简介: Google一直是引入突破性技术和产品的先驱。在效率和规模方面,TensorFlow也不例外,因此,编写本书只是向读者介绍TensorFlow核心团队所做的这些重要更改。本书着重于机器学习方面的TensorFlow的不同应用,并更深入地探讨了方法的最新变化。对于那些想要用TensorFlow进行机器学习的人来说,这本书是一个很好的参考点。本书分为三个部分。第一篇:使用TensorFlow 2.0进行数据处理。第二部分:使用TensorFlow 2.0构建机器学习和深度学习模型。它还包括使用TensorFlow 2.0的神经语言编程(NLP)。第三部分介绍了如何在环境中保存和部署TensorFlow 2.0模型。这本书对数据分析人员和数据工程师也很有用,因为它涵盖了使用TensorFlow 2.0处理大数据的步骤。想要过渡到数据科学和机器学习领域的读者也会发现,本书提供了实用的入门指南,以后可能会出现更复杂的方面。书中提供的案例研究和示例使您很容易理解和理解相关的基本概念。本书的优势在于其简单性以及将机器学习应用于有意义的数据集。

目录:

  • Chapter 1:tenforflow 2.0介绍
    • tensor
    • TensorFlow 1.0与 Tensorflow 2.0的对比
    • Tensorflow 2.0安装于基础操作
  • Chapter 2:tenforflow 与监督学习
    • 监督机器学习是什么
    • TF2.0实现线性回归
    • 使用TF和Keras的线性回归应用
    • TF2.0实现逻辑回归
    • TF2.0实现boosted树
  • Chapter 3:tenforflow与深度神经网络
    • 什么是神经网络
    • 前向传播与反向传播
    • TF2.0构建神经网络
    • 深度神经网络
    • TF2.0构建深度神经网络
    • 使用Keras模型估量
    • 总结
  • Chapter 4:图片与Tensorflow
    • 图片处理
    • 卷积神经网络
    • TF2.0与卷积神经网络
    • 迁移学习
    • TF2.0与变分自编码器
    • 总结
  • Chapter 5:TF2.0与自然语言处理(NLP)
    • NLP概述
    • 文本处理
    • 文本分类与TF
    • TF projector
  • Chapter 6:TF模型
    • TF部署
    • 模型部署的Python
    • 基于TF的Keras模型
成为VIP会员查看完整内容
222

相关内容

TensorFlow 2.0中有多处更改,让用户使用更高效。TensorFlow 2.0删除冗余 APIs,使API更加一致(统一 RNNs,统一优化器),并通过Eager execution模式更好地与Python运行时集成。
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
332+阅读 · 2020年3月17日
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
127+阅读 · 2020年3月15日
《强化学习—使用 Open AI、TensorFlow和Keras实现》174页pdf
专知会员服务
136+阅读 · 2020年3月1日
【新书】Pro 机器学习算法Python实现,379页pdf
专知会员服务
197+阅读 · 2020年2月11日
机器学习者必知的 5 种深度学习框架
深度学习世界
7+阅读 · 2018年5月3日
基于TensorFlow的深度学习实战
七月在线实验室
9+阅读 · 2018年4月25日
Tensorflow 文本分类-Python深度学习
Python程序员
12+阅读 · 2017年11月22日
手把手教TensorFlow(附代码)
深度学习世界
15+阅读 · 2017年10月17日
Arxiv
29+阅读 · 2020年3月16日
Talking-Heads Attention
Arxiv
15+阅读 · 2020年3月5日
Arxiv
31+阅读 · 2018年11月13日
Image Captioning based on Deep Reinforcement Learning
Arxiv
22+阅读 · 2018年8月30日
Arxiv
15+阅读 · 2018年6月23日
Arxiv
6+阅读 · 2018年6月20日
VIP会员
相关论文
Arxiv
29+阅读 · 2020年3月16日
Talking-Heads Attention
Arxiv
15+阅读 · 2020年3月5日
Arxiv
31+阅读 · 2018年11月13日
Image Captioning based on Deep Reinforcement Learning
Arxiv
22+阅读 · 2018年8月30日
Arxiv
15+阅读 · 2018年6月23日
Arxiv
6+阅读 · 2018年6月20日
微信扫码咨询专知VIP会员