91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
TensorFlow速查手冊(cè)
TensorFlow速查手冊(cè)
KC Tung 著
蘇鈺涵 等譯
出版時(shí)間：2022年09月
頁(yè)數(shù)：232
這是一本使用Python實(shí)現(xiàn)TensorFlow設(shè)計(jì)模式的簡(jiǎn)明參考書，可以幫助你對(duì)各種不同用例做出明智的決策。本書作者并不是只強(qiáng)調(diào)TensorFlow本身，而是全面地介紹了數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域中的常見主題和任務(wù)。
什么時(shí)候使用NumPy或流式數(shù)據(jù)集提供訓(xùn)練數(shù)據(jù)？為什么？訓(xùn)練過程中你要如何建立數(shù)據(jù)轉(zhuǎn)換和工作流？如何使用遷移學(xué)習(xí)充分利用一個(gè)預(yù)訓(xùn)練的模型？如何完成超參數(shù)調(diào)優(yōu)？選擇這本書，它會(huì)大大減少你為TensorFlow用例搜尋選擇方案花費(fèi)的時(shí)間
。
● 理解TensorFlow模型模式和ML工作流中的最佳實(shí)踐。
● 使用代碼段作為構(gòu)建TensorFlow模型和工作流的模板。
● 通過集成TensorFlow Hub中的預(yù)建模型節(jié)省開發(fā)時(shí)間。
● 使用加速器集群（如GPU或TPU）充分利用分布式訓(xùn)練。
● 對(duì)數(shù)據(jù)攝取、訓(xùn)練模型、模型保存和推理做出明智的設(shè)計(jì)選擇。
  1. 前言
  2. 第1章 TensorFlow 2簡(jiǎn)介
  3. 1.1 TensorFlow 2的改進(jìn)
  4. 1.1.1 Keras API
  5. 1.1.2 TensorFlow中的可重用模型
  6. 1.2 簡(jiǎn)化常用操作
  7. 1.2.1 開源數(shù)據(jù)
  8. 1.2.2 使用分布式數(shù)據(jù)集
  9. 1.2.3 數(shù)據(jù)流式處理
  10. 1.2.4 數(shù)據(jù)工程
  11. 1.2.5 遷移學(xué)習(xí)
  12. 1.2.6 模型風(fēng)格
  13. 1.2.7 監(jiān)視訓(xùn)練過程
  14. 1.2.8 分布式訓(xùn)練
  15. 1.2.9 提供TensorFlow模型服務(wù)
  16. 1.2.10 改善訓(xùn)練體驗(yàn)
  17. 1.3 總結(jié)
  18. 第2章 數(shù)據(jù)存儲(chǔ)和攝取
  19. 2.1 使用Python生成器流式處理數(shù)據(jù)
  20. 2.2 使用生成器流式處理文件內(nèi)容
  21. 2.3 JSON數(shù)據(jù)結(jié)構(gòu)
  22. 2.4 建立文件名模式
  23. 2.5 將一個(gè)CSV文件劃分為多個(gè)CSV文件
  24. 2.6 使用tf.io創(chuàng)建文件模式對(duì)象
  25. 2.7 創(chuàng)建流式數(shù)據(jù)集對(duì)象
  26. 2.8 流式處理CSV數(shù)據(jù)集
  27. 2.9 組織圖像數(shù)據(jù)
  28. 2.10 使用TensorFlow圖像生成器
  29. 2.11 流式處理交叉驗(yàn)證圖像
  30. 2.12 查看調(diào)整大小后的圖像
  31. 2.13 總結(jié)
  32. 第3章 數(shù)據(jù)預(yù)處理
  33. 3.1 準(zhǔn)備表格數(shù)據(jù)進(jìn)行訓(xùn)練
  34. 3.1.1 標(biāo)記列
  35. 3.1.2 將列交互編碼為可能的特征
  36. 3.1.3 創(chuàng)建交叉驗(yàn)證數(shù)據(jù)集
  37. 3.1.4 開始模型訓(xùn)練過程
  38. 3.1.5 小結(jié)
  39. 3.2 準(zhǔn)備圖像數(shù)據(jù)進(jìn)行處理
  40. 3.2.1 將圖像轉(zhuǎn)換為固定大小
  41. 3.2.2 訓(xùn)練模型
  42. 3.2.3 小結(jié)
  43. 3.3 準(zhǔn)備文本數(shù)據(jù)進(jìn)行處理
  44. 3.3.1 文本分詞
  45. 3.3.2 創(chuàng)建字典和反轉(zhuǎn)字典
  46. 3.4 總結(jié)
  47. 第4章 可重用模型元素
  48. 4.1 基本TensorFlow Hub工作流
  49. 4.2 利用遷移學(xué)習(xí)完成圖像分類
  50. 4.2.1 模型需求
  51. 4.2.2 數(shù)據(jù)轉(zhuǎn)換和輸入處理
  52. 4.2.3 利用TensorFlow Hub實(shí)現(xiàn)模型
  53. 4.2.4 定義輸出
  54. 4.2.5 輸出映射到純文本格式
  55. 4.2.6 評(píng)估：創(chuàng)建一個(gè)混淆矩陣
  56. 4.2.7 小結(jié)
  57. 4.3 使用tf.keras.applications模塊獲得預(yù)訓(xùn)練模型
  58. 4.3.1 利用tf.keras.applications實(shí)現(xiàn)模型
  59. 4.3.2 微調(diào)tf.keras.applications的模型
  60. 4.4 總結(jié)
  61. 第5章 流式攝取數(shù)據(jù)管道
  62. 5.1 使用text_dataset_from_directory函數(shù)流式處理文本文件
  63. 5.1.1 下載文本數(shù)據(jù)并建立字典
  64. 5.1.2 創(chuàng)建數(shù)據(jù)管道
  65. 5.1.3 檢查數(shù)據(jù)集
  66. 5.1.4 小結(jié)
  67. 5.2 使用flow_from_dataframe方法利用文件列表流式處理圖像
  68. 5.2.1 下載圖像并創(chuàng)建目錄
  69. 5.2.2 創(chuàng)建數(shù)據(jù)攝取管道
  70. 5.2.3 檢查數(shù)據(jù)集
  71. 5.2.4 構(gòu)建和訓(xùn)練tf.keras模型
  72. 5.3 使用from_tensor_slices方法流式處理NumPy數(shù)組
  73. 5.3.1 加載示例數(shù)據(jù)和庫(kù)
  74. 5.3.2 檢查NumPy數(shù)組
  75. 5.3.3 為NumPy數(shù)據(jù)建立輸入管道
  76. 5.4 總結(jié)
  77. 第6章 模型創(chuàng)建風(fēng)格
  78. 6.1 使用符號(hào)式API
  79. 6.1.1 加載CIFAR-10圖像
  80. 6.1.2 檢查標(biāo)簽分布
  81. 6.1.3 檢查圖像
  82. 6.1.4 構(gòu)建數(shù)據(jù)管道
  83. 6.1.5 批處理數(shù)據(jù)集進(jìn)行訓(xùn)練
  84. 6.1.6 構(gòu)建模型
  85. 6.2 理解繼承
  86. 6.3 使用命令式API
  87. 6.4 選擇API
  88. 6.5 使用內(nèi)置訓(xùn)練循環(huán)
  89. 6.6 創(chuàng)建和使用自定義訓(xùn)練循環(huán)
  90. 6.6.1 創(chuàng)建循環(huán)的元素
  91. 6.6.2 在自定義訓(xùn)練循環(huán)中集成所有元素
  92. 6.7 總結(jié)
  93. 第7章 監(jiān)視訓(xùn)練過程
  94. 7.1 回調(diào)對(duì)象
  95. 7.1.1 ModelCheckpoint
  96. 7.1.2 EarlyStopping
  97. 7.1.3 小結(jié)
  98. 7.2 TensorBoard
  99. 7.2.1 由本地Jupyter Notebook調(diào)用TensorBoard
  100. 7.2.2 由本地命令終端調(diào)用TensorBoard
  101. 7.2.3 由Colab Notebook調(diào)用TensorBoard
  102. 7.2.4 使用TensorBoard可視化顯示模型過擬合
  103. 7.2.5 使用TensorBoard可視化學(xué)習(xí)過程
  104. 7.3 總結(jié)
  105. 第8章 分布式訓(xùn)練
  106. 8.1 數(shù)據(jù)并行化
  107. 8.1.1 異步參數(shù)服務(wù)器
  108. 8.1.2 同步全歸約
  109. 8.2 使用類tf.distribute.MirroredStrategy
  110. 8.2.1 創(chuàng)建分布式訓(xùn)練
  111. 8.2.2 利用tf.distribute.MirroredStrategy使用GPU集群
  112. 8.2.3 小結(jié)
  113. 8.3 Horovod API
  114. 8.3.1 實(shí)現(xiàn)Horovod API的代碼模式
  115. 8.3.2 封裝模型架構(gòu)
  116. 8.3.3 封裝數(shù)據(jù)分離和分片過程
  117. 8.3.4 工作節(jié)點(diǎn)間的參數(shù)同步
  118. 8.3.5 模型檢查點(diǎn)回調(diào)
  119. 8.3.6 聚合梯度的分布式優(yōu)化器
  120. 8.3.7 使用Horovod API的分布式訓(xùn)練
  121. 8.4 總結(jié)
  122. 第9章 提供TensorFlow模型服務(wù)
  123. 9.1 模型序列化
  124. 9.1.1 將模型保存為h5格式
  125. 9.1.2 將模型保存為pb格式
  126. 9.1.3 選擇模型格式
  127. 9.2 TensorFlow Serving
  128. 9.3 總結(jié)
  129. 第10章 改善建模體驗(yàn)：公平性評(píng)估和超參數(shù)調(diào)優(yōu)
  130. 10.1 模型公平性
  131. 10.1.1 模型訓(xùn)練和評(píng)估
  132. 10.1.2 公平性評(píng)估
  133. 10.1.3 顯示Fairness Indicators
  134. 10.2 超參數(shù)調(diào)優(yōu)
  135. 10.2.1 整數(shù)列表作為超參數(shù)
  136. 10.2.2 項(xiàng)選擇作為超參數(shù)
  137. 10.2.3 浮點(diǎn)值作為超參數(shù)
  138. 10.3 端到端超參數(shù)調(diào)優(yōu)
  139. 10.4 總結(jié)
書名：TensorFlow速查手冊(cè)
作者：KC Tung 著
譯者：蘇鈺涵 等譯
國(guó)內(nèi)出版社：中國(guó)電力出版社
出版時(shí)間：2022年09月
頁(yè)數(shù)：232
書號(hào)：978-7-5198-6971-7
原版書書名：TensorFlow 2 Pocket Reference
原版書出版商：O'Reilly Media
KC Tung
 
KC Tung是微軟的云解決方案架構(gòu)師，擅長(zhǎng)在企業(yè)云架構(gòu)中設(shè)計(jì)和交付機(jī)器學(xué)習(xí)和AI解決方案。他幫助企業(yè)客戶使用用例驅(qū)動(dòng)的架構(gòu)，在云中完成AI/ML模型開發(fā)和部署，以及選擇最適合其需求的技術(shù)和集成方案。他是微軟認(rèn)證的人工智能工程師和數(shù)據(jù)工程師，擁有得克薩斯大學(xué)西南醫(yī)學(xué)院的分子生物物理學(xué)博士學(xué)位，曾在2018年舊金山O’Reilly AI大會(huì)和2019年圣何塞O’Reilly TensorFlow世界大會(huì)上發(fā)言。
 
 
本書封面上的動(dòng)物是一條藍(lán)羅非魚，又名奧利亞羅非魚（學(xué)名：Oreochromis aureus），原產(chǎn)于北非、西非和中東的淡水和海水水域。
藍(lán)羅非魚是一種淡藍(lán)色、腹部顏色較淺的魚。成魚平均身長(zhǎng)超過一英尺，體重可達(dá)五到六磅。大多數(shù)情況下，它們以植物為食，不過也會(huì)吃浮游生物，幼魚則以無脊椎動(dòng)物為食。人工養(yǎng)殖的藍(lán)羅非魚壽命可以長(zhǎng)達(dá)十年。
這些魚屬于口孵魚，產(chǎn)卵后（一次可以產(chǎn)幾十到上百個(gè)卵），雌魚會(huì)口含魚卵保護(hù)它們，直到幾天后孵化出小魚。新孵出的魚稱為“魚苗”，以母魚口腔內(nèi)的分泌物為食。這些分泌物可以把對(duì)疾病的免疫力從母魚傳給幼魚。
羅非魚生長(zhǎng)迅速，以廉價(jià)的植物為食，而且能適應(yīng)擁擠的生活條件，因此很適合人工養(yǎng)殖，目前有100多個(gè)國(guó)家養(yǎng)殖羅非魚。由于食用魚類對(duì)健康很有益處，全世界對(duì)魚類的需求大增，羅非魚的食用量呈指數(shù)增長(zhǎng)，近年來，全球?qū)@種魚的食用量超過了600萬噸。羅非魚現(xiàn)在是世界上最常食用的魚類之一。
藍(lán)羅非魚作為食用魚被引入世界各地的水域，包括美國(guó)的很多地區(qū)。在那里，已經(jīng)證明藍(lán)羅非魚是一種破壞性的入侵物種，會(huì)導(dǎo)致本地魚類和貽貝物種減少。O’Reilly書封面上的很多動(dòng)物都瀕臨滅絕，所有這些動(dòng)物對(duì)我們的世界都很重要。
購(gòu)買選項(xiàng)
定價(jià)：78.00元
書號(hào)：978-7-5198-6971-7
出版社：中國(guó)電力出版社