新書推薦：
《
中国王朝内争实录：宠位厮杀
》
售價：HK$
61.6
《
凡事发生皆有利于我（这是一本读了之后会让人运气变好的书”治愈无数读者的心理自助经典）
》
售價：HK$
44.6
《
未来特工局
》
售價：HK$
55.8
《
高术莫用（十周年纪念版 逝去的武林续篇 薛颠传世之作 武学尊师李仲轩家世 凸显京津地区一支世家的百年沉浮）
》
售價：HK$
54.9
《
英国简史（刘金源教授作品）
》
售價：HK$
98.6
《
便宜货：廉价商品与美国消费社会的形成
》
售價：HK$
77.3
《
读书是一辈子的事（2024年新版）
》
售價：HK$
77.3
《
乐道文库·什么是秦汉史
》
售價：HK$
80.6
|
| 編輯推薦： |
"1. 版本新，易入门
本书详细地介绍从TensorFlow 2.1的安装到使用、TensorFlow默认API，以及使用官方所推荐的Keras的编程方法与技巧等。
2. 作者经验丰富，代码编写细腻
作者是长期奋战在科研和工业界的一线算法设计和程序编写人员，实战经验丰富，对代码中可能会出现的各种问题和坑有丰富的处理经验，使得读者能够少走很多弯路。
3. 理论扎实，深入浅出
在代码设计的基础上，本书还深入浅出地介绍深度学习需要掌握的一些基本理论知识，通过大量的公式与图示结合的方式对理论做介绍，是一本难得的好书。
4. 对比多种应用方案，实战案例丰富
本书采用了大量的实例，同时也提供了一些实现同类功能的其他解决方案，覆盖了使用TensorFlow进行深度学习开发中常用的知识。
"
|
| 內容簡介： |
|
神经网络是深度学习的核心内容，TensorFlow是现在*为流行的深度学习框架之一。本书使用TensorFlow 2.1作为自然语言处理实现的基本工具，引导深度学习的入门读者，从搭建环境开始，逐步深入到理论、代码、应用实践中去。 本书分为10章，内容包括搭建环境、TensorFlow基本和高级API的使用、MNIST手写体分辨实战、Dataset API、ResNet模型、词嵌入（word embedding）模型的实现，*后给出3个实战案例：文本分类、基于编码器的拼音汉字转化模型，以及基于编码器、解码器的拼音汉字翻译模型。 本书内容详尽、示例丰富，是机器学习和深度学习读者必备的参考书，非常适合开设人工智能相关专业的大中专院校师生阅读，也可作为高等院校计算机及相关专业教材使用。
|
| 關於作者： |
|
王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》《TensorFlow 2.0卷积神经网络实战》等图书。
|
| 目錄：
|
第1章 自然语言之道 1
1.1 何谓自然语言处理 1
1.1.1 自然语言处理是门技术 1
1.1.2 传统自然语言处理 2
1.2 自然语言处理为什么难以最简单的情感分析为例 3
1.3 自然语言处理的展望 5
1.3.1 自然语言处理对于人工智能的意义 6
1.3.2 自然语言在金融、法律、医疗健康等方面的应用 6
1.4 搭建环境1：安装Python 7
1.4.1 Anaconda的下载与安装 7
1.4.2 Python编译器PyCharm的安装 10
1.4.3 使用Python计算softmax函数 14
1.5 搭建环境2：安装TensorFlow 2.1 15
1.5.1 安装TensorFlow 2.1的CPU版本 15
1.5.2 安装TensorFlow 2.1的GPU版本 15
1.5.3 练习Hello TensorFlow 18
1.6 实战酒店评论的情感分类 19
1.6.1 第一步：数据的准备 19
1.6.2 第二步：数据的处理 20
1.6.3 第三步：模型的设计 20
1.6.4 第四步：模型的训练 21
1.6.5 第五步：模型的结果和展示 22
1.7 本章小结 22
第2章 Hello TensorFlow & Keras 23
2.1 TensorFlow & Keras 23
2.1.1 模型！模型！还是模型！ 24
2.1.2 使用Keras API实现鸢尾花分类的例子（顺序模式） 24
2.1.3 使用Keras函数式编程实现鸢尾花分类的例子（重点） 27
2.1.4 使用保存的Keras模式对模型进行复用 30
2.1.5 使用TensorFlow标准化编译对iris模型进行拟合 31
2.1.6 多输入单一输出TensorFlow编译方法（选学） 35
2.1.7 多输入多输出TensorFlow编译方法（选学） 38
2.2 全连接层详解 40
2.2.1 全连接层的定义与实现 40
2.2.2 使用TensorFlow自带的API实现全连接层 42
2.2.3 打印显示已设计的model结构和参数 45
2.3 懒人的福音Keras模型库 47
2.3.1 ResNet50模型和参数的载入 47
2.3.2 使用ResNet50作为特征提取层建立模型 49
2.4 本章小结 51
第3章 深度学习的理论基础 52
3.1 BP神经网络简介 53
3.2 BP神经网络两个基础算法详解 56
3.2.1 最小二乘法（LS算法）详解 56
3.2.2 道士下山的故事梯度下降算法 58
3.3 反馈神经网络反向传播算法介绍 61
3.3.1 深度学习基础 61
3.3.2 链式求导法则 62
3.3.3 反馈神经网络原理与公式推导 64
3.3.4 反馈神经网络原理的激活函数 69
3.3.5 反馈神经网络原理的Python实现 70
3.4 本章小结 74
第4章 卷积层与MNIST实战 75
4.1 卷积运算基本概念 75
4.1.1 卷积运算 76
4.1.2 TensorFlow中卷积函数实现详解 78
4.1.3 池化运算 80
4.1.4 softmax激活函数 81
4.1.5 卷积神经网络原理 82
4.2 编程实战：MNIST手写体识别 85
4.2.1 MNIST数据集 85
4.2.2 MNIST数据集特征和标签介绍 87
4.2.3 TensorFlow 2.X编程实战：MNIST数据集 89
4.2.4 使用自定义的卷积层实现MNIST识别 93
4.3 本章小结 96
第5章 TensorFlow Datasets和TensorBoard详解 97
5.1 TensorFlow Datasets简介 97
5.1.1 Datasets数据集的安装 99
5.1.2 Datasets数据集的使用 99
5.2 Datasets数据集的使用FashionMNIST 101
5.2.1 FashionMNIST数据集下载与展示 102
5.2.2 模型的建立与训练 104
5.3 使用Keras对FashionMNIST数据集进行处理 106
5.3.1 获取数据集 106
5.3.2 数据集的调整 107
5.3.3 使用Python类函数建立模型 107
5.3.4 Model的查看和参数打印 108
5.3.5 模型的训练和评估 110
5.4 使用TensorBoard可视化训练过程 112
5.4.1 TensorBoard文件夹的设置 113
5.4.2 TensorBoard的显式调用 114
5.4.3 TensorBoard的使用 116
5.5 本章小结 119
第6章 从冠军开始：ResNet 120
6.1 ResNet基础原理与程序设计基础 121
6.1.1 ResNet诞生的背景 121
6.1.2 模块工具的TensorFlow实现不要重复造轮子 124
6.1.3 TensorFlow高级模块layers用法简介 125
6.2 ResNet实战：CIFAR100数据集分类 132
6.2.1 CIFAR100数据集简介 132
6.2.2 ResNet残差模块的实现 135
6.2.3 ResNet网络的实现 137
6.2.4 使用ResNet对CIFAR100数据集进行分类 140
6.3 ResNet的兄弟ResNeXt 141
6.3.1 ResNeXt诞生的背景 141
6.3.2 ResNeXt残差模块的实现 143
6.3.3 ResNeXt网络的实现 145
6.3.4 ResNeXt和ResNet的比较 146
6.4 本章小结 147
第7章 有趣的word embedding 148
7.1 文本数据处理 148
7.1.1 数据集介绍和数据清洗 149
7.1.2 停用词的使用 151
7.1.3 词向量训练模型word2vec使用介绍 154
7.1.4 文本主题的提取：基于TF-IDF（选学） 157
7.1.5 文本主题的提取：基于TextRank（选学） 161
7.2 更多的word embedding方法fastText和预训练词向量 164
7.2.1 fastText的原理与基础算法 164
7.2.2 fastText训练以及与TensorFlow 2.X的协同使用 166
7.2.3 使用其他预训练参数做TensorFlow词嵌入矩阵（中文） 172
7.3 针对文本的卷积神经网络模型简介字符卷积 173
7.3.1 字符（非单词）文本的处理 173
7.3.2 卷积神经网络文本分类模型的实现conv1d（一维卷积） 180
7.4 针对文本的卷积神经网络模型简介词卷积 182
7.4.1 单词的文本处理 183
7.4.2 卷积神经网络文本分类模型的实现conv2d（二维卷积） 184
7.5 使用卷积对文本分类的补充内容 188
7.5.1 汉字的文本处理 188
7.5.2 其他细节 191
7.6 本章小结 191
第8章 实战站在冠军肩膀上的情感分类实战 193
8.1 GRU与情感分类 193
8.1.1 什么是GRU 193
8.1.2 使用GRU的情感分类 195
8.1.3 TensorFlow中的GRU层详解 196
8.1.4 单向不行就双向 197
8.2 站在巨人肩膀上的情感分类 198
8.2.1 使用TensorFlow自带的模型做文本分类 199
8.2.2 使用自定义的DPCNN做模型分类 203
8.3 本章小结 207
第9章 从0起步自然语言处理的编码器 208
9.1 编码器的核心注意力模型 209
9.1.1 输入层初始词向量层和位置编码器层 210
9.1.2 自注意力层（本书重点） 211
9.1.3 ticks和LayerNormalization 216
9.1.4 多头自注意力 217
9.2 编码器的实现 221
9.2.1 前馈层的实现 221
9.2.2 构建编码器架构 223
9.3 实战编码器汉字拼音转化模型 226
9.3.1 汉字拼音数据集处理 227
9.3.2 汉字拼音转化模型的确定 229
9.3.3 模型训练部分的编写 232
9.3.4 推断函数的编写 233
9.4 本章小结 234
第10章 从1起步自然语言处理的解码器 236
10.1 解码器的核心注意力模型 236
10.1.1 解码器的输入和交互注意力层的掩码 237
10.1.2 为什么通过掩码操作能够减少干扰 242
10.1.3 解码器的输出（移位训练方法） 243
10.1.4 解码器的实现 244
10.2 解码器实战拼音汉字翻译模型 246
10.2.1 翻译模型 246
10.2.2 拼音汉字模型的训练（注意训练过程的错位数据输入） 252
10.2.3 拼音汉字模型的使用（循环输出的问题） 254
10.3 本章小结 256
|
| 內容試閱：
|
TensorFlow从诞生之初即作为全球人工智能领域最受使用者欢迎的人工智能开源框架，荣获了太多的赞誉与光环，见证了人工智能在全球范围的兴起并引领了全行业的研究方向，改变了固有的人类处理问题和解决问题的方法和认知，引领了深度学习和人工智能领域的全面发展和成长壮大。它的出现使得深度学习的学习门槛被大大降低，不仅是数据专家，就连普通的程序设计人员甚至于相关专业的学生都可以用其来开发新的AI程序，而不需要深厚的算法理论和编程功底。
可以说，TensorFlow是现代社会人类一项最有前途和意义的发明，并且将继续发扬光大。
如同人类的孩子一样，TensorFlow自2016年诞生以来，在不断发展和前行的这3年里，在承受荣誉的同时，TensorFlow也遭到了大量的批评，遇到了很多对手。但是TensorFlow的创造者和用户并没有因此而懊恼，而是不断学习，吸收大量使用者的建议，以及竞争对手中好的易用的特性与方法，从而不断充实和壮大自己。
终于在TensorFlow年满3岁之际，TensorFlow迎来了一项革命性的变化，TensorFlow 2横空出世，作为一个重要的里程碑，其理解和目标由注重自身框架结构的完整和逻辑性转向为偏重于易用性，使得初学者和使用者能够在极低的门槛上掌握和使用，TensorFlow 2的目标就是让每个人都能使用人工智能技术帮助自己的学习和生活的提高。
本书以TensorFlow 2.1版本为基础进行编写，从TensorFlow 2.1的基础语法开始，到使用TensorFlow 2.1进行深度学习程序的设计和实战编写，全面介绍TensorFlow 2.1核心内容和各方面涉及的相关知识。
本书对TensorFlow 2.1核心内容进行深入分析，重要内容均结合代码进行实战讲解，围绕深度学习原理介绍大量实战案例，读者通过这些案例可以深入地了解和掌握TensorFlow 2.1的内容，并对深度学习有进一步的了解。
本书是一本面向初级和中级读者的优秀教程。通过本书的学习，读者能够掌握使用深度学习的基本内容和在TensorFlow框架下进行神经网络使用的知识要点，以及从模型的构建到应用程序的编写一整套应用技巧。
本书特色
1. 版本新，易入门
本书详细地介绍从TensorFlow 2.1的安装到使用、TensorFlow默认API，以及使用官方所推荐的Keras的编程方法与技巧等。
2. 作者经验丰富，代码编写细腻
作者是长期奋战在科研和工业界的一线算法设计和程序编写人员，实战经验丰富，对代码中可能会出现的各种问题和坑有丰富的处理经验，使得读者能够少走很多弯路。
3. 理论扎实，深入浅出
在代码设计的基础上，本书还深入浅出地介绍深度学习需要掌握的一些基本理论知识，通过大量的公式与图示结合的方式对理论做介绍，是一本难得的好书。
4. 对比多种应用方案，实战案例丰富
本书采用了大量的实例，同时也提供了一些实现同类功能的其他解决方案，覆盖了使用TensorFlow进行深度学习开发中常用的知识。
本书内容及知识体系
本书基于TensorFlow 2.1版本的新架构模式和框架，完整介绍TensorFlow 2.1使用方法和一些进阶教程，主要内容如下：
第1章详细介绍TensorFlow 2.1版本的安装方法以及对应的运行环境的安装，并且通过一个简单的例子验证TensorFlow 2.1的安装效果，并将其作为贯穿全书学习的主线。在本章还介绍了TensorFlow硬件的采购。请记住，一块能够运行TensorFlow 2.0 GPU版本的显卡能让你的学习事半功倍。
第2章是本书的重点，从模型的设计开始，循序渐进地介绍TensorFlow 2.1的编程方法和步骤，包括结合Keras进行TensorFlow 2.1模型设计的完整步骤，以及自定义层的方法。第2章的内容看起来很简单，却是本书的基础内容和核心精华，读者一定要反复阅读，认真掌握所有内容和代码的编写。
第3章是TensorFlow 2.1的理论部分，介绍反馈神经网络的实现和最核心的两个算法，作者通过图示并结合理论公式的方式认真详细地介绍理论和原理并且手动实现一个反馈神经网络。
使用卷积神经网络去识别物体是深度学习一个经典内容，第4章详细介绍卷积神经网络的原理、各个模型的使用和自定义内容，借助卷积神经网络（CNN）算法构建一个简单的CNN模型进行MNIST数字识别。此章和第2章同为本书的重点内容，能够极大地协助读者对TensorFlow框架的使用和程序的编写。
第5章是TensorFlow新版本的数据读写部分，详细介绍使用TensorFlow 2.1自带的Dataset API对数据的序列化存储，并通过简单的方法使用TensorFlow Dataset对数据进行读取和调用。
第6章介绍ResNet的基本思想和内容。ResNet是一个具有里程碑性质的框架，标志着粗犷的卷积神经网络设计向着精确化和模块化的方向转化。ResNet本身的程序编写非常简单，其中蕴含的设计思想却是跨越性的。
第7章主要介绍自然语言处理最基本的词嵌入的训练和使用，从一个有趣的问题引导读者从文本清洗开始，到词嵌入的计算以及利用文本的不同维度和角度对文本进行拆分。
第8章开始进行了更为细化的自然语言处理部分，即复习本书前面章节学习和掌握的自然语言处理手段，练习使用不同的技巧实战前面部分的文本分类，扎扎实实地解决一个事实中存在的问题。
第9、10章向读者展示目前自然语言处理研究的最先进手段，即利用编码器和解码器对数据进行处理。本书分别使用编码器模型和解码器模型去解决一个实际问题，并通过对其细节的不同做出对比，向读者更加完整详细地介绍编码器与解码器的应用场景和不同，为后续的学习打下基础。这也是自然语言处理研究的方向。
源码下载与技术支持邮箱
本书配套的示例源码，请用微信扫描清华网盘二维码获取。如果学习过程中发现问题，请联系booksaga@163.com，邮件主题为TensorFlow Keras自然语言处理实战。
适合阅读本书的读者
? 人工智能入门读者；
? 深度学习入门读者
? 机器学习入门读者；
? 自然语言处理入门读者；
? 各级人工智能院校的学生；
? 专业培训机构的学员；
? 其他对智能化、自动化感兴趣的开发者。
勘误和支持
限于作者水平，加上编写时间跨度较长、TensorFlow的演进较快，书中的内容难免会出现欠妥之处，恳请读者来信批评指正。
感谢所有编辑们，在本书编写中提供无私的帮助和宝贵的建议，正是他们耐心地鼓励和支持才让本书得以出版。感谢家人对我的支持和理解，这些都给了我莫大的动力，让自己的努力更加有意义。
王晓华
2021年1月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
