TensorFlow深度学习(原书第2版)

1.介绍了深度学习的核心概念，并采用了*新版本的TensorFlow。2.深入讲解了如何使用 TensorFlow 构建深度学习应用，从实践的角度讲解了深度学习知识。3.学习如何利用前馈神经网络、卷积神经网络、循环神经网络、自编码器和因子分解机为机器学习系统开发深度学习应用程序，并了解如何在GPU上实现分布式深度学习程序设计。4.既讨论了许多实际技术问题，也简要介绍了一些问题的理论基础。

《TensorFlow深度学习（原书第2版）》深入介绍了如何使用 TensorFlow 构建深度学习应用，从实践的角度讲解深度学习知识。本书主要内容包括深度学习入门，介绍了机器学习和深度学习的基础知识； TensorFlow的主要特性，以及 TensorFlow的安装与配置，通过示例进行 TensorFlow计算、数据和编程模型的学习；基于TensorFlow的前馈神经网络、卷积神经网络、优化 TensorFlow自编码器以及循环神经网络。此外，《TensorFlow深度学习（原书第2版）》还介绍了关于异构和分布式计算的内容，学习如何在GPU板卡和分布式系统上执行TensorFlow模型。在TensorFlow不错编程部分对TensorFlow基本库进行了概述。末尾，本书介绍了基于因子分解机的推荐系统以及强化学习。

Giancarlo Zaccone在管理科学和工业领域已有十多年的研究经验。Giancarlo曾在意大利国家研究委员会的CNR担任研究员。作为数据科学和软件工程项目的一部分，他在数值计算、并行计算和科学可视化方面积累了丰富经验。目前，Giancarlo是一家总部位于荷兰的公司的一名软件和系统不错工程师，主要负责测试和开发太空和国防应用软件系统。Giancarlo拥有那不勒斯Federico II大学的物理学硕士学位和罗马La Sapienza大学的科学计算二级研究生硕士学位。Md. Rezaul Karim是德国Fraunhofer FIT的一名研究科学家。目前在德国亚琛工业大学攻读博士学位。Rezaul曾在爱尔兰的数据分析中心担任研究员。在此之前，还曾在三星电子担任首席工程师。另外，还在韩国京熙大学的数据库实验室担任研究助理，并在韩国的BMTech21公司担任研发工程师。Rezaul拥有9年多的研发经验，对C、C++、Java、Scala、R和Python中的算法理解和数据结构有着坚实的基础。Rezaul已发表多篇有关生物信息学、语义网络、大数据、机器学习和利用Spark、Kafka、Docker、Zeppelin、Hadoop和MapReduce实现深度学习的研究论文和技术报告。Rezaul还精通（深度）机器学习库，如Spark ML、Keras、scikit-learn、TensorFlow、DeepLearning4j、MXNet和H2O。

译者序原书前言作者简介评阅人简介第 1章  深度学习入门 // 1 1.1  机器学习简介 // 1 1.1.1  监督学习 // 31.1.2  不平衡数据 // 4 1.1.3  无监督学习 // 4 1.1.4  强化学习 // 5 1.1.5  什么是深度学习 // 6 1.2  人工神经网络 // 7 1.2.1  生物神经元 // 8 1.2.2  人工神经元 // 9 1.3  人工神经网络是如何学习的 // 10 1.3.1  人工神经网络与反向传播算法 // 10 1.3.2  权重优化 // 11 1.3.3  随机梯度下降 // 11 1.4  人工神经网络架构 // 12 1.4.1  深度神经网络 // 121.4.2  卷积神经网络 // 15 1.4.3  自编码器 // 17 1.4.4  循环神经网络 // 18 1.4.5  新兴架构 // 18 1.5  深度学习框架 // 18 1.6  小结 // 21第 2章  TensorFlow初探 // 22 2.1  TensorFlow概述 // 22 2.2  TensorFlow v1.6的新特性 // 23 2.2.1  支持优化的 NVIDIA GPU // 24 2.2.2  TensorFlow Lite简介 // 242.2.3  动态图机制 // 25 2.2.4  优化加速线性代数 // 25 2.3  TensorFlow安装与配置 // 25 2.4  TensorFlow计算图 // 26 2.5  TensorFlow代码结构 // 29 2.5.1  TensorFlow下的动态图机制 // 31 2.6  TensorFlow数据模型 // 32 2.6.1  张量 // 32 2.6.2  秩与维度 // 34 2.6.3  数据类型 // 35 2.6.4  变量 // 38 2.6.5  Fetches // 39 2.6.6  Feeds和占位符 // 39 2.7  基于 TensorBoard的可视化计算 // 41