TensorFlow.NET 实战

定　价：¥129.00

作　者：	仇华
出版社：	电子工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787121443091	出版时间：	2022-10-01	包装：	平塑勒
开本：		页数：		字数：

内容简介

　　本书基于 TensorFlow.NET 框架，详细介绍了.NET 平台下深度学习的基础原理和应用技术，不仅阐述了算法原理，还演示了实践代码和运行效果，其中完整示例主要采用的语言为 C#和 F#。全书分为 3 个部分：第一部分介绍了核心 API 的用法和基础示例，包括数据类型、张量、Eager Mode、自动求导、线性回归、逻辑回归、tf.data、深度神经网络和 AutoGraph 机制，读者可以通过学习这一部分内容快速入门；第二部分重点演示了.NET Keras 的用法，包括模型、网络层、常用 API、模型搭建和模型训练，读者可以由此掌握主流的深度学习方法；第三部分主要是生产应用和案例实操，包括 GPU 环境搭建、自定义数据集训练、图像分类、目标检测、迁移学习、自然语言处理、生成对抗网络和 F#应用案例，每个案例均有完整的代码。本书涵盖深度学习的方法和实践，主要面向在校大学生、生产技术人员和研究人员，适合具备.NET 编程基础，希望通过.NET 技术开发深度学习应用的读者阅读。

作者简介

　　仇华：从事机器视觉和机器学习开发的工作14年，目前在TCL担任资深软件工程师。SciSharp Stack开源社区核心组成员，TensorFlow苏州社区创办者，多年来专注于图像算法和深度学习领域的研究，获得Google深度学习开发者认证、微软AIM人工智能经理证书和苏州市高级视觉工程师证书。陈海平：从事软件开发和系统架构设计的工作16年，目前在美国一家公司担任高级软件架构师。创办SciSharp Stack开源社区，TensorFlow.NET创立和主要维护者，主要业余时间都投入在开源社区的项目贡献。

图书目录

第一部分 TensorFlow.NET API 入门
第 1 章 TensorFlow.NET 介绍 ................................................................................... 2
1.1 TensorFlow.NET 特性 .................................................................................................. 2
1.2 TensorFlow.NET 开源库结构 ...................................................................................... 3
第 2 章数据类型与张量详解 ........................................................................................ 6
2.1 数据类型 ...................................................................................................................... 6
2.2 张量详解 ...................................................................................................................... 7
2.3 常量与变量 .................................................................................................................. 8
2.4 字符串常见操作 .........................................................................................................11
2.5 基本张量操作 ............................................................................................................ 14
2.6 维度变换 .................................................................................................................... 19
2.7 合并分割 .................................................................................................................... 22
2.8 广播机制 .................................................................................................................... 24
第 3 章 Eager Mode 详解 ............................................................................................ 28
3.1 Eager Mode 说明 ........................................................................................................ 28
3.2 Eager Mode 比较 ........................................................................................................ 29
3.3 Eager Mode 数值运算 ................................................................................................ 31
3.4 Eager Mode 张量降维运算 ........................................................................................ 32
3.5 Eager Mode 矩阵运算 ................................................................................................ 35
3.6 print 与 tf.print 特性对比 ........................................................................................... 37
第 4 章自动求导原理与应用 ....................................................................................... 44
4.1 机器学习中的求导 .................................................................................................... 44
4.2 简单函数求导 ............................................................................................................ 45
4.3 复杂函数求偏导 ........................................................................................................ 46
第 5 章线性回归实操 ...................................................................................................... 48
5.1 线性回归问题 ............................................................................................................ 48
5.2 TensorFlow 下的线性回归 ........................................................................................ 50
5.3 C#和 Python 的性能比较 .......................................................................................... 54
第 6 章 MNIST 手写字符分类逻辑回归 ............................................................................ 56
6.1 经典的 MNIST 手写字符分类问题 .......................................................................... 56
6.2 逻辑回归代码实操 .................................................................................................... 63
第 7 章 tf.data 数据集创建与预处理 ................................................................................ 77
7.1 tf.data 介绍 ................................................................................................................. 77
7.2 tf.data 数据集创建 ..................................................................................................... 78
7.3 tf.data 数据预处理 ..................................................................................................... 81
7.4 tf.data 数据使用 ......................................................................................................... 89
第 8 章深度神经网络实践 ............................................................................................................ 91
8.1 深度神经网络介绍 .................................................................................................... 91
8.2 TensorFlow.NET 代码实操 1：DNN with Eager ...................................................... 93
8.3 TensorFlow.NET Keras 模型搭建的 3 种方式 ........................................................ 105
8.4 TensorFlow.NET 代码实操 2：DNN with Keras .....................................................116
第 9 章 AutoGraph 机制详解 .............................................................................................. 131
9.1 AutoGraph 机制说明 ............................................................................................... 131
9.2 AutoGraph 机制原理 ............................................................................................... 144
9.3 AutoGraph 编码规范 ............................................................................................... 146
第二部分 .NET Keras 简明教程
第 10 章 Keras 简要介绍 ................................................................................................... 149
10.1 Keras 特性 .............................................................................................................. 149
10.2 Keras 版本说明 ...................................................................................................... 150
第 11 章模型与层 ................................................................................................................... 152
11.1 Keras 常用的模型与层 .......................................................................................... 152
11.2 自定义层 ................................................................................................................ 155
11.3 自定义模型 ............................................................................................................ 157
11.4 模型常用 API 概述 ................................................................................................ 160
第 12 章 Keras 常用 API 说明 ........................................................................................... 167
12.1 回调函数 ................................................................................................................ 167
12.2 数据集预处理 ........................................................................................................ 169
12.3 优化器 .................................................................................................................... 172
12.4 损失函数 ................................................................................................................ 175
12.5 评估指标 ................................................................................................................ 180
第 13 章 Keras 搭建模型的 3 种方式 ............................................................................ 184
13.1 Sequential API 方式 ............................................................................................... 185
13.2 Functional API 方式 ............................................................................................... 18