《Python+TensorFlow機器學習實戰》是清華大學出版社出版的一本圖書。
基本介紹
- 書名：Python+TensorFlow機器學習實戰
- 作者：李鷗
- ISBN：9787302522607
- 定價：79元
- 出版社：清華大學出版社
- 出版時間：2019.06.01
- 印次：1-1
- 印刷日期：2019.05.21
圖書內容,目錄,
圖書內容
《Python+TensorFlow機器學習實戰》通過開發實例和項目案例，詳細介紹TensorFlow開發所涉及的主要內容。書中的每個知識點都通過實例進行通俗易懂的講解，便於讀者輕鬆掌握有關TensorFlow開發的內容和技巧，並能夠得心應手地使用TensorFlow進行開發。
《Python+TensorFlow機器學習實戰》內容共分為11章，首先介紹TensorFlow的基本知識，通過實例逐步深入地講解線性回歸、支持向量機、神經網路算法和無監督學習等常見的機器學習算法模型。然後通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功套用講解TensorFlow的實際開發過程。
目錄
第1章
機器學習概述 1.1
人工智慧 1 1.2
機器學習 2 1.2.1
機器學習的發展 2 1.2.2
機器學習的分類 3 1.2.3
機器學習的經典算法 4 1.2.4
機器學習入門 6 1.3
TensorFlow簡介 6 1.3.1
主流框架的對比 7 1.3.2
TensorFlow的發展 9 1.3.3
使用TensorFlow的公司 10 1.4
TensorFlow環境準備 10 1.4.1
Windows環境 11 1.4.2
Linux環境 21 1.4.3
Mac OS環境 22 1.5
常用的第三方模組 22 1.6
本章小結 23
第2章
TensorFlow基礎 2.1
TensorFlow基礎框架 24 2.1.1
系統框架 24 2.1.2
系統的特性 26 2.1.3
編程模型 27 2.1.4
編程特點 28 2.2
TensorFlow原始碼結構分析 30 2.2.1
原始碼下載 30 2.2.2
TensorFlow目錄結構 30 2.2.3
重點目錄 31 2.3
TensorFlow基本概念 33 2.3.1
Tensor 33 2.3.2
Variable 34 2.3.3
Placeholder 35 2.3.4
Session 36 2.3.5 Operation
2.3.6 Queue37
2.3.7 QueueRunner38
2.3.8 Coordinator39
2.4 第一個TensorFlow示例40
2.4.1 典型套用41
2.4.2 運行TensorFlow示例43
2.5 TensorBoard可視化45
2.5.1 SCALARS面板45
2.5.2 GRAPHS面板47
2.5.3 IMAGES面板48
2.5.4 AUDIO面板49
2.5.5 DISTRIBUTIONS面板49
2.5.6 HISTOGRAMS面板49
2.5.7 PROJECTOR面板50
2.6 本章小結50
第3章 TensorFlow進階
3.1 載入數據51
3.1.1 預載入數據51
3.1.2 填充數據51
3.1.3 從CSV檔案讀取數據52
3.1.4 讀取TFRecords數據54
3.2 存儲和載入模型58
3.2.1 存儲模型58
3.2.2 載入模型59
3.3 評估和最佳化模型60
3.3.1 評估指標的介紹與使用60
3.3.2 模型調優的主要方法61
3.4 本章小結63
第4章 線性模型
4.1 常見的線性模型64
4.2 一元線性回歸65
4.2.1 生成訓練數據65
4.2.2 定義訓練模型66
4.2.3 進行數據訓練66
4.2.4 運行總結67
4.3 多元線性回歸68
4.3.1 二元線性回歸算法簡介68
4.3.2 生成訓練數據69
4.3.3 定義訓練模型70
4.3.4 進行數據訓練70
4.3.5 運行總結70
4.4 邏輯回歸71
4.4.1 邏輯回歸算法簡介71
4.4.2 生成訓練數據73
4.4.3 定義訓練模型74
4.4.4 進行數據訓練74
4.4.5 運行總結75
4.5 本章小結76
第5章 支持向量機
5.1 支持向量機簡介77
5.1.1 SVM基本型77
5.1.2 SVM核函式簡介79
5.2 擬合線性回歸80
5.2.1 生成訓練數據80
5.2.2 定義訓練模型81
5.2.3 進行數據訓練81
5.2.4 運行總結82
5.3 擬合邏輯回歸83
5.3.1 生成訓練數據83
5.3.2 定義訓練模型84
5.3.3 進行數據訓練85
5.3.4 運行總結86
5.4 非線性二值分類87
5.4.1 生成訓練數據87
5.4.2 定義訓練模型88
5.4.3 進行數據訓練89
5.4.4 運行總結89
5.5 非線性多類分類91
5.5.1 生成訓練數據91
5.5.2 定義訓練模型92
5.5.3 進行數據訓練93
5.5.4 運行總結94
5.6 本章小結95
第6章 神經網路
6.1 神經網路簡介96
6.1.1 神經元模型97
6.1.2 神經網路層100
6.2 擬合線性回歸問題102
6.2.1 生成訓練數據102
6.2.2 定義神經網路模型102
6.2.3 進行數據訓練103
6.2.4 運行總結104
6.3 MNIST數據集104
6.3.1 MNIST數據集簡介105
6.3.2 數據集圖片檔案105
6.3.3 數據集標記檔案106
6.4 全連線神經網路106
6.4.1 載入MNIST訓練數據106
6.4.2 構建神經網路模型107
6.4.3 進行數據訓練108
6.4.4 評估模型109
6.4.5 構建多層神經網路模型110
6.4.6 可視化多層神經網路模型111
6.5 卷積神經網路113
6.5.1 卷積神經網路簡介114
6.5.2 卷積層115
6.5.3 池化層119
6.5.4 全連線神經網路層121
6.5.5 卷積神經網路的發展121
6.6 通過卷積神經網路處理MNIST122
6.6.1 載入MNIST訓練數據122
6.6.2 構建卷積神經網路模型123
6.6.3 進行數據訓練127
6.6.4 評估模型127
6.7 循環神經網路128
6.7.1 循環神經網路簡介128
6.7.2 基本循環神經網路129
6.7.3 長短期記憶網路131
6.7.4 雙向循環神經網路簡介134
6.8 通過循環神經網路處理MNIST135
6.8.1 載入MNIST訓練數據136
6.8.2 構建神經網路模型136
6.8.3 進行數據訓練及評估模型137
6.9 遞歸神經網路138
6.9.1 遞歸神經網路簡介138
6.9.2 遞歸神經網路的套用139
6.10 本章小結140
第7章 無監督學習
7.1 無監督學習簡介141
7.1.1 聚類模型141
7.1.2 自編碼網路模型142
7.2 K均值聚類142
7.2.1 K均值聚類算法簡介142
7.2.2 K均值聚類算法實踐144
7.3 自編碼網路147
7.3.1 自編碼網路簡介147
7.3.2 自編碼網路實踐148
7.4 本章小結151
第8章 自然語言文本處理
8.1 自然語言文本處理簡介152
8.1.1 處理模型的選擇152
8.1.2 文本映射153
8.1.3 TensorFlow文本處理的一般步驟156
8.2 學寫唐詩157
8.2.1 數據預處理157
8.2.2 生成訓練模型158
8.2.3 評估模型160
8.3 智慧型影評分類163
8.3.1 CBOW嵌套模型163
8.3.2 構建影評分類模型167
8.3.3 訓練評估影評分類模型169
8.4 智慧型聊天機器人170
8.4.1 Attention機制的Seq2Seq模型170
8.4.2 數據預處理173
8.4.3 構建智慧型聊天機器人模型174
8.4.4 訓練模型177
8.4.5 評估模型179
8.5 本章小結180
第9章 語音處理
9.1 語音處理簡介181
9.1.1 語音識別模型181
9.1.2 語音合成模型183
9.2 聽懂數字183
9.2.1 數據預處理184
9.2.2 構建識別模型185
9.2.3 訓練模型185
9.2.4 評估模型185
9.3 聽懂中文185
9.3.1 數據預處理186
9.3.2 構建識別模型188
9.3.3 訓練模型191
9.3.4 評估模型191
9.4 語音合成192
9.4.1 Tacotron模型192
9.4.2 編碼器模組193
9.4.3 解碼器模組196
9.4.4 後處理模組197
9.5 本章小結197
第10章 圖像處理
10.1 機器學習的圖像處理簡介198
10.1.1 圖像修復198
10.1.2 圖像物體識別與檢測199
10.1.3 圖像問答201
10.2 圖像物體識別201
10.2.1 數據預處理201
10.2.2 生成訓練模型203
10.2.3 訓練模型205
10.2.4 評估模型206
10.3 圖片驗證碼識別208
10.3.1 驗證碼的生成208
10.3.2 數據預處理209
10.3.3 生成訓練模型211
10.3.4 訓練模型212
10.3.5 評估模型213
10.4 圖像物體檢測214
10.4.1 物體檢測系統214
10.4.2 物體檢測系統實踐215
10.5 看圖說話217
10.5.1 看圖說話原理218
10.5.2 看圖說話模型的構建218
10.5.3 看圖說話模型的訓練220
10.5.4 評估模型221
10.6 本章小結222
第11章 人臉識別
11.1 人臉識別簡介223
11.1.1 人臉圖像採集223
11.1.2 人臉檢測224
11.1.3 人臉圖像預處理224
11.1.4 人臉關鍵點檢測224
11.1.5 人臉特徵提取224
11.1.6 人臉比對225
11.1.7 人臉屬性檢測225
11.2 人臉驗證225
11.2.1 數據預處理226
11.2.2 運行FaceNet模型226
11.2.3 實現人臉驗證229
11.3 性別和年齡的識別231
11.3.1 Adience數據集231
11.3.2 數據預處理232
11.3.3 生成訓練模型233
11.3.4 訓練模型235
11.3.5 評估模型236
11.4 本章小結237
6.2.1 生成訓練數據102
6.2.2 定義神經網路模型102
6.2.3 進行數據訓練103
6.2.4 運行總結104
6.3 MNIST數據集104
6.3.1 MNIST數據集簡介105
6.3.2 數據集圖片檔案105
6.3.3 數據集標記檔案106
6.4 全連線神經網路106
6.4.1 載入MNIST訓練數據106
6.4.2 構建神經網路模型107
6.4.3 進行數據訓練108
6.4.4 評估模型109
6.4.5 構建多層神經網路模型110
6.4.6 可視化多層神經網路模型111
6.5 卷積神經網路113
6.5.1 卷積神經網路簡介114
6.5.2 卷積層115
6.5.3 池化層119
6.5.4 全連線神經網路層121
6.5.5 卷積神經網路的發展121
6.6 通過卷積神經網路處理MNIST122
6.6.1 載入MNIST訓練數據122
6.6.2 構建卷積神經網路模型123
6.6.3 進行數據訓練127
6.6.4 評估模型127
6.7 循環神經網路128
6.7.1 循環神經網路簡介128
6.7.2 基本循環神經網路129
6.7.3 長短期記憶網路131
6.7.4 雙向循環神經網路簡介134
6.8 通過循環神經網路處理MNIST135
6.8.1 載入MNIST訓練數據136
6.8.2 構建神經網路模型136
6.8.3 進行數據訓練及評估模型137
6.9 遞歸神經網路138
6.9.1 遞歸神經網路簡介138
6.9.2 遞歸神經網路的套用139
6.10 本章小結140
第7章 無監督學習
7.1 無監督學習簡介141
7.1.1 聚類模型141
7.1.2 自編碼網路模型142
7.2 K均值聚類142
7.2.1 K均值聚類算法簡介142
7.2.2 K均值聚類算法實踐144
7.3 自編碼網路147
7.3.1 自編碼網路簡介147
7.3.2 自編碼網路實踐148
7.4 本章小結151
第8章 自然語言文本處理
8.1 自然語言文本處理簡介152
8.1.1 處理模型的選擇152
8.1.2 文本映射153
8.1.3 TensorFlow文本處理的一般步驟156
8.2 學寫唐詩157
8.2.1 數據預處理157
8.2.2 生成訓練模型158
8.2.3 評估模型160
8.3 智慧型影評分類163
8.3.1 CBOW嵌套模型163
8.3.2 構建影評分類模型167
8.3.3 訓練評估影評分類模型169
8.4 智慧型聊天機器人170
8.4.1 Attention機制的Seq2Seq模型170
8.4.2 數據預處理173
8.4.3 構建智慧型聊天機器人模型174
8.4.4 訓練模型177
8.4.5 評估模型179
8.5 本章小結180
第9章 語音處理
9.1 語音處理簡介181
9.1.1 語音識別模型181
9.1.2 語音合成模型183
9.2 聽懂數字183
9.2.1 數據預處理184
9.2.2 構建識別模型185
9.2.3 訓練模型185
9.2.4 評估模型185
9.3 聽懂中文185
9.3.1 數據預處理186
9.3.2 構建識別模型188
9.3.3 訓練模型191
9.3.4 評估模型191
9.4 語音合成192
9.4.1 Tacotron模型192
9.4.2 編碼器模組193
9.4.3 解碼器模組196
9.4.4 後處理模組197
9.5 本章小結197
第10章 圖像處理
10.1 機器學習的圖像處理簡介198
10.1.1 圖像修復198
10.1.2 圖像物體識別與檢測199
10.1.3 圖像問答201
10.2 圖像物體識別201
10.2.1 數據預處理201
10.2.2 生成訓練模型203
10.2.3 訓練模型205
10.2.4 評估模型206
10.3 圖片驗證碼識別208
10.3.1 驗證碼的生成208
10.3.2 數據預處理209
10.3.3 生成訓練模型211
10.3.4 訓練模型212
10.3.5 評估模型213
10.4 圖像物體檢測214
10.4.1 物體檢測系統214
10.4.2 物體檢測系統實踐215
10.5 看圖說話217
10.5.1 看圖說話原理218
10.5.2 看圖說話模型的構建218
10.5.3 看圖說話模型的訓練220
10.5.4 評估模型221
10.6 本章小結222
第11章 人臉識別
11.1 人臉識別簡介223
11.1.1 人臉圖像採集223
11.1.2 人臉檢測224
11.1.3 人臉圖像預處理224
11.1.4 人臉關鍵點檢測224
11.1.5 人臉特徵提取224
11.1.6 人臉比對225
11.1.7 人臉屬性檢測225
11.2 人臉驗證225
11.2.1 數據預處理226
11.2.2 運行FaceNet模型226
11.2.3 實現人臉驗證229
11.3 性別和年齡的識別231
11.3.1 Adience數據集231
11.3.2 數據預處理232
11.3.3 生成訓練模型233
11.3.4 訓練模型235
11.3.5 評估模型236
11.4 本章小結237
