深入理解TensorFlow 架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理

定　價(jià)：￥79.00

作　者：	彭靖田，林健，白小龍著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115480941	出版時(shí)間：	2018-05-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)以TensorFlow 1.2為基礎(chǔ)，從基本概念、內(nèi)部實(shí)現(xiàn)和實(shí)踐等方面深入剖析了TensorFlow。書(shū)中首先介紹了TensorFlow設(shè)計(jì)目標(biāo)、基本架構(gòu)、環(huán)境準(zhǔn)備和基礎(chǔ)概念，接著重點(diǎn)介紹了以數(shù)據(jù)流圖為核心的機(jī)器學(xué)習(xí)編程框架的設(shè)計(jì)原則與核心實(shí)現(xiàn)，緊接著還將TensorFlow與深度學(xué)習(xí)相結(jié)合，從理論基礎(chǔ)和程序?qū)崿F(xiàn)這兩個(gè)方面系統(tǒng)介紹了CNN、GAN和RNN等經(jīng)典模型，然后深入剖析了TensorFlow運(yùn)行時(shí)核心、通信原理和數(shù)據(jù)流圖計(jì)算的原理與實(shí)現(xiàn)，全面介紹了TensorFlow生態(tài)系統(tǒng)的發(fā)展。

作者簡(jiǎn)介

　　彭靖田，才云科技技術(shù)總監(jiān)，谷歌機(jī)器學(xué)習(xí)開(kāi)發(fā)專(zhuān)家（ML GDE），Kubeflow Core Maintainer，TensorFlow Contributor，曾一度成為T(mén)ensorFlow社區(qū)全球前40的貢獻(xiàn)者。加州大學(xué)圣迭戈分校訪(fǎng)問(wèn)學(xué)者，畢業(yè)于浙江大學(xué)竺可楨學(xué)院求是科學(xué)班。曾為華為深度學(xué)習(xí)團(tuán)隊(duì)核心成員，主要參與華為深度學(xué)習(xí)平臺(tái)的設(shè)計(jì)和研發(fā)工作。林健，華為深度學(xué)習(xí)團(tuán)隊(duì)系統(tǒng)工程師。在中科院計(jì)算所取得博士學(xué)位，并在美國(guó)俄亥俄州立大學(xué)做過(guò)博士后研究。長(zhǎng)期從事系統(tǒng)軟件研發(fā)，工作涉及高性能計(jì)算與分布式系統(tǒng)，愛(ài)好開(kāi)源軟件與人工智能。曾參與開(kāi)發(fā)CNGrid GOS、MVAPICH等工業(yè)級(jí)軟件，并合作創(chuàng)建LingCloud、DataMPI等開(kāi)源項(xiàng)目。白小龍，華為公司深度學(xué)習(xí)云服務(wù)的技術(shù)負(fù)責(zé)人，主要負(fù)責(zé)深度學(xué)習(xí)平臺(tái)、模型和算法的研發(fā)。長(zhǎng)期從事信號(hào)、圖像處理和機(jī)器學(xué)習(xí)研究，于2015年6月畢業(yè)于浙江大學(xué)并取得工學(xué)博士學(xué)位，曾獲教育部博士生學(xué)術(shù)新人獎(jiǎng)。

圖書(shū)目錄

第一部分　基礎(chǔ)篇
第　1章 TensorFlow系統(tǒng)概述　2
1.1　簡(jiǎn)介　2
1.1.1　產(chǎn)生背景　2
1.1.2　獨(dú)特價(jià)值　3
1.1.3　版本變遷　4
1.1.4　與其他主流深度學(xué)習(xí)框架的對(duì)比　6
1.2　設(shè)計(jì)目標(biāo)　7
1.2.1　靈活通用的深度學(xué)習(xí)庫(kù)　8
1.2.2　端云結(jié)合的人工智能引擎　9
1.2.3　高性能的基礎(chǔ)平臺(tái)軟件　10
1.3　基本架構(gòu)　12
1.3.1　工作形態(tài)　12
1.3.2　組件結(jié)構(gòu)　13
1.4　小結(jié)　14
第　2章 TensorFlow環(huán)境準(zhǔn)備　15
2.1　安裝　15
2.1.1　TensorFlow安裝概述　15
2.1.2　使用Anaconda安裝　17
2.1.3　使用原生pip安裝　17
2.1.4　使用virtualenv安裝　18
2.1.5　使用Docker安裝　19
2.1.6　使用源代碼編譯安裝　20
2.1.7　Hello TensorFlow　22
2.2　依賴(lài)項(xiàng)　23
2.2.1　Bazel軟件構(gòu)建工具　24
2.2.2　Protocol Buffers數(shù)據(jù)結(jié)構(gòu)序列化工具　25
2.2.3　Eigen線(xiàn)性代數(shù)計(jì)算庫(kù)　27
2.2.4　CUDA統(tǒng)一計(jì)算設(shè)備架構(gòu)　28
2.3　源代碼結(jié)構(gòu)　29
2.3.1　根目錄　29
2.3.2　tensorflow目錄　30
2.3.3　tensorflow/core目錄　31
2.3.4　tensorflow/python目錄　32
2.3.5　安裝目錄　33
2.4　小結(jié)　33
第3章　TensorFlow基礎(chǔ)概念　34
3.1　編程范式：數(shù)據(jù)流圖　34
3.1.1　聲明式編程與命令式編程　34
3.1.2　聲明式編程在深度學(xué)習(xí)應(yīng)用上的優(yōu)勢(shì)　35
3.1.3　TensorFlow數(shù)據(jù)流圖的基本概念　38
3.2　數(shù)據(jù)載體：張量　40
3.2.1　張量：Tensor　40
3.2.2　稀疏張量：SparseTensor　44
3.3　模型載體：操作　46
3.3.1　計(jì)算節(jié)點(diǎn)：Operation　46
3.3.2　存儲(chǔ)節(jié)點(diǎn)：Variable　49
3.3.3　數(shù)據(jù)節(jié)點(diǎn)：Placeholder　53
3.4　運(yùn)行環(huán)境：會(huì)話(huà)　55
3.4.1　普通會(huì)話(huà)：Session　55
3.4.2　交互式會(huì)話(huà)：InteractiveSession　59
3.4.3　擴(kuò)展閱讀：會(huì)話(huà)實(shí)現(xiàn)原理　59
3.5　訓(xùn)練工具：優(yōu)化器　61
3.5.1　損失函數(shù)與優(yōu)化算法　61
3.5.2　優(yōu)化器概述　64
3.5.3　使用minimize方法訓(xùn)練模型　66
3.5.4　擴(kuò)展閱讀：模型訓(xùn)練方法進(jìn)階　68
3.6　一元線(xiàn)性回歸模型的最佳實(shí)踐　72
3.7　小結(jié)　76
第二部分　關(guān)鍵模塊篇
第4章　TensorFlow數(shù)據(jù)處理方法　78
4.1　輸入數(shù)據(jù)集　78
4.1.1　使用輸入流水線(xiàn)并行讀取數(shù)據(jù)　78
4.1.2　創(chuàng)建批樣例數(shù)據(jù)的方法　86
4.1.3　填充數(shù)據(jù)節(jié)點(diǎn)的方法　87
4.1.4　處理CIFAR-10數(shù)據(jù)集的最佳實(shí)踐　88
4.1.5　擴(kuò)展閱讀：MNIST數(shù)據(jù)集　91
4.2　模型參數(shù)　92
4.2.1　模型參數(shù)的典型使用流程　92
4.2.2　使用tf.Variable創(chuàng)建、初始化和更新模型參數(shù)　92
4.2.3　使用tf.train.Saver保存和恢復(fù)模型參數(shù)　98
4.2.4　使用變量作用域處理復(fù)雜模型　100
4.3　命令行參數(shù)　103
4.3.1　使用argparse解析命令行參數(shù)　103
4.3.2　使用tf.app.flags解析命令行參數(shù)　108
4.4　小結(jié)　111
第5章　TensorFlow編程框架　112
5.1　單機(jī)程序編程框架　112
5.1.1　概述　112
5.1.2　創(chuàng)建單機(jī)數(shù)據(jù)流圖　114
5.1.3　創(chuàng)建并運(yùn)行單機(jī)會(huì)話(huà)　116
5.2　分布式程序編程框架　118
5.2.1　PS-worker架構(gòu)概述　118
5.2.2　分布式程序編程框架概述　120
5.2.3　創(chuàng)建TensorFlow集群　121
5.2.4　將操作放置到目標(biāo)設(shè)備　124
5.2.5　數(shù)據(jù)并行模式　124
5.2.6　同步訓(xùn)練機(jī)制　125
5.2.7　異步訓(xùn)練機(jī)制　130
5.2.8　使用Supervisor管理模型訓(xùn)練　131
5.2.9　分布式同步訓(xùn)練的最佳實(shí)踐　133
5.3　小結(jié)　137
第6章　TensorBoard可視化工具　138
6.1　概述　138
6.2　可視化數(shù)據(jù)流圖　142
6.2.1　名字作用域與抽象節(jié)點(diǎn)　142
6.2.2　可視化數(shù)據(jù)流圖的最佳實(shí)踐　144
6.2.3　擴(kuò)展閱讀：匯總數(shù)據(jù)和事件數(shù)據(jù)　145
6.2.4　擴(kuò)展閱讀：揭秘tf.summary.FileWriter工作原理　147
6.3　可視化學(xué)習(xí)過(guò)程　149
6.3.1　匯總操作概述　149
6.3.2　使用tf.summary.scalar生成折線(xiàn)圖　150
6.3.3　使用tf.summary.histogram生成數(shù)據(jù)分布圖　152
6.3.4　使用tf.summary.image生成圖像　154
6.3.5　使用tf.summary.audio生成音頻　155
6.3.6　可視化MNIST softmax模型學(xué)習(xí)過(guò)程的最佳實(shí)踐　156
6.4　可視化高維數(shù)據(jù)　158
6.4.1　使用TensorBoard可視化高維數(shù)據(jù)　158
6.4.2　可視化MNIST數(shù)據(jù)集的最佳實(shí)踐　160
6.5　小結(jié)　163
第7章　模型托管工具：TensorFlow Serving　164
7.1　概述　164
7.2　系統(tǒng)架構(gòu)　165
7.3　安裝　167
7.3.1　使用APT安裝ModelServer　168
7.3.2　使用源碼編譯安裝ModelServer　169
7.4　最佳實(shí)踐　170
7.4.1　導(dǎo)出模型　170
7.4.2　發(fā)布模型服務(wù)　173
7.4.3　更新線(xiàn)上模型服務(wù)　174
7.5　小結(jié)　175
第三部分　算法模型篇
第8章　深度學(xué)習(xí)概述　178
8.1　深度學(xué)習(xí)的歷史　178
8.1.1　感知機(jī)模型與神經(jīng)網(wǎng)絡(luò)　178
8.1.2　神經(jīng)網(wǎng)絡(luò)的寒冬與復(fù)蘇　179
8.1.3　神經(jīng)網(wǎng)絡(luò)的發(fā)展與第二次寒冬　181
8.1.4　深度學(xué)習(xí)時(shí)代的到來(lái)　183
8.2　深度學(xué)習(xí)的主要應(yīng)用　184
8.2.1　計(jì)算機(jī)視覺(jué)　185
8.2.2　自然語(yǔ)言處理　186
8.2.3　強(qiáng)化學(xué)習(xí)　188
8.3　深度學(xué)習(xí)與TensorFlow　190
8.4　小結(jié)　191
第9章　CNN模型　192
9.1　CNN　192
9.1.1　CNN簡(jiǎn)介　192
9.1.2　卷積層　193
9.1.3　激活層　195
9.1.4　池化層　195
9.1.5　全連接層　196
9.1.6　Dropout層　196
9.1.7　BN層　197
9.1.8　常用的CNN圖像分類(lèi)模型　197
9.2　TensorFlow-Slim　204
9.2.1　TensorFlow-Slim總體結(jié)構(gòu)　204
9.2.2　datasets包和data包　205
9.2.3　preprocessing包　207
9.2.4　deployment包　207
9.2.5　nets包　209
9.2.6　TensorFlow-Slim最佳實(shí)踐　212
9.3　應(yīng)用　216
9.3.1　物體檢測(cè)　216
9.3.2　圖像分割　221
9.4　小結(jié)　222
第　10章 GAN模型　223
10.1　原理、特點(diǎn)及應(yīng)用　223
10.1.1　原理　224
10.1.2　特點(diǎn)　225
10.1.3　應(yīng)用　226
10.2　GAN模型的改進(jìn)　228
10.2.1　CGAN模型　228
10.2.2　LAPGAN模型　229
10.2.3　DCGAN模型　230
10.2.4　InfoGAN模型　230
10.2.5　LSGAN模型　231
10.2.6　WGAN模型　232
10.3　最佳實(shí)踐　233
10.4　小結(jié)　238
第　11章 RNN模型　239
11.1　基本RNN單元及其變種　239
11.1.1　RNN模型簡(jiǎn)介　239
11.1.2　基本RNN單元　240
11.1.3　LSTM單元　242
11.1.4　GRU單元　243
11.1.5　雙向RNN單元　244
11.1.6　帶有其他特性的RNN單元　245
11.2　RNN模型　247
11.2.1　PTB-LSTM語(yǔ)言模型　247
11.2.2　Seq2Seq模型　251
11.3　小結(jié)　254
第四部分　核心揭秘篇
第　12章 TensorFlow運(yùn)行時(shí)核心設(shè)計(jì)與實(shí)現(xiàn)　256
12.1　運(yùn)行時(shí)框架概述　256
12.2　關(guān)鍵數(shù)據(jù)結(jié)構(gòu)　257
12.2.1　張量相關(guān)數(shù)據(jù)結(jié)構(gòu)　258
12.2.2　設(shè)備相關(guān)數(shù)據(jù)結(jié)構(gòu)　260
12.2.3　數(shù)據(jù)流圖相關(guān)的數(shù)據(jù)結(jié)構(gòu)　263
12.3　公共基礎(chǔ)機(jī)制　266
12.3.1　內(nèi)存分配　266
12.3.2　線(xiàn)程管理　268
12.3.3　多語(yǔ)言接口　269
12.3.4　XLA編譯技術(shù)　270
12.3.5　單元測(cè)試框架　271
12.4　外部環(huán)境接口　272
12.4.1　加速器硬件接口　272
12.4.2　系統(tǒng)軟件接口　275
12.5　小結(jié)　276
第　13章通信原理與實(shí)現(xiàn)　277
13.1　概述　277
13.2　進(jìn)程內(nèi)通信　278
13.2.1　通信接口　278
13.2.2　會(huì)合點(diǎn)機(jī)制　280
13.2.3　異構(gòu)設(shè)備內(nèi)存訪(fǎng)問(wèn)　282
13.3　進(jìn)程間通信　283
13.3.1　gRPC通信機(jī)制　284
13.3.2　控制通信　286
13.3.3　數(shù)據(jù)通信　290
13.4　RDMA通信模塊　294
13.4.1　模塊結(jié)構(gòu)　295
13.4.2　消息語(yǔ)義　296
13.4.3　通信流程　297
13.5　小結(jié)　300
第　14章數(shù)據(jù)流圖計(jì)算原理與實(shí)現(xiàn)　301
14.1　概述　301
14.2　數(shù)據(jù)流圖創(chuàng)建　302
14.2.1　流程與抽象　303
14.2.2　全圖構(gòu)造　305
14.2.3　子圖提取　306
14.2.4　圖切分　307
14.2.5　圖優(yōu)化　308
14.3　單機(jī)會(huì)話(huà)運(yùn)行　308
14.3.1　流程與抽象　309
14.3.2　執(zhí)行器獲取　311
14.3.3　輸入數(shù)據(jù)填充　312
14.3.4　圖運(yùn)行　313
14.3.5　輸出數(shù)據(jù)獲取　315
14.3.6　張量保存　315
14.4　分布式會(huì)話(huà)運(yùn)行　315
14.4.1　主-從模型　316
14.4.2　主要抽象　317
14.4.3　client創(chuàng)建會(huì)話(huà)　319
14.4.4　client請(qǐng)求圖運(yùn)行　320
14.4.5　master驅(qū)動(dòng)圖運(yùn)行　321
14.4.6　worker實(shí)施圖運(yùn)行　323
14.5　操作節(jié)點(diǎn)執(zhí)行　325
14.5.1　核函數(shù)抽象　325
14.5.2　CPU上的執(zhí)行流程　326
14.5.3　CUDA GPU上的執(zhí)行流程　326
14.6　小結(jié)　327
第五部分　生態(tài)發(fā)展篇
第　15章 TensorFlow生態(tài)環(huán)境　330
15.1　生態(tài)環(huán)境概況　330
15.1.1　社區(qū)托管組件　330
15.1.2　第三方項(xiàng)目　333
15.2　深度神經(jīng)網(wǎng)絡(luò)庫(kù)Keras　334
15.2.1　概述　334
15.2.2　模型概述　335
15.2.3　順序模型　336
15.2.4　函數(shù)式模型　338
15.3　TensorFlow與Kubernetes生態(tài)的結(jié)合　340
15.4　TensorFlow與Spark生態(tài)的結(jié)合　344
15.5　TensorFlow通信優(yōu)化技術(shù)　345
15.6　TPU及神經(jīng)網(wǎng)絡(luò)處理器　348
15.7　NNVM模塊化深度學(xué)習(xí)組件　349
15.8　TensorFlow未來(lái)展望——TFX　351
15.9　小結(jié)　353
附錄A　354