科技 类型
5.5 豆瓣评分
可以朗读 语音朗读
143千字 字数
2017-10-01 发行日期
展开全部

主编推荐语

本书是介绍如何在产品中使用TensorFlow的实用教程。

内容简介

TensorFlow是Google所主导的机器学习框架，也是机器学习领域研究和应用的热门对象。

本书主要介绍如何使用TensorFlow库实现各种各样的模型，旨在降低学习门槛，并为读者解决问题提供详细的方法和指导。《TensorFlow机器学习项目实战》全书共10章，分别介绍了TensorFlow基础知识、聚类、线性回归、逻辑回归、不同的神经网络、规模化运行模型以及库的应用技巧。本书适合想要学习和了解 TensorFlow 和机器学习的读者阅读参考。如果读者具备一定的C++和Python的经验，将能够更加轻松地阅读和学习本书。

目录

  • 版权信息
  • 内容提要
  • 作者简介
  • 审稿人简介
  • 前言
  • 第1章 探索和转换数据
  • 1.1 TensorFlow的主要数据结构——张量
  • 1.1.1 张量的属性——阶、形状和类型
  • 1.1.2 创建新的张量
  • 1.1.3 动手工作——与TensorFlow交互
  • 1.2 处理计算工作流——TensorFlow的数据流图
  • 1.2.1 建立计算图
  • 1.2.2 数据供给
  • 1.2.3 变量
  • 1.2.4 保存数据流图
  • 1.3 运行我们的程序——会话
  • 1.4 基本张量方法
  • 1.4.1 简单矩阵运算
  • 1.4.2 序列
  • 1.4.3 张量形状变换
  • 1.4.4 数据流结构和结果可视化——TensorBoard
  • 1.5 从磁盘读取信息
  • 1.5.1 列表格式——CSV
  • 1.5.2 读取图像数据
  • 1.5.3 加载和处理图像
  • 1.5.4 读取标准TensorFlow格式
  • 1.6 小结
  • 第2章 聚类
  • 2.1 从数据中学习——无监督学习
  • 2.2 聚类的概念
  • 2.3 k均值
  • 2.3.1 k均值的机制
  • 2.3.2 算法迭代判据
  • 2.3.3 k均值算法拆解
  • 2.3.4 k均值的优缺点
  • 2.4 k最近邻
  • 2.4.1 k最近邻算法的机制
  • 2.4.2 k-nn的优点和缺点
  • 2.5 有用的库和使用示例
  • 2.5.1 matplotlib绘图库
  • 2.5.2 scikit-learn数据集模块
  • 2.5.3 人工数据集类型
  • 2.6 例1——对人工数据集的k均值聚类
  • 2.6.1 数据集描述和加载
  • 2.6.2 模型架构
  • 2.6.3 损失函数描述和优化循环
  • 2.6.4 停止条件
  • 2.6.5 结果描述
  • 2.6.6 每次迭代中的质心变化
  • 2.6.7 完整源代码
  • 2.6.8 k均值用于环状数据集
  • 2.7 例2——对人工数据集使用最近邻算法
  • 2.7.1 数据集生成
  • 2.7.2 模型结构
  • 2.7.3 损失函数描述
  • 2.7.4 停止条件
  • 2.7.5 结果描述
  • 2.7.6 完整源代码
  • 2.8 小结
  • 第3章 线性回归
  • 3.1 单变量线性模型方程
  • 3.2 选择损失函数
  • 3.3 最小化损失函数
  • 3.3.1 最小方差的全局最小值
  • 3.3.2 迭代方法：梯度下降
  • 3.4 示例部分
  • 3.4.1 TensorFlow中的优化方法——训练模块
  • 3.4.2 tf.train.Optimizer类
  • 3.4.3 其他Optimizer实例类型
  • 3.5 例1——单变量线性回归
  • 3.5.1 数据集描述
  • 3.5.2 模型结构
  • 3.5.3 损失函数描述和Optimizer
  • 3.5.4 停止条件
  • 3.5.5 结果描述
  • 3.5.6 完整源代码
  • 3.6 例2——多变量线性回归
  • 3.6.1 有用的库和方法
  • 3.6.2 Pandas库
  • 3.6.3 数据集描述
  • 3.6.4 模型结构
  • 3.6.5 损失函数和Optimizer
  • 3.6.6 停止条件
  • 3.6.7 结果描述
  • 3.6.8 完整源代码
  • 3.7 小结
  • 第4章 逻辑回归
  • 4.1 问题描述
  • 4.2 Logistic函数的逆函数——Logit函数
  • 4.2.1 伯努利分布
  • 4.2.2 联系函数
  • 4.2.3 Logit函数
  • 4.2.4 对数几率函数的逆函数——Logistic函数
  • 4.2.5 多类分类应用——Softmax回归
  • 4.3 例1——单变量逻辑回归
  • 4.3.1 有用的库和方法
  • 4.3.2 数据集描述和加载
  • 4.3.3 模型结构
  • 4.3.4 损失函数描述和优化器循环
  • 4.3.5 停止条件
  • 4.3.6 结果描述
  • 4.3.7 完整源代码
  • 4.3.8 图像化表示
  • 4.4 例2——基于skflow单变量逻辑回归
  • 4.4.1 有用的库和方法
  • 4.4.2 数据集描述
  • 4.4.3 模型结构
  • 4.4.4 结果描述
  • 4.4.5 完整源代码
  • 4.5 小结
  • 第5章 简单的前向神经网络
  • 5.1 基本概念
  • 5.1.1 人工神经元
  • 5.1.2 神经网络层
  • 5.1.3 有用的库和方法
  • 5.2 例1——非线性模拟数据回归
  • 5.2.1 数据集描述和加载
  • 5.2.2 数据集预处理
  • 5.2.3 模型结构——损失函数描述
  • 5.2.4 损失函数优化器
  • 5.2.5 准确度和收敛测试
  • 5.2.6 完整源代码
  • 5.2.7 结果描述
  • 5.3 例2——通过非线性回归，对汽车燃料效率建模
  • 5.3.1 数据集描述和加载
  • 5.3.2 数据预处理
  • 5.3.3 模型架构
  • 5.3.4 准确度测试
  • 5.3.5 结果描述
  • 5.3.6 完整源代码
  • 5.4 例3——多类分类：葡萄酒分类
  • 5.4.1 数据集描述和加载
  • 5.4.2 数据集预处理
  • 5.4.3 模型架构
  • 5.4.4 损失函数描述
  • 5.4.5 损失函数优化器
  • 5.4.6 收敛性测试
  • 5.4.7 结果描述
  • 5.4.8 完整源代码
  • 5.5 小结
  • 第6章 卷积神经网络
  • 6.1 卷积神经网络的起源
  • 6.1.1 卷积初探
  • 6.1.2 降采样操作——池化
  • 6.1.3 提高效率——dropout操作
  • 6.1.4 卷积类型层构建办法
  • 6.2 例1——MNIST数字分类
  • 6.2.1 数据集描述和加载
  • 6.2.2 数据预处理
  • 6.2.3 模型结构
  • 6.2.4 损失函数描述
  • 6.2.5 损失函数优化器
  • 6.2.6 准确性测试
  • 6.2.7 结果描述
  • 6.2.8 完整源代码
  • 6.3 例2——CIFAR10数据集的图像分类
  • 6.3.1 数据集描述和加载
  • 6.3.2 数据集预处理
  • 6.3.3 模型结构
  • 6.3.4 损失函数描述和优化器
  • 6.3.5 训练和准确性测试
  • 6.3.6 结果描述
  • 6.3.7 完整源代码
  • 6.4 小结
  • 第7章 循环神经网络和LSTM
  • 7.1 循环神经网络
  • 7.1.1 梯度爆炸和梯度消失
  • 7.1.2 LSTM神经网络
  • 7.1.3 其他RNN结构
  • 7.1.4 TensorFlow LSTM有用的类和方法
  • 7.2 例1——能量消耗、单变量时间序列数据预测
  • 7.2.1 数据集描述和加载
  • 7.2.2 数据预处理
  • 7.2.3 模型结构
  • 7.2.4 损失函数描述
  • 7.2.5 收敛检测
  • 7.2.6 结果描述
  • 7.2.7 完整源代码
  • 7.3 例2——创作巴赫风格的曲目
  • 7.3.1 字符级模型
  • 7.3.2 字符串序列和概率表示
  • 7.3.3 使用字符对音乐编码——ABC音乐格式
  • 7.3.4 有用的库和方法
  • 7.3.5 数据集描述和加载
  • 7.3.6 网络训练
  • 7.3.7 数据集预处理
  • 7.3.8 损失函数描述
  • 7.3.9 停止条件
  • 7.3.10 结果描述
  • 7.3.11 完整源代码
  • 7.4 小结
  • 第8章 深度神经网络
  • 8.1 深度神经网络的定义
  • 8.2 深度网络结构的历史变迁
  • 8.2.1 LeNet 5
  • 8.2.2 Alexnet
  • 8.2.3 VGG模型
  • 8.2.4 第一代Inception模型
  • 8.2.5 第二代Inception模型
  • 8.2.6 第三代Inception模型
  • 8.2.7 残差网络（ResNet）
  • 8.2.8 其他的深度神经网络结构
  • 8.3 例子——VGG艺术风格转移
  • 8.3.1 有用的库和方法
  • 8.3.2 数据集描述和加载
  • 8.3.3 数据集预处理
  • 8.3.4 模型结构
  • 8.3.5 损失函数
  • 8.3.6 收敛性测试
  • 8.3.7 程序执行
  • 8.3.8 完整源代码
  • 8.4 小结
  • 第9章 规模化运行模型——GPU和服务
  • 9.1 TensorFlow中的GPU支持
  • 9.2 打印可用资源和设备参数
  • 9.2.1 计算能力查询
  • 9.2.2 选择CPU用于计算
  • 9.2.3 设备名称
  • 9.3 例1——将一个操作指派给GPU
  • 9.4 例2——并行计算Pi的数值
  • 9.4.1 实现方法
  • 9.4.2 源代码
  • 9.5 分布式TensorFlow
  • 9.5.1 分布式计算组件
  • 9.5.2 创建TensorFlow集群
  • 9.5.3 集群操作——发送计算方法到任务
  • 9.5.4 分布式编码结构示例
  • 9.6 例3——分布式Pi计算
  • 9.6.1 服务器端脚本
  • 9.6.2 客户端脚本
  • 9.7 例4——在集群上运行分布式模型
  • 9.8 小结
  • 第10章 库的安装和其他技巧
  • 10.1 Linux安装
  • 10.1.1 安装要求
  • 10.1.2 Ubuntu安装准备（安装操作的前期操作）
  • 10.1.4 Linux下从源码安装TensorFlow
  • 10.2 Windows安装
  • 10.2.1 经典的Docker工具箱方法
  • 10.2.2 安装步骤
  • 10.3 MacOS X安装
  • 10.4 小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。