TensorFlow学习指南

本书主要介绍如何使用 TensorFlow 框架进行深度学习系统的构建。从基础知识入手，将使用TensorFlow 的各种方式贯穿于整本书的讲解之中，并结合实际的深度学习任务展示终深度学习系统的效果。本书涉及卷积神经网络、循环神经网络等核心的技术，并介绍了用于图像数据和文本序列数据的模型。在后半部分，本书介绍了更加高级的使用 TensorFlow 的技巧，并给出了分布式深度学习系统在TensorFlow 下的构建过程以及如何将训练后的模型导出和部署的方法。通过学习本书，你将能够使用 TensorFlow 完成从简单到高级应用系统构建的技术。
本书适合计算机相关专业的学生、软件工程师、深度学习开发者、架构师、CTO 等技术人员阅读。

Tom Hope 是一位应用机器学习研究者和数据科学家，在学术界和工业界拥有广泛的背景。他领导了跨领域的数据科学和深度学习的研发团队。
Yehezkel S. Resheff 是机器学习和数据挖掘领域的应用研究人员。在读博士期间，他的工作主要围绕开发机器学习和深度学习方法来分析可穿戴设备和物联网的数据。他在英特尔和Microsoft公司领导了深度学习的研发工作。
Itay Lieder 是机器学习和计算神经科学领域的应用研究人员。在研究生学习期间，他开发了用于模拟低级知觉的计算方法。他曾在大型跨国公司工作，在文本分析、Web挖掘领域从事深度学习研发。

面向广泛的技术受众（从数据科学家、工程师到学生和研究人员），本书介绍了TensorFlow的基本原理和实践方法。从TensorFlow中的一些基本示例开始，深入探讨诸如神经网络体系结构、TensorBoard可视化、TensorFlow抽象库和多线程输入管道等主题。阅读本书，你将习得如何使用TensorFlow构建和部署工业级深度学习系统。
通过阅读本书，你将：

? 轻松愉快地安装并运行TensorFlow。
? 学习如何使用TensorFlow从头开始构建深度学习模型。
? 训练流行的计算机视觉和NLP深度学习模型。
? 使用抽象库来使开发更容易和更快速。
? 学习如何扩展TensorFlow并使用集群分布式训练模型。
? 在生产环境中部署TensorFlow。

前言深度学习在过去的若干年中已经成为构建可以从数据中学习的智能系统的首要技术。深度神经网络最开始在一定程度上受到人类大脑学习方式的启发，是用大量数据进行训练从而能够以足够高的准确度解决复杂任务的技术。由于开源框架的广泛存在，这项技术也被广泛使用，目前已经成为任何想要从事大数据和机器学习工作的人的必备知识。
TensorFlow是当前深度学习领域领先的开源软件，使用它从事计算机视觉、自然语言处理（NLP）、语音识别和一般性预测分析工作的技术实践者（工程师）的数目仍在飞速增长。
本书是专为数据科学家、工程师、学生和科研工作者设计的 TensorFlow “端对端”指导。书中采取适合广大技术读者的实战观点，不仅让初学者能够接受，也会深入探讨一些高级话题并展示如何构建产品级的系统。
通过本书，你可以习得：
1.　 快速顺畅地安装和运行TensorFlow。
2.　 使用 TensorFlow 从零构建模型。
3.　 训练和理解流行的用于计算机视觉和NLP的深度学习模型。
4.　 使用多种抽象库让开发更加简单和迅速。
5.　 使用队列和多线程扩展TensorFlow，在集群上训练，在产品级应用上部署输出结果。
6.　 还有更多其他内容！
本书由同时在工业界和学术界拥有大量研发经验的数据科学家撰写。作者采用实战观点，结合实际且直观的案例、解释及供实践者们探索构建产品级系统的洞察，满足想要学会理解和构建灵活强大模型的读者的需求。
预备知识本书假定读者有基本的Python编程知识，包括熟悉科学计算库Numpy。
机器学习的概念在本书中会被讨论，并且贯穿全书进行直观解说。对于想深入学习的读者，建议你掌握一定程度的机器学习、线性代数、微积分、概率论和统计学方面的知识。
本书约定下面给出本书所采用字体的约定：
斜体字（Italic）表示新的术语、链接、电子邮箱地址、文件名和文件扩展名。
等宽字体（Constant width）用于程序清单，也用于在段落中引用程序元素，例如变量名、函数名、数据库、数据类型、环境变量、程序语句和关键词。
加粗等宽字体（Constant width bold）表示应该由用户输入的命令或者其他文字信息。
斜体的等宽字体（Constant width italic）表示此处应该替换为由用户提供的数值，或者根据上下文确定的数值。
如何使用示例代码补充材料（示例代码、练习等）可以在https://github.com/Hezi-Resheff/Oreilly- Learning-TensorFlow上下载。
本书的目的是帮助你完成自己的任务。一般来说，如果代码是和本书一起提供的，那么你可以在你的程序和文档中使用它们。你不需要联系我们获取许可，除非你想大量复制这些代码。例如，在自己的程序中使用到本书中的几段代码，并不需要获得许可，但把O扲eilly书籍里的示例代码刻录成光盘就必须获得许可。回答问题时引用本书内容和示例代码，不需要获得许可，但是将大量的示例代码用于你的产品文档则必须获得许可。
我们期望但不强求大家引用时注明出处。一般来说，出处通常包括标题、作者、出版商和国际标准书号（ISBN）。例如，《Learning TensorFlow》（《TensorFlow学习指南》），作者Tom Hope、Yehezkel S. Resheff和Itay Lieder (O'Reilly出版)，书号978-1-491-97851-1。
如果你觉得自己使用的示例代码超出了限定的许可范围之列，欢迎通过邮件联系我们确认（[email protected]）。
Safari在线图书Safari Books Online针对企业、政府、教育机构和个人提供了不同的购买计划，你可根据实际需求进行选购。
用户可以访问上千种图书、培训视频、学习路径、互动教材和专业的播放列表，这些内容来自超过250个出版商，包括O'Reilly Media、哈佛商业评论、Prentice Hall Professional、Addison-Wesley Professional、Microsoft Press、Sams、Que、Peachpit Press、Adobe、Focal Press、Cisco Press、John Wiley＆Sons、Syngress、Morgan Kaufmann、IBM Redbooks、Packt、Adobe Press、FT Press、Apress、Manning、New Riders、McGraw-Hill、Jones＆Bartlett和 Course Technology 等。关于Safari在线图书的更多信息，请访问http://oreilly.com/safari。
联系方式美国：
O'Reilly Media, Inc.1005 Gravenstein Highway NorthSebastopol, CA 95472中国：
北京市西城区西直门南大街2号成铭大厦C座807室（100035）奥莱利技术咨询（北京）有限公司我们创建了关于本书的网页，上面有勘误表、示例和所有的附加信息。可以通过链接http://bit.ly/learning-tensorflow访问。
关于本书的评论和技术问题，请发邮件给[email protected]。
关于本书的更多信息，如教程、会议、新闻，请参见网站：
http://www.oreilly.comhttp://www.oreilly.com.cn致谢作者要感谢为本书提供反馈的审校人员：Chris Fregly、Marvin Bertin、Oren Sar Shalom 和 Yoni Lavi。还要感谢 Nicole Tache 和 O'Reilly 团队让写作本书成为一件令人高兴的事情。
当然，要感谢TensorFlow的所有开发人员—没有他们就不会有 Ten

目录
前言1
第1章 引言5
1.1 走入深度学习5
1.2 TensorFlow：名字中的含义8
1.3 高层次概览9
1.4 本章总结11
第2章 随之“流”动：启动与运行TensorFlow12
2.1 安装TensorFlow12
2.2 Hello World14
2.3 MNIST16
2.4 softmax回归17
2.5 本章总结24
第3章 理解TensorFlow基础知识25
3.1 计算图25
3.2 图、会话和提取数据26
3.3 流动的张量32
3.4 变量、占位符和简单的优化41
3.5 本章总结52
第4章 卷积神经网络53
4.1 卷积神经网络简介53
4.2 MNIST：第二轮55
4.3 CIFAR1063
4.4 本章总结71
第5章 文本I：文本及序列的处理，以及TensorBoard可视化72
5.1 序列数据的重要性72
5.2 循环神经网络简介73
5.3 处理RNN的文本序列87
5.4 本章总结97
第6章 文本II：词向量、高级RNN和词嵌入可视化99
6.1 词嵌入介绍99
6.2 word2vec101
6.3 预训练词嵌入，高级RNN110
6.4 本章总结116
第7章 TensorFlow抽象与简化117
7.1 本章概述117
7.2 contrib.learn121
7.3 TFLearn136
7.4 本章总结156
第8章 队列、线程和数据读取158
8.1 输入管道158
8.2 TFRecord159
8.3 队列162
8.4 完全多线程的输入管道168
8.5 本章总结172
第9章 分布式 TensorFlow173
9.1 分布式计算173
9.2 TensorFlow 元素175
9.3 分布式示例180
9.4 本章总结187
第10章 用TensorFlow导出和提供服务模型188
10.1 保存和导出模型188
10.2 TensorFlow Serving简介199
10.3 本章总结209
附录A 模型构建和使用TensorFlow Serving的建议210