學習9
1.2.1 距離和相似性―k-NN算法10
1.2.2 參數模型11
1.2.3 評估模型性能―度量指標13
1.3 無監督學習18
1.4 半監督學習19
1.5 總結20
1.6 練習題20
第2章 神經網絡與深度學習22
2.1 神經網絡23
2.1.1 生物神經元23
2.1.2 人工神經元24
2.1.3 全連接層25
2.1.4 激活函數27
2.1.5 損失函數29
2.1.6 參數初始化30
2.2 優化31
2.2.1 梯度下降法32
2.2.2 梯度下降優化算法34
2.2.3 反向傳播和自動微分37
2.3 卷積神經網絡39
2.3.1 卷積運算符39
2.3.2 二維卷積40
2.3.3 卷間的二維卷積41
2.3.4 1×1×D卷積44
2.4 正則化45
2.4.1 dropout45
2.4.2 數據擴充48
2.4.3 早期停止48
2.4.4 批量歸一化49
2.5 總結50
2.6 練習題51
第二部分 TensorFlow基礎
第3章 TensorFlow圖架構54
3.1 環境設置55
3.1.1 TensorFlow 1.x的環境設置56
3.1.2 TensorFlow 2.0的環境設置57
3.2 數據流圖58
3.2.1 主要結構―tf.Graph60
3.2.2 圖定義―從tf.Operation到tf.Tensor60
3.2.3 圖放置―tf.device64
3.2.4 圖執行―tf.Session66
3.2.5 靜態圖中的變量69
3.3 模型定義和訓練72
3.3.1 用tf.layers定義模型72
3.3.2 自動微分―損失函數和優化器75
3.4 用Python操作圖78
3.4.1 給占位符賦值79
3.4.2 總結記錄80
3.4.3 保存模型參數和模型選擇81
3.5 總結83
3.6 練習題85
第4章 TensorFlow 2.0架構86
4.1 重新學習這個框架87
4.2 Keras框架及其模型88
4.2.1 順序API90
4.2.2 函數式API92
4.2.3 子類方法93
4.3 eager執行模式和新的特徵94
4.3.1 基本示例94
4.3.2 函數，而不是會話96
4.3.3 不再有全域的東西97
4.3.4 控制流99
4.3.5 GradientTape 101
4.3.6 定制訓練循環102
4.3.7 保存和恢復模型狀態105
4.3.8 總結記錄和指標度量107
4.3.9 AutoGraph111
4.4 代碼庫遷移115
4.5 總結117
4.6 練習題117
第5章 高效的數據輸入流水線和估計器API120
5.1 高效的數據輸入流水線121
5.1.1 輸入流水線的結構121
5.1.2 tf.data.Dataset對象122
5.1.3 性能優化125
5.1.4 構建自己的數據集126
5.1.5 數據擴充127
5.1.6 TensroFlow 數據集―tdfs128
5.1.7 Keras整合130
5.1.8 eager整合131
5.2 估計器API132
5.2.1 數據輸入流水線134
5.2.2 定制估計器136
5.2.3 預製估計器139
5.3 總結140
5.4 練習題141
第三部分 神經網絡應用
第6章 使用TensorFlow Hub進行圖像分類144
6.1 獲取數據145
6.2 遷移學習147
6.2.1 TensorFlow Hub149
6.2.2 使用Inception v3作為特徵提取器150
6.2.3 使數據適應模型152
6.2.4 建立模型―hub.KerasLayer152
6.2.5 訓練與評估154
6.2.6 訓練速度155
6.3 微調156
6.3.1 何時微調157
6.3.2 TensorFlow Hub集成157
6.3.3 訓練和評估158
6.3.4 訓練速度159
6.4 總結159
6.5 練習題160
第7章 目標檢測162
7.1 獲取數據163
7.2 目標定位167
7.2.1 定位是一個回歸問題168
7.2.2 IoU173
7.2.3 平均精度175
7.2.4 平均精度均值175
7.2.5 改進訓練腳本176
7.3 分類和定位177
7.3.1 多任務學習177
7.3.2 雙頭網絡178
7.3.3 基於錨的檢測器180
7.3.4 錨框180
7.4 總結182
7.5 練習題182
第8章 語義分割和自定義數據集生成器184
8.1 語義分割184
8.1.1 挑戰185
8.1.2 反卷積―轉置卷積186
8.1.3 U-Net架構187
8.2 創建一個TensorFlow數據集生成器191
8.2.1 層次化結構192
8.2.2 數據集類和DatasetInfo193
8.2.3 創建數據集分割194
8.2.4 生成示例195
8.2.5 使用生成器198
8.3 模型訓練與評估198
8.3.1 數據準備199
8.3.2 訓練循環和Keras回調函數199
8.3.3 評估與推論201
8.4 總結203
8.5 練習題204
第9章 生成式對抗網絡206
9.1 瞭解GAN及其應用206
9.1.1 價值函數207
9.1.2 非飽和價值函數208
9.1.3 模型定義和訓練階段208
9.1.4 GAN的應用209
9.2 無條件的GAN211
9.2.1 準備數據211
9.2.2 定義生成器212
9.2.3 定義鑒別器213
9.2.4 定義損失函數214
9.2.5 無條件的GAN中的對抗訓練過程215
9.3 有條件的GAN219
9.3.1 為有條件的GAN獲取數據220
9.3.2 在有條件的GAN中定義生成器220
9.3.3 在有條件的GAN中定義鑒別器221
9.3.4 對抗訓練過程222
9.4 總結223
9.5 練習題224
第10章 在生產環境中部署模型226
10.1 SavedModel序列化格式226
10.1.1 特徵227
10.1.2 通過Keras模型創建SavedModel 228
10.1.3 使用通用函數進行SavedModel轉換229
10.2 Python部署231
10.2.1 通用計算圖 231
10.2.2 Keras模型 233
10.2.3 平面圖234
10.3 支持部署的平臺235
10.3.1 TensorFlow.js236
10.3.2 Go綁定和tfgo240
10
