章
目
录
今天要给大家分享一本关于TensorFlow入门书籍——《面向机器智能的TensorFlow实践》。这本书由机械工业出版社于2017年5月出版，作者是来自研发一线的山姆·亚伯拉罕（Sam Abrahams）、丹尼亚尔·哈夫纳（Danijar Hafner）、埃里克·厄威特、阿里尔·斯卡尔皮内里，由段菲和陈澎翻译，在豆瓣上获得了6.4分的成绩。
这本书堪称TensorFlow入门的绝佳指南，内容丰富全面，共分为四部分、9章。它不仅详细阐述了TensorFlow的底层原理，还结合大量高质量代码，介绍了如何将深度卷积网络和循环神经网络这两种常见模型应用到图像理解和自然语言处理的典型任务中，并且分享了模型部署和编程的实用技巧。
（一）第一部分：开启TensorFlow之旅
这部分包含第1章和第2章。第1章像是TensorFlow的“开胃菜”，先介绍了当下数据无处不在的现状，以及深度学习的概念。接着，对TensorFlow这个现代机器学习库进行了全方位解读，包括它的技术概要、具体含义、适用场景、优势和面临的挑战等。第2章则是“实操手册”，详细讲解了TensorFlow的安装步骤，涵盖了安装环境的选择、Jupyter Notebook和matplotlib的安装，还介绍了创建Virtualenv环境、简易安装以及在64位Ubuntu Linux上从源码构建安装GPU版TensorFlow的具体方法。
（二）第二部分：TensorFlow与机器学习基础
第3章深入探讨了TensorFlow的基础知识。首先引入了数据流图的概念，介绍它的基本构成和节点之间的依赖关系，然后讲解如何在TensorFlow中定义数据流图，涉及张量、操作、Graph对象、Session等重要概念，还教大家如何通过名称作用域组织数据流图，并配有综合练习。第4章则聚焦于机器学习基础，介绍了有监督学习，以及保存训练检查点、线性回归、对数几率回归、softmax分类、多层神经网络、梯度下降法与误差反向传播算法等内容。
（三）第三部分：用TensorFlow实现更高级的深度模型
第5章围绕目标识别与分类展开，详细讲解了卷积神经网络（CNN）。先介绍了卷积的各个要素，如输入、卷积核、跨度、边界填充、数据格式等，接着讲解了CNN中的常见层，包括卷积层、激活函数、池化层、归一化层和高级层，还介绍了图像在TensorFlow中的加载、格式处理、操作和颜色相关知识，最后以Stanford Dogs数据集为例，介绍了CNN模型的实现、训练以及用TensorBoard调试滤波器的方法。
（四）第四部分：其他提示、技术与特性
第7章介绍了产品环境中模型的部署，包括搭建TensorFlow服务开发环境（如Docker镜像和Bazel工作区）、导出训练好的模型、定义服务器接口、实现推断服务器、开发客户端应用以及产品准备等内容。第8章则分享了一些辅助函数、代码结构和类，像确保目录结构存在、下载函数、磁盘缓存修饰器、属性字典、惰性属性修饰器、覆盖数据流图修饰器等，这些小技巧能帮助大家更好地组织和优化代码。第9章提供了一些进一步了解TensorFlow的学习资源。
《面向机器智能的TensorFlow实践》从基础到进阶，为想要学习TensorFlow的小伙伴们提供了一条清晰的学习路径。如果大家对TensorFlow感兴趣，不妨下载这本书读一读！
资源下载
