دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Learning TensorFlow. A Guide to building Deep Learning Systems
دانلود کتاب یادگیری TensorFlow راهنمای ساخت سیستم های یادگیری عمیق
مشخصات کتاب
Learning TensorFlow. A Guide to building Deep Learning Systems
ویرایش: نویسندگان: Tom Hope, Yehezkel S. Resheff, Itay Lieder سری: ISBN (شابک) : 9781491978511 ناشر: O’Reilly سال نشر: 2017 تعداد صفحات: 230 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
قیمت کتاب (تومان) : 41,000
در صورت تبدیل فایل کتاب Learning TensorFlow. A Guide to building Deep Learning Systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری TensorFlow راهنمای ساخت سیستم های یادگیری عمیق نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری TensorFlow راهنمای ساخت سیستم های یادگیری عمیق
شبکه‌های عصبی عمیقی که تقریباً از مغز انسان الهام گرفته شده‌اند، با مقادیر زیادی داده آموزش دیده‌اند، می‌توانند کارهای پیچیده را با دقت بی‌سابقه‌ای حل کنند. این کتاب عملی راهنمای سرتاسری برای TensorFlow، کتابخانه نرم‌افزار منبع باز پیشرو ارائه می‌دهد که به شما کمک می‌کند شبکه‌های عصبی را برای بینایی رایانه، پردازش زبان طبیعی (NLP)، تشخیص گفتار و تحلیل‌های پیش‌بینی کلی بسازید و آموزش دهید. نویسندگان Tom Hope، Yehezkel Resheff و Itay Lieder یک رویکرد عملی به اصول TensorFlow برای مخاطبان فنی گسترده، از دانشمندان و مهندسان داده تا دانشجویان و محققان ارائه می‌دهند. قبل از غواصی عمیق‌تر در موضوعاتی مانند معماری شبکه‌های عصبی، تجسم TensorBoard، کتابخانه‌های انتزاعی TensorFlow و خطوط لوله ورودی چند رشته‌ای، با چند مثال اساسی در TensorFlow کار می‌کنید. پس از اتمام این کتاب، می‌دانید که چگونه سیستم‌های یادگیری عمیق آماده تولید را در TensorFlow بسازید و به کار بگیرید. با TensorFlow، سریع و بدون دردسر راه بیفتید و اجرا کنید. یاد بگیرید چگونه از TensorFlow برای ساختن مدل های یادگیری عمیق از پایه استفاده کنید. و از خوشه ها برای توزیع آموزش مدل Deploy TensorFlow در یک محیط تولید استفاده کنید
توضیحاتی درمورد کتاب به خارجی
Roughly inspired by the human brain, deep neural networks trained with large amounts of data can solve complex tasks with unprecedented accuracy. This practical book provides an end-to-end guide to TensorFlow, the leading open source software library that helps you build and train neural networks for computer vision, natural language processing (NLP), speech recognition, and general predictive analytics. Authors Tom Hope, Yehezkel Resheff, and Itay Lieder provide a hands-on approach to TensorFlow fundamentals for a broad technical audience, from data scientists and engineers to students and researchers. You'll begin by working through some basic examples in TensorFlow before diving deeper into topics such as neural network architectures, TensorBoard visualization, TensorFlow abstraction libraries, and multithreaded input pipelines. Once you finish this book, you'll know how to build and deploy production-ready deep learning systems in TensorFlow. Get up and running with TensorFlow, rapidly and painlessly Learn how to use TensorFlow to build deep learning models from the ground up Train popular deep learning models for computer vision and NLP Use extensive abstraction libraries to make development easier and faster Learn how to scale TensorFlow, and use clusters to distribute model training Deploy TensorFlow in a production setting
فهرست مطالب
Contents Preface Introduction Going Deep TensorFlow: What’s in a Name? A High-Level Overview Summary Up & Running with TensorFlow Installing TensorFlow Hello World MNIST Softmax Regression Summary TensorFlow Basics Computation Graphs Graphs, Sessions, and Fetches Flowing Tensors Variables, Placeholders, and Simple Optimization Summary Convolutional Neural Networks Introduction to CNNs MNIST: Take II CIFAR10 Summary Text & Sequences & Visualization The Importance of Sequence Data Introduction to Recurrent Neural Networks RNN for Text Sequences Summary Word Vectors, Advanced RNN & embedding Visualization Introduction to Word Embeddings Word2vec Pretrained Embeddings, Advanced RNN Summary TensorFlow Abstractions & Simplification Chapter Overview contrib.learn TFLearn Summary Queues Threads & Reading Data The Input Pipeline TFRecords Queues A Full Multithreaded Input Pipeline Summary Distributed TensorFlow Distributed Computing TensorFlow Elements Distributed Example Summary Exporting & Serving Models Saving and Exporting Our Model Introduction to TensorFlow Serving Summary Model Construction & TensorFlow Serving Model Structuring and Customization Required and Recommended Components for TensorFlow Serving Index
