我用夸克网盘分享了「TensorFlow技术解析与实战.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

TensorFlow 是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。本书从深度学习的基础讲起，深入TensorFlow框架原理、模型构建、源代码分析和网络实现等各个方面。全书分为基础篇、实战篇和提高篇三部分。基础篇讲解人工智能的入门知识，深度学习的方法，TensorFlow的基础原理、系统架构、设计理念、编程模型、常用API、批标准化、模型的存储与加载、队列与线程，实现一个自定义操作，并进行TensorFlow源代码解析，介绍卷积神经网络（CNN）和循环神经网络（RNN）的演化发展及其TensorFlow实现、TensorFlow的高级框架等知识；实战篇讲解如何用TensorFlow写一个神经网络程序并介绍TensorFlow实现各种网络（CNN、RNN和自编码网络等）并对MNIST数据集进行训练，讲解TensorFlow在人脸识别、自然语言处理、图像和语音的结合、生成式对抗网络等方面的应用；提高篇讲解TensorFlow的分布式原理、架构、模式、API，还会介绍TensorFlow XLA、TensorFlow Debugger、TensorFlow和Kubernetes结合、TensorFlowOnSpark、TensorFlow移动端应用，以及TensorFlow Serving、TensorFlow Fold和TensorFlow计算加速等其他特性。最后，附录中列出一些可供参考的公开数据集，并结合作者的项目经验介绍项目管理的一些建议。

作者简介

李嘉璇，创建TensorFlow交流社区，活跃于国内各大技术社区，知乎编程问题回答者。致力于人工智能的研究，对深度学习框架的架构、源码分析及在不同领域的应用有浓厚兴趣。有过上百篇论文阅读和深度学习经验，处理图像、社交文本数据情感分析、数据挖掘经验，参与过基于深度学习的自动驾驶二维感知系统Hackathon竞赛，曾任职百度研发工程师。

网友热评

chat_shi: 给五星。好评。第8页到第11页，已经把整本书讲完了。真是很有诚意。其他的都是附带的。还有辣么多瞎子，乱评。哎哎。 我要是写书，应该也是这种风格。深度学习的关键卖点，作者都已轻松的语气点到了，但你不读论文，其实也意识不到，既然不如，还不多少说。 好书。但不是瞎子有资格读的。就酱。哈 喜欢放葱的怪物: 内容太少太浅，倒不是说不好，就是不值那个定价。最后那章关于项目管理的倒减一星，技术书籍就写好技术就行了，项目管理也不是那么三言两语就行的，什么都讲什么都讲不好。有需要看的豆友可以联系我，出邮费就借书，少花冤枉钱。 xslug: 内容覆盖广泛，包括了一些比较新的内容。整体浅显，组织略显凌乱，适合梳理知识，跳读感兴趣部分。作者医药学专业出身，基础和实践经验不够，理解不深，但有高人指点。 惟恍惟惚: 纯粹骗钱的广告手册。强烈建议不要买，更不要浪费时间去读。目录是各种蹭热点，知识点都是一段介绍完毕。三分之二以上是代码，代码中三分之一是输出结果。纯粹凑页数的。现在出书的门槛真是低。。。 SpringFever: 居然能大言不惭的引用百度百科和维基百科，真是刷新了三观。

图书目录

第一篇　基础篇 第1章　人工智能概述2 1.1　什么是人工智能2 1.2　什么是深度学习5 1.3　深度学习的入门方法7 1.4　什么是TensorFlow11 1.5　为什么要学TensorFlow12 1.5.1　TensorFlow的特性14 1.5.2　使用TensorFlow的公司15 1.5.3　TensorFlow的发展16 1.6　机器学习的相关赛事16 1.6.1　ImageNet的ILSVRC17 1.6.2　Kaggle18 1.6.3　天池大数据竞赛19 1.7　国内的人工智能公司20 1.8　小结22 第2章　TensorFlow环境的准备23 2.1　下载TensorFlow1.1.023 2.2　基于pip的安装23 2.2.1　MacOS环境准备24 2.2.2　Ubuntu/Linux环境准备25 2.2.3　Windows环境准备25 2.3　基于Java的安装28 2.4　从源代码安装29 2.5　依赖的其他模块30 2.5.1　numpy30 2.5.2　matplotlib31 2.5.3　jupyter31 2.5.4　scikit-image32 2.5.5　librosa32 2.5.6　nltk32 2.5.7　keras33 2.5.8　tflearn33 2.6　小结33 第3章　可视化TensorFlow34 3.1　PlayGround34 3.1.1　数据35 3.1.2　特征36 3.1.3　隐藏层36 3.1.4　输出37 3.2　TensorBoard39 3.2.1　SCALARS面板40 3.2.2　IMAGES面板41 3.2.3　AUDIO面板42 3.2.4　GRAPHS面板42 3.2.5　DISTRIBUTIONS面板43 3.2.6　HISTOGRAMS面板43 3.2.7　EMBEDDINGS面板44 3.3　可视化的例子44 3.3.1　降维分析44 3.3.2　嵌入投影仪48 3.4　小结51 第4章　TensorFlow基础知识52 4.1　系统架构52 4.2　设计理念53 4.3　编程模型54 4.3.1　边56 4.3.2　节点57 4.3.3　其他概念57 4.4　常用API60 4.4.1　图、操作和张量60 4.4.2　可视化61 4.5　变量作用域62 4.5.1　variable_scope示例62 4.5.2　name_scope示例64 4.6　批标准化64 4.6.1　方法65 4.6.2　优点65 4.6.3　示例65 4.7　神经元函数及优化方法66 4.7.1　激活函数66 4.7.2　卷积函数69 4.7.3　池化函数72 4.7.4　分类函数73 4.7.5　优化方法74 4.8　模型的存储与加载79 4.8.1　模型的存储与加载79 4.8.2　图的存储与加载82 4.9　队列和线程82 4.9.1　队列82 4.9.2　队列管理器85 4.9.3　线程和协调器86 4.10　加载数据87 4.10.1　预加载数据87 4.10.2　填充数据87 4.10.3　从文件读取数据88 4.11　实现一个自定义操作92 4.11.1　步骤92 4.11.2　最佳实践93 4.12　小结101 第5章　TensorFlow源代码解析102 5.1　TensorFlow的目录结构102 5.1.1　contirb103 5.1.2　core104 5.1.3　examples105 5.1.4　g3doc105 5.1.5　python105 5.1.6　tensorboard105 5.2　TensorFlow源代码的学习方法106 5.3　小结108 第6章　神经网络的发展及其TensorFlow实现109 6.1　卷积神经网络109 6.2　卷积神经网络发展110 6.2.1　网络加深111 6.2.2　增强卷积层的功能115 6.2.3　从分类任务到检测任务120 6.2.4　增加新的功能模块121 6.3　MNIST的AlexNet实现121 6.3.1　加载数据121 6.3.2　构建网络模型122 6.3.3　训练模型和评估模型124 6.4　循环神经网络125 6.5　循环神经网络发展126 6.5.1　增强隐藏层的功能127 6.5.2　双向化及加深网络129 6.6　TensorFlowModelZoo131 6.7　其他研究进展131 6.7.1　强化学习132 6.7.2　深度森林132 6.7.3　深度学习与艺术132 6.8　小结133 第7章　TensorFlow的高级框架134 7.1　TFLearn134 7.1.1　加载数据134 7.1.2　构建网络模型135 7.1.3　训练模型135 7.2　Keras135 7.2.1　Keras的优点136 7.2.2　Keras的模型136 7.2.3　Keras的使用137 7.3　小结141 第二篇　实战篇 第8章　第一个TensorFlow程序144 8.1　TensorFlow的运行方式144 8.1.1　生成及加载数据144 8.1.2　构建网络模型145 8.1.3　训练模型145 8.2　超参数的设定146 8.3　小结147 第9章　TensorFlow在MNIST中的应用148 9.1　MNIST数据集简介148 9.1.1　训练集的标记文件148 9.1.2　训练集的图片文件149 9.1.3　测试集的标记文件149 9.1.4　测试集的图片文件150 9.2　MNIST的分类问题150 9.2.1　加载数据150 9.2.2　构建回归模型151 9.2.3　训练模型151 9.2.4　评估模型152 9.3　训练过程的可视化152 9.4　MNIST的卷积神经网络156 9.4.1　加载数据157 9.4.2　构建模型157 9.4.3　训练模型和评估模型159 9.5　MNIST的循环神经网络161 9.5.1　加载数据161 9.5.2　构建模型161 9.5.3训练数据及评估模型163 9.6　MNIST的无监督学习164 9.6.1　自编码网络164 9.6.2　TensorFlow的自编码网络实现165 9.7　小结169 第10章　人脸识别170 10.1　人脸识别简介170 10.2　人脸识别的技术流程171 10.2.1　人脸图像采集及检测171 10.2.2　人脸图像预处理171 10.2.3　人脸图像特征提取171 10.2.4　人脸图像匹配与识别172 10.3　人脸识别的分类172 10.3.1　人脸检测172 10.3.2　人脸关键点检测173 10.3.3　人脸验证174 10.3.4　人脸属性检测174 10.4　人脸检测175 10.4.1　LFW数据集175 10.4.2　数据预处理175 10.4.3　进行检测176 10.5　性别和年龄识别178 10.5.1　数据预处理179 10.5.2　构建模型181 10.5.3　训练模型182 10.5.4　验证模型184 10.6　小结185 第11章　自然语言处理186 11.1　模型的选择186 11.2　英文数字语音识别187 11.2.1　定义输入数据并预处理数据188 11.2.2　定义网络模型188 11.2.3　训练模型188 11.2.4　预测模型189 11.3　智能聊天机器人189 11.3.1　原理190 11.3.2　最佳实践191 11.4　小结200 第12章　图像与语音的结合201 12.1　看图说话模型201 12.1.1　原理202 12.1.2　最佳实践203 12.2　小结205 第13章　生成式对抗网络206 13.1　生成式对抗网络的原理206 13.2　生成式对抗网络的应用207 13.3　生成式对抗网络的实现208 13.4　生成式对抗网络的改进214 13.5　小结214 第三篇　提高篇 第14章　分布式TensorFlow216 14.1　分布式原理216 14.1.1　单机多卡和分布式216 14.1.2　分布式部署方式217 14.2　分布式架构218 14.2.1　客户端、主节点和工作节点的关系218 14.2.2　客户端、主节点和工作节点的交互过程220 14.3　分布式模式221 14.3.1　数据并行221 14.3.2　同步更新和异步更新222 14.3.3　模型并行224 14.4　分布式API225 14.5　分布式训练代码框架226 14.6　分布式最佳实践227 14.7　小结235 第15章　TensorFlow线性代数编译框架XLA236 15.1　XLA的优势236 15.2　XLA的工作原理237 15.3　JIT编译方式238 15.3.1　打开JIT编译238 15.3.2　将操作符放在XLA设备上238 15.4　JIT编译在MNIST上的实现239 15.5　小结240 第16章　TensorFlowDebugger241 16.1　Debugger的使用示例241 16.2　远程调试方法245 16.3　小结245 第17章　TensorFlow和Kubernetes结合246 17.1　为什么需要Kubernetes246 17.2　分布式TensorFlow在Kubernetes中的运行247 17.2.1　部署及运行247 17.2.2　其他应用253 17.3　小结254 第18章　TensorFlowOnSpark255 18.1　TensorFlowOnSpark的架构255 18.2　TensorFlowOnSpark在MNIST上的实践257 18.3　小结261 第19章　TensorFlow移动端应用262 19.1　移动端应用原理262 19.1.1　量化263 19.1.2　优化矩阵乘法运算266 19.2　iOS系统实践266 19.2.1　环境准备266 19.2.2　编译演示程序并运行267 19.2.3　自定义模型的编译及运行269 19.3　Android系统实践273 19.3.1　环境准备274 19.3.2　编译演示程序并运行275 19.3.3　自定义模型的编译及运行277 19.4　树莓派实践278 19.5　小结278 第20章　TensorFlow的其他特性279 20.1　TensorFlowServing279 20.2　TensorFlowFlod280 20.3　TensorFlow计算加速281 20.3.1　CPU加速281 20.3.2　TPU加速和FPGA加速282 20.4　小结283 第21章　机器学习的评测体系284 21.1　人脸识别的性能指标284 21.2　聊天机器人的性能指标284 21.3　机器翻译的评价方法286 21.3.1　BLEU286 21.3.2　METEOR287 21.4　常用的通用评价指标287 21.4.1　ROC和AUC288 21.4.2　AP和mAP288 21.5　小结288 附录A　公开数据集289 附录B　项目管理经验小谈292