幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

TensorFlow速查手冊

  • 作者：(美)KC.董|責編:劉熾|譯者:蘇鈺涵
  • 出版社：中國電力
  • ISBN：9787519869717
  • 出版日期：2022/09/01
  • 裝幀：平裝
  • 頁數：232
人民幣：RMB 78 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一本使用Python實現TensorFlow設計模式的簡明參考書，可以幫助你對各種不同用例做出明智的決策。本書作者並不是只強調TensorFlow本身，而是全面地介紹了數據科學和機器學習領域中的常見主題和任務。
    什麼時候使用NumPy或流式數據集提供訓練數據？為什麼？訓練過程中你要如何建立數據轉換和工作流？如何使用遷移學習充分利用一個預訓練的模型？如何完成超參數調優？選擇這本書，它會大大減少你為TensorFlow用例搜尋選擇方案花費的時間。
作者介紹
(美)KC.董|責編:劉熾|譯者:蘇鈺涵
    KC.董 KC Tung 是微軟的雲解決方案架構師，擅長在企業雲架構中設計和交付機器學習和AI 解決方案。他幫助企業客戶使用用例驅動的架構，在雲中完成 AI/ML 模型開發和部署，以及選擇最Z適合其需求的技術和集成方案。他是微軟認證的人工智慧工程師和數據工程師，擁有得克薩斯大學西南醫學院的分子生物物理學博士學位。
目錄
前言
第1章  TensorFlow 2簡介
  1.1  TensorFlow 2的改進
    1.1.1  Keras API
    1.1.2  TensorFlow中的可重用模型
  1.2  簡化常用操作
    1.2.1  開源數據
    1.2.2  使用分散式數據集
    1.2.3  數據流式處理
    1.2.4  數據工程
    1.2.5  遷移學習
    1.2.6  模型風格
    1.2.7  監視訓練過程
    1.2.8  分散式訓練
    1.2.9  提供TensorFlow模型服務
    1.2.10  改善訓練體驗
  1.3  總結
第2章  數據存儲和攝取
  2.1  使用Python 生成器流式處理數據
  2.2  使用生成器流式處理文件內容
  2.3  JSON 數據結構
  2.4  建立文件名模式
  2.5  將一個CSV 文件劃分為多個CSV文件
  2.6  使用tf.io創建文件模式對象
  2.7  創建流式數據集對象
  2.8  流式處理CSV 數據集
  2.9  組織圖像數據
  2.10  使用TensorFlow圖像生成器
  2.11  流式處理交叉驗證圖像
  2.12  查看調整大小后的圖像
  2.13  總結
第3章  數據預處理
  3.1  準備表格數據進行訓練
    3.1.1  標記列
    3.1.2  將列交互編碼為可能的特徵
    3.1.3  創建交叉驗證數據集
    3.1.4  開始模型訓練過程
    3.1.5  小結
  3.2  準備圖像數據進行處理
    3.2.1  將圖像轉換為固定大小
    3.2.2  訓練模型
    3.2.3  小結
  3.3  準備文本數據進行處理
    3.3.1  文本分詞
    3.3.2  創建字典和反轉字典
  3.4  總結
第4章  可重用模型元素
  4.1  基本TensorFlow Hub工作流
  4.2  利用遷移學習完成圖像分類
    4.2.1  模型需求

    4.2.2  數據轉換和輸入處理
    4.2.3  利用TensorFlow Hub實現模型
    4.2.4  定義輸出
    4.2.5  輸出映射到純文本格式
    4.2.6  評估：創建一個混淆矩陣
    4.2.7  小結
  4.3  使用tf.keras.applications模塊獲得預訓練模型
    4.3.1  利用tf.keras.applications實現模型
    4.3.2  微調tf.keras.applications的模型
  4.4  總結
第5章  流式攝取數據管道
  5.1  使用text_dataset_from_directory函數流式處理文本文件
    5.1.1  下載文本數據並建立字典
    5.1.2  創建數據管道
    5.1.3  檢查數據集
    5.1.4  小結
  5.2  使用flow_from_dataframe方法利用文件列表流式處理圖像
    5.2.1  下載圖像並創建目錄
    5.2.2  創建數據攝取管道
    5.2.3  檢查數據集
    5.2.4  構建和訓練tf.keras模型
  5.3  使用from_tensor_slices方法流式處理NumPy 數組
    5.3.1  載入示例數據和庫
    5.3.2  檢查NumPy數組
    5.3.3  為NumPy數據建立輸入管道
  5.4  總結
第6章  模型創建風格
  6.1  使用符號式API
    6.1.1  載入CIFAR-10圖像
    6.1.2  檢查標籤分佈
    6.1.3  檢查圖像
    6.1.4  構建數據管道
    6.1.5  批處理數據集進行訓練
    6.1.6  構建模型
  6.2  理解繼承
  6.3  使用命令式API
  6.4  選擇API
  6.5  使用內置訓練循環
  6.6  創建和使用自定義訓練循環
    6.6.1  創建循環的元素
    6.6.2  在自定義訓練循環中集成所有元素
  6.7  總結
第7章  監視訓練過程
  7.1  回調對象
    7.1.1  ModelCheckpoint
    7.1.2  EarlyStopping
    7.1.3  小結
  7.2  TensorBoard
    7.2.1  由本地Jupyter Notebook調用TensorBoard
    7.2.2  由本地命令終端調用TensorBoard

    7.2.3  由Colab Notebook調用TensorBoard
    7.2.4  使用TensorBoard可視化顯示模型過擬合
    7.2.5  使用TensorBoard可視化學習過程
  7.3  總結
第8章  分散式訓練
  8.1  數據並行化
    8.1.1  非同步參數伺服器
    8.1.2  同步全歸約
  8.2  使用類tf.distribute.MirroredStrategy
    8.2.1  創建分散式訓練
    8.2.2  利用tf.distribute.MirroredStrategy使用GPU集群
    8.2.3  小結
  8.3  Horovod API
    8.3.1  實現Horovod API的代碼模式
    8.3.2  封裝模型架構
    8.3.3  封裝數據分離和分片過程
    8.3.4  工作節點間的參數同步
    8.3.5  模型檢查點回調
    8.3.6  聚合梯度的分散式優化器
    8.3.7  使用Horovod API的分散式訓練
  8.4  總結
第9章  提供TensorFlow模型服務
  9.1  模型序列化
    9.1.1  將模型保存為h5格式
    9.1.2  將模型保存為pb格式
    9.1.3  選擇模型格式
  9.2  TensorFlow Serving
  9.3  總結
第10章  改善建模體驗：公平性評估和超參數調優
  10.1  模型公平性
    10.1.1  模型訓練和評估
    10.1.2  公平性評估
    10.1.3  顯示Fairness Indicators
  10.2  超參數調優
    10.2.1  整數列表作為超參數
    10.2.2  項選擇作為超參數
    10.2.3  浮點值作為超參數
  10.3  端到端超參數調優
  10.4  總結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032