TensorFlow機器學習項目實戰 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[阿根廷] Rodolfo，Bonnin 著，姚鵬鵬譯

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：人民郵電齣版社

ISBN：9787115463623

版次：1

商品編碼：12235801

品牌：異步圖書

包裝：平裝

開本：16開

齣版時間：2017-11-01

用紙：膠版紙

頁數：185

正文語種：中文

具體描述

編輯推薦

本書是介紹如何在産品中使用TensorFlow的實用教程。本書介紹瞭可以使用TensorFlow的多種情況，並通過真實世界的項目，嚮讀者展示瞭如何使用TensorFlow。本書還講解瞭在實際環境中使用TensorFlow的創新方法。
本書主要介紹第二代機器學習與數值計算，提供瞭訓練模型、機器學習、深度學習以及使用各種神經網絡的項目，以此來講解TensorFlow的應用領域，還討論如何使用TensorFlow計算復雜數值。
本書在教讀者使用TensorFlow的同時，還展示瞭如何使用張量來探究各層的數據。隻需選定一個跟讀者環境相匹配的項目，就能學到如何在産品中應用TensorFlow的相關知識。讀完本書後，讀者將能通過TensorFlow有效改善項目的速度和效率。
本書包括以下內容：
● 加載、交互、剖析、處理和存儲復雜數據集；
● 使用先進的技術來解決分類和迴歸問題；
● 使用綫性迴歸模型預測簡單時間序列的輸齣；
● 使用邏輯迴歸方法預測時間序列在未來的結果；
● 使用深度學習方法對圖像進行分類；
● 標定圖像集，並使用包括捲積神經網絡層的深度神經網絡生成繪畫圖像；
● 使用循環神經網絡對時間信號進行預測並生成音樂。

內容簡介

TensorFlow是Google所主導的機器學習框架，也是機器學習領域研究和應用的熱門對象。
《TensorFlow機器學習項目實戰》主要介紹如何使用TensorFlow庫實現各種各樣的模型，旨在降低學習門檻，並為讀者解決問題提供詳細的方法和指導。《TensorFlow機器學習項目實戰》全書共10章，分彆介紹瞭TensorFlow基礎知識、聚類、綫性迴歸、邏輯迴歸、不同的神經網絡、規模化運行模型以及庫的應用技巧。
《TensorFlow機器學習項目實戰》適閤想要學習和瞭解 TensorFlow 和機器學習的讀者閱讀參考。如果讀者具備一定的C++和Python的經驗，將能夠更加輕鬆地閱讀和學習本書。

作者簡介

Rodolfo Bonnin是一名係統工程師，同時也是阿根廷國立理工大學的博士生。他還在德國斯圖加特大學進修過並行編程和圖像理解的研究生課程。
他從2005年開始研究高性能計算，並在2008年開始研究和實現捲積神經網絡，編寫過一個同時支持CPU和GPU的神經網絡前饋部分。最近，他一直在進行使用神經網絡進行欺詐模式檢測的工作，目前正在使用ML技術進行信號分類。

第1章　探索和轉換數據 1
1．1　TensorFlow的主要數據結構—張量 1
1．1．1　張量的屬性—階、形狀和類型 1
1．1．2　創建新的張量 3
1．1．3　動手工作—與TensorFlow交互 4
1．2　處理計算工作流—TensorFlow的數據流圖 5
1．2．1　建立計算圖 5
1．2．2　數據供給 6
1．2．3　變量 6
1．2．4　保存數據流圖 6
1．3　運行我們的程序—會話 8
1．4　基本張量方法 8
1．4．1　簡單矩陣運算 8
1．4．2　序列 11
1．4．3　張量形狀變換 12
1．4．4　數據流結構和結果可視化—TensorBoard 14
1．5　從磁盤讀取信息 18
1．5．1　列錶格式—CSV 18
1．5．2　讀取圖像數據 19
1．5．3　加載和處理圖像 20
1．5．4　讀取標準TensorFlow格式 21
1．6　小結 21
第2章　聚類 22
2．1　從數據中學習—無監督學習 22
2．2　聚類的概念 22
2．3　k均值 23
2．3．1　k均值的機製 23
2．3．2　算法迭代判據 23
2．3．3　k均值算法拆解 24
2．3．4　k均值的優缺點 25
2．4　k最近鄰 25
2．4．1　k最近鄰算法的機製 26
2．4．2　k-nn的優點和缺點 26
2．5　有用的庫和使用示例 27
2．5．1　matplotlib繪圖庫 27
2．5．2　scikit-learn數據集模塊 28
2．5．3　人工數據集類型 28
2．6　例1—對人工數據集的k均值
聚類 29
2．6．1　數據集描述和加載 29
2．6．2　模型架構 30
2．6．3　損失函數描述和優化循環 31
2．6．4　停止條件 31
2．6．5　結果描述 31
2．6．6　每次迭代中的質心變化 32
2．6．7　完整源代碼 32
2．6．8　k均值用於環狀數據集 34
2．7　例2—對人工數據集使用最近鄰算法 36
2．7．1　數據集生成 36
2．7．2　模型結構 36
2．7．3　損失函數描述 37
2．7．4　停止條件 37
2．7．5　結果描述 37
2．7．6　完整源代碼 37
2．8　小結 39
第3章　綫性迴歸 40
3．1　單變量綫性模型方程 40
3．2　選擇損失函數 41
3．3　最小化損失函數 42
3．3．1　最小方差的全局最小值 42
3．3．2　迭代方法：梯度下降 42
3．4　示例部分 43
3．4．1　TensorFlow中的優化方法—訓練模塊 43
3．4．2　tf．train．Optimizer類 43
3．4．3　其他Optimizer實例類型 44
3．5　例1—單變量綫性迴歸 44
3．5．1　數據集描述 45
3．5．2　模型結構 45
3．5．3　損失函數描述和Optimizer 46
3．5．4　停止條件 48
3．5．5　結果描述 48
3．5．6　完整源代碼 49
3．6　例2—多變量綫性迴歸 51
3．6．1　有用的庫和方法 51
3．6．2　Pandas庫 51
3．6．3　數據集描述 51
3．6．4　模型結構 53
3．6．5　損失函數和Optimizer 54
3．6．6　停止條件 55
3．6．7　結果描述 55
3．6．8　完整源代碼 56
3．7　小結 57
第4章　邏輯迴歸 58
4．1　問題描述 58
4．2　Logistic函數的逆函數—Logit函數 59
4．2．1　伯努利分布 59
4．2．2　聯係函數 60
4．2．3　Logit函數 60
4．2．4　對數幾率函數的逆函數—Logistic函數 60
4．2．5　多類分類應用—Softmax迴歸 62
4．3　例1—單變量邏輯迴歸 64
4．3．1　有用的庫和方法 64
4．3．2　數據集描述和加載 65
4．3．3　模型結構 67
4．3．4　損失函數描述和優化器循環 67
4．3．5　停止條件 68
4．3．6　結果描述 68
4．3．7　完整源代碼 69
4．3．8　圖像化錶示 71
4．4　例2—基於skflow單變量邏輯迴歸 72
4．4．1　有用的庫和方法 72
4．4．2　數據集描述 72
4．4．3　模型結構 72
4．4．4　結果描述 73
4．4．5　完整源代碼 74
4．5　小結 74
第5章　簡單的前嚮神經網絡 75
5．1　基本概念 75
5．1．1　人工神經元 75
5．1．2　神經網絡層 76
5．1．3　有用的庫和方法 78
5．2　例1—非綫性模擬數據迴歸 79
5．2．1　數據集描述和加載 79
5．2．2　數據集預處理 80
5．2．3　模型結構—損失函數描述 80
5．2．4　損失函數優化器 80
5．2．5　準確度和收斂測試 80
5．2．6　完整源代碼 80
5．2．7　結果描述 81
5．3　例2—通過非綫性迴歸，對汽車燃料效率建模 82
5．3．1　數據集描述和加載 82
5．3．2　數據預處理 83
5．3．3　模型架構 83
5．3．4　準確度測試 84
5．3．5　結果描述 84
5．3．6　完整源代碼 84
5．4　例3—多類分類：葡萄酒分類 86
5．4．1　數據集描述和加載 86
5．4．2　數據集預處理 86
5．4．3　模型架構 87
5．4．4　損失函數描述 87
5．4．5　損失函數優化器 87
5．4．6　收斂性測試 88
5．4．7　結果描述 88
5．4．8　完整源代碼 88
5．5　小結 89
第6章　捲積神經網絡 90
6．1　捲積神經網絡的起源 90
6．1．1　捲積初探 90
6．1．2　降采樣操作—池化 95
6．1．3　提高效率—dropout操作 98
6．1．4　捲積類型層構建辦法 99
6．2　例1—MNIST數字分類 100
6．2．1　數據集描述和加載 100
6．2．2　數據預處理 102
6．2．3　模型結構 102
6．2．4　損失函數描述 103
6．2．5　損失函數優化器 103
6．2．6　準確性測試 103
6．2．7　結果描述 103
6．2．8　完整源代碼 104
6．3　例2—CIFAR10數據集的圖像分類 106
6．3．1　數據集描述和加載 107
6．3．2　數據集預處理 107
6．3．3　模型結構 108
6．3．4　損失函數描述和優化器 108
6．3．5　訓練和準確性測試 108
6．3．6　結果描述 108
6．3．7　完整源代碼 109
6．4　小結 110
第7章　循環神經網絡和LSTM 111
7．1　循環神經網絡 111
7．1．1　梯度爆炸和梯度消失 112
7．1．2　LSTM神經網絡 112
7．1．3　其他RNN結構 116
7．1．4　TensorFlow LSTM有用的類和方法 116
7．2　例1—能量消耗、單變量時間序列數據預測 117
7．2．1　數據集描述和加載 117
7．2．2　數據預處理 118
7．2．3　模型結構 119
7．2．4　損失函數描述 121
7．2．5　收斂檢測 121
7．2．6　結果描述 122
7．2．7　完整源代碼 122
7．3　例2—創作巴赫風格的麯目 125
7．3．1　字符級模型 125
7．3．2　字符串序列和概率錶示 126
7．3．3　使用字符對音樂編碼—ABC音樂格式 126
7．3．4　有用的庫和方法 128
7．3．5　數據集描述和加載 129
7．3．6　網絡訓練 129
7．3．7　數據集預處理 130
7．3．8　損失函數描述 131
7．3．9　停止條件 131
7．3．10　結果描述 131
7．3．11　完整源代碼 132
7．4　小結 137
第8章　深度神經網絡 138
8．1　深度神經網絡的定義 138
8．2　深度網絡結構的曆史變遷 138
8．2．1　LeNet 5 138
8．2．2　Alexnet 139
8．2．3　VGG模型 139
8．2．4　第一代Inception模型 140
8．2．5　第二代Inception模型 141
8．2．6　第三代Inception模型 141
8．2．7　殘差網絡（ResNet） 142
8．2．8　其他的深度神經網絡
結構 143
8．3　例子—VGG藝術風格轉移 143
8．3．1　有用的庫和方法 143
8．3．2　數據集描述和加載 143
8．3．3　數據集預處理 144
8．3．4　模型結構 144
8．3．5　損失函數 144
8．3．6　收斂性測試 145
8．3．7　程序執行 145
8．3．8　完整源代碼 146
8．4　小結 153
第9章　規模化運行模型—GPU和
服務 154
9．1　TensorFlow中的GPU支持 154
9．2　打印可用資源和設備參數 155
9．2．1　計算能力查詢 155
9．2．2　選擇CPU用於計算 156
9．2．3　設備名稱 156
9．3　例1—將一個操作指派給
GPU 156
9．4　例2—並行計算Pi的數值 157
9．4．1　實現方法 158
9．4．2　源代碼 158
9．5　分布式TensorFlow 159
9．5．1　分布式計算組件 159
9．5．2　創建TensorFlow集群 160
9．5．3　集群操作—發送計算方法
到任務 161
9．5．4　分布式編碼結構示例 162
9．6　例3—分布式Pi計算 163
9．6．1　服務器端腳本 163
9．6．2　客戶端腳本 164
9．7　例4—在集群上運行分布式
模型 165
9．8　小結 168
第10章　庫的安裝和其他技巧 169
10．1　Linux安裝 169
10．1．1　安裝要求 170
10．1．2　Ubuntu安裝準備（安裝操作的
前期操作） 170
10．1．3　Linux下通過pip安裝
TensorFlow 170
10．1．4　Linux下從源碼安裝
TensorFlow 175
10．2　Windows安裝 179
10．2．1　經典的Docker工具箱
方法 180
10．2．2　安裝步驟 180
10．3　MacOS X安裝 183
10．4　小結 185