Einführung in TensorFlow
Deep-Learning-Systeme programmieren, trainieren, skalieren und deployen
Diese Publikation zitieren
Accesses
Quotes
Beschreibung / Abstract
Deep-Learning-Netze, die mit großen Datenmengen angelernt wurden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. TensorFlow ist die führende Open-Source-Bibliothek zum Erstellen und Trainieren neuronaler Deep-Learning-Netze z.B. für die Sprach- und Bilderkennung, die Verarbeitung natürlicher Sprache (NLP) oder die vorhersagende Datenanalyse. Dieses Buch bietet einer breiten technisch orientierten Leserschaft einen praxisnahen Zugang zu den Grundlagen von TensorFlow.
Sie erarbeiten zunächst einige einfache Beispielaufgaben mit TensorFlow und tauchen anschließend tiefer in Themen ein wie die Architektur neuronaler Netze, die Visualisierung mit TensorBoard, Abstraktionsbibliotheken für TensorFlow oder Multithread-Pipelines zur Dateneingabe. Wenn Sie dieses Buch durchgearbeitet haben, sind Sie in der Lage, Deep-Learning-Systeme mit TensorFlow zu erstellen und im Produktivbetrieb einzusetzen.
Beschreibung
Tom Hope ist Forscher auf dem Gebiet des angewandten maschinellen Lernens und ein Datenanalyst mit umfangreichen Erfahrungen in der akademischen Welt und der Industrie. Er hat auf verschiedenen Anwendungsgebieten Forschungs- und Entwicklungsprojekte zu Datenanalyse und Deep Learning geleitet.
Yehezkel S. Resheff forscht zu angewandter Datenanalyse. Seine Dissertation beschäftigte sich mit maschinellem Lernen und Lernmethoden für tragbare Geräte und dem Internet der Dinge. Er hat in der Vergangenheit Forschungs- und Entwicklungsprojekte zu Deep Learning bei Intel und Microsoft geleitet.
Itay Lieder ist Forscher auf dem Gebiet des angewandten maschinellen Lernens und der Computer-Neurowissenschaft. Für seine Abschlussarbeit entwickelte er Algorithmen zur Modellierung grundlegender Wahrnehmungsvorgänge. Er hat innovative Forschungs- und Entwicklungsprojekte zu Deep Learning für Textanalyse und Web-Mining bei großen internationalen Firmen geleitet.
Inhaltsverzeichnis
- BEGINN
- Inhalt
- Vorwort
- Kapitel 1: Einleitung
- Einstieg in Deep Learning
- TensorFlow: Was verbirgt sich hinter dem Namen?
- Allgemeiner Überblick
- Zusammenfassung
- Kapitel 2: Erste Schritte mit TensorFlow
- TensorFlow installieren
- Hallo Welt
- MNIST
- Softmax-Regression
- Zusammenfassung
- Kapitel 3: Die Grundlagen von TensorFlow
- Berechnungsgraphen
- Graphen, Sessions und Ergebnisabfragen
- Fließende Tensoren
- Variablen, Platzhalter und einfache Optimierung
- Zusammenfassung
- Kapitel 4: Konvolutionsnetze
- Einführung in Konvolutionsnetze
- MNIST: Zweite Runde
- CIFAR10
- Zusammenfassung
- Kapitel 5: Text I: Arbeiten mit Text und Sequenzen, Visualisierung mit TensorBoard
- Warum Sequenzdaten so wichtig sind
- Einführung in rekurrente neuronale Netze
- RNNs für Textsequenzen
- Zusammenfassung
- Kapitel 6: Text II: Wortvektoren, fortgeschrittene RNNs und Visualisierung von Einbettungen
- Einführung in die Worteinbettung
- Word2vec
- Angelernte Einbettungen und fortgeschrittene RNNs
- Zusammenfassung
- Kapitel 7: Abstraktionen und Vereinfachungen in TensorFlow
- Überblick über das Kapitel
- contrib.learn
- TFLearn
- Zusammenfassung
- Kapitel 8: Warteschlangen, Threads und das Einlesen von Daten
- Die Eingabepipeline
- TFRecords
- Warteschlangen
- Eine vollständige parallele Eingabepipeline
- Zusammenfassung
- Kapitel 9: TensorFlow und verteiltes Rechnen
- Verteiltes Rechnen
- TensorFlow-Elemente
- Beispiel mit verteiltem Rechnen
- Zusammenfassung
- Kapitel 10: Modelle mit TensorFlow exportieren und via Server bereitstellen
- Unser Modell speichern und exportieren
- Einführung in TensorFlow Serving
- Zusammenfassung
- Anhang: Tipps zur Erstellung von Modellen und Verwendung von TensorFlow Serving
- Index
- Über die Autoren
- Kolophon