Értékelés:
A „Learning TensorFlow” című könyv vegyes kritikákat kap: egyes olvasók értékelik a világos magyarázatokat és a gyakorlati példákat, míg mások kritizálják, hogy rosszul van megírva, nem elég mély, és túlságosan hasonlít a rendelkezésre álló online dokumentációra. Sokan hasznosnak találták az előzetes programozási ismeretekkel rendelkező kezdők számára, míg mások szerint elavult vagy elégtelen az igazi tanuláshoz.
Előnyök:⬤ Kiváló állapotban érkezik.
⬤ Jó azoknak, akik már rendelkeznek némi Python-tapasztalattal, és szeretnék megtanulni a TensorFlow alapjait.
⬤ Olyan fontos szempontokat tárgyal, mint a bemeneti csővezetékek, a szálkezelés és az elosztott számítástechnika.
⬤ Gyakorlati példákat ad, amelyek projektekbe foglalhatók.
⬤ Világos magyarázatok és jó struktúra a legtöbb esetben.
⬤ Egyes vélemények szerint rosszul megírt és szerkesztett.
⬤ Hiányzik a kezdők számára a magyarázatok és a kontextus mélysége.
⬤ Sok olyan tartalmat tartalmaz, amely online is megtalálható, így feleslegesnek tűnik.
⬤ Kritika, hogy nem átfogó útmutató, és hogy gyakori adathalmazokat használ (MNIST, CIFAR).
⬤ Néhány felhasználó úgy érzi, hogy több kontextusra és haladó témájú anyagra lenne szükség.
(35 olvasói vélemény alapján)
Learning Tensorflow: A Guide to Building Deep Learning Systems
A nagy mennyiségű adattal betanított mély neurális hálózatok, amelyeket nagyjából az emberi agy ihletett, példátlan pontossággal képesek megoldani összetett feladatokat. Ez a gyakorlatias könyv végponttól végpontig tartó útmutatót nyújt a TensorFlow-hoz, a vezető nyílt forráskódú szoftverkönyvtárhoz, amely segít a számítógépes látáshoz, a természetes nyelvfeldolgozáshoz (NLP), a beszédfelismeréshez és az általános előrejelző analitikához szükséges neurális hálózatok létrehozásában és betanításában.
A szerzők, Tom Hope, Yehezkel Resheff és Itay Lieder gyakorlatias megközelítést nyújtanak a TensorFlow alapjairól a széles műszaki közönség számára, az adattudósoktól és mérnököktől a diákokig és kutatókig. A TensorFlow-ban néhány alapvető példa feldolgozásával kezd, mielőtt elmélyülne olyan témákban, mint a neurális hálózati architektúrák, a TensorBoard vizualizáció, a TensorFlow absztrakciós könyvtárak és a többszálas bemeneti pipelinek. Ha befejezte ezt a könyvet, tudni fogja, hogyan építsen és telepítsen gyártásra kész mélytanulási rendszereket TensorFlow-ban.
⬤ Felkészülhet a TensorFlow-val, gyorsan és fájdalommentesen.
⬤ Tanulja meg, hogyan használhatja a TensorFlow-t mélytanulási modellek építésére az alapoktól kezdve.
⬤ Tréningeljen népszerű mélytanulási modelleket számítógépes látáshoz és NLP-hez.
⬤ Kiterjedt absztrakciós könyvtárak használata a fejlesztés egyszerűbbé és gyorsabbá tétele érdekében.
⬤ Tanulja meg, hogyan skálázza a TensorFlow-t, és hogyan használjon klasztereket a modellek képzésének elosztására.
⬤ TensorFlow telepítése termelési környezetben.