Einführung in TensorFlow

Table of contents

1. Cover
2. Titel
3. Impressum
4. Inhalt
5. Vorwort
6. 1 Einleitung
   1. Einstieg in Deep Learning
   2. TensorFlow für KI-Systeme verwenden
   3. TensorFlow: Was verbirgt sich hinter dem Namen?
   4. Allgemeiner Überblick
   5. Zusammenfassung
7. 2 Erste Schritte mit TensorFlow
   1. TensorFlow installieren
   2. Hallo Welt
   3. MNIST
   4. Softmax-Regression
   5. Zusammenfassung
8. 3 Die Grundlagen von TensorFlow
   1. Berechnungsgraphen
   2. Was ist ein Berechnungsgraph?
   3. Die Vorteile von Graphenberechnungen
   4. Graphen, Sessions und Ergebnisabfragen
   5. Einen Graphen erstellen
   6. Eine Session erstellen und ausführen
   7. Unseren Graphen aufbauen und verwalten
   8. Ergebnisabfragen
   9. Fließende Tensoren
   10. Knoten als Operationen, Kanten als Tensor-Objekte
   11. Datentypen
   12. Tensor-Objekte und ihre Gestalt
   13. Namen
   14. Variablen, Platzhalter und einfache Optimierung
   15. Variablen
   16. Platzhalter
   17. Optimierung
   18. Zusammenfassung
9. 4 Konvolutionsnetze
   1. Einführung in Konvolutionsnetze
   2. MNIST: Zweite Runde
   3. Konvolution
   4. Pooling
   5. Dropout
   6. Das Modell
   7. CIFAR10
   8. Laden des CIFAR10-Datensatzes
   9. Einfache CIFAR10-Modelle
   10. Zusammenfassung
10. 5 Text I: Arbeiten mit Text und Sequenzen, Visualisierung mit TensorBoard
    1. Warum Sequenzdaten so wichtig sind
    2. Einführung in rekurrente neuronale Netze
    3. Einfache Implementierung eines RNN
    4. In TensorFlow eingebaute Funktionen für RNNs
    5. RNNs für Textsequenzen
    6. Textsequenzen
    7. Überwachte Worteinbettungen
    8. LSTM und die Verwendung von Sequenzlängen
    9. Anlernen von Einbettungen und des LSTM-Klassifikators
    10. Zusammenfassung
11. 6 Text II: Wortvektoren, fortgeschrittene RNNs und Visualisierung von Einbettungen
    1. Einführung in die Worteinbettung
    2. Word2vec
    3. Skip-Gramme
    4. Einbettungen in TensorFlow
    5. Die Verlustfunktion für Noise-Contrastive Estimation (NCE)
    6. Abfall der Lernrate
    7. Anlernen und Visualieren mit TensorBoard
    8. Einblick in unsere Einbettungen
    9. Angelernte Einbettungen und fortgeschrittene RNNs
    10. Angelernte Worteinbettungen
    11. Bidirektionale RNNs und GRU-Zellen
    12. Zusammenfassung
12. 7 Abstraktionen und Vereinfachungen in TensorFlow
    1. Überblick über das Kapitel
    2. Verfügbare Bibliotheken
    3. contrib.learn
    4. Lineare Regression
    5. DNN-Klassifikator
    6. FeatureColumn
    7. Mit contrib.learn ein CNN selbst erstellen
    8. TFLearn
    9. Installation
    10. CNN
    11. RNN
    12. Keras
    13. Angelernte Modelle mit TF-Slim
    14. Zusammenfassung
13. 8 Warteschlangen, Threads und das Einlesen von Daten
    1. Die Eingabepipeline
    2. TFRecords
    3. Das Schreiben mit TFRecordWriter
    4. Warteschlangen
    5. Einstellen und Entnehmen
    6. Multithreading
    7. Koordinator und Warteschlangensteuerung
    8. Eine vollständige parallele Eingabepipeline
    9. tf.train.string_input_producer() und tf.TFRecordReader()
    10. tf.train.shuffle_batch()
    11. tf.train.start_queue_runners() und der Abschluss
    12. Zusammenfassung
14. 9 TensorFlow und verteiltes Rechnen
    1. Verteiltes Rechnen
    2. Wo findet Parallelisierung statt?
    3. Was ist das Ziel von Parallelisierung?
    4. TensorFlow-Elemente
    5. tf.app.flags
    6. Cluster und Server
    7. Replikation von Berechnungsgraphen über mehrere Prozessoren
    8. Überwachte Sessions
    9. Die Prozessorzuteilung
    10. Beispiel mit verteiltem Rechnen
    11. Zusammenfassung
15. 10 Modelle mit TensorFlow exportieren und via Server bereitstellen
    1. Unser Modell speichern und exportieren
    2. Geladene Gewichte zuweisen
    3. Die Klasse Saver
    4. Einführung in TensorFlow Serving
    5. Überblick
    6. Installation
    7. Bauen und exportieren
    8. Zusammenfassung
16. Anhang: Tipps zur Erstellung von Modellen und Verwendung von TensorFlow Serving
17. Index
18. Über die Autoren
19. Über die Übersetzer
20. Kolophon
21. Fußnoten