《TensorFlow智慧型算法與套用》是2019年7月電子工業出版社出版的圖書，作者是胡鶴。
基本介紹
- 書名：TensorFlow智慧型算法與套用
- 作者：胡鶴
- ISBN：9787121368998
- 頁數：240頁
- 定價：59元
- 出版社：電子工業出版社
- 出版時間：2019年7月
- 開本：16開
內容簡介,目錄,
內容簡介
TensorFlow是目前最受關注的機器學習框架，其模組化設計非常適合大數據環境下智慧型算法的開發與套用。本書介紹了使用TensorFlow進行智慧型算法的實踐，包括經典的機器學習算法和深度學習算法實現。本書力求做到理論與實踐平衡統一，在相關理論上深入淺出，輔以多種TensorFlow實現技術對理論進行具體實踐，有助於讀者快速理解與掌握智慧型算法的精髓和TensorFlow技術的要點。本書共4篇。入門篇介紹學習環境搭建和TensorFlow框架的基本使用；基礎篇介紹傳統智慧型算法及其TensorFlow的實現；進階篇介紹深度神經網路方法和CNN、RNN、LSTM、GRU等基礎的深度學習算法；套用篇介紹GAN學習算法和TensorFlowHub遷移學習。
目錄
入 門 篇
第1章 學習環境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數據基礎 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函式運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎對象 26
1.5.2 Pandas選擇數據 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數據結構 39
2.3 TensorFlow計算-數據流圖 40
2.3.1 常量節點（Constant） 42
2.3.2 占位符節點（Placeholder） 42
2.3.3 變數節點（Variable） 43
2.3.4 操作節點（Operation） 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進階 49
3.1 TensorFlow數據處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子遊戲 61
3.2 TensorFlow共享變數 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變數域 63
3.3 TensorFlow模型配置 64
基 礎 篇
第4章 線性回歸算法 69
4.1 BOSTON 數據集 70
4.2 TensorFlow模型 72
4.2.1 準備數據 72
4.2.2 定義模型 72
4.2.3 訓練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準備數據 77
4.3.4 定義模型 78
4.3.5 訓練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 最小二乘到交叉熵 86
5.3 MNIST數據集 88
5.4 TensorFlow模型 88
5.4.1 準備數據 89
5.4.2 定義模型 89
5.4.3 訓練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準備數據 92
5.5.2 定義模型 93
5.5.3 訓練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準備數據 95
5.6.2 定義模型 96
5.6.3 訓練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰 103
進 階 篇
第7章 神經網路與深度學習算法 113
7.1 神經網路 113
7.1.1 激活函式 114
7.1.2 編程實戰 119
7.2 神經網路訓練 123
7.2.1 訓練困難分析 124
7.2.2 編程實戰 124
7.3 多類別神經網路 133
7.3.1 邏輯回歸與深度網路 133
7.3.2 權重可視化 135
7.4 神經網路嵌入 136
7.4.1 一維數軸排列 137
7.4.2 二維數軸排列 137
7.4.3 傳統類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經網路（CNN） 141
8.1 卷積神經網路簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰 145
8.5 池化操作 149
8.6 池化實戰 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經網路實戰 151
8.9 Estimalor卷積神經網路實戰 155
8.10 Keras卷積神經網路實戰 159
第9章 循環神經網路（RNN） 162
9.1 循環神經網路簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環神經網路 164
9.4 static_rnn循環神經網路 165
9.5 dynamic_rnn循環神經網路 167
9.6 TensorFlow循環神經網路實戰 169
9.7 Estimator循環神經網路實戰 173
9.8 Keras循環神經網路實戰 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器（AutoEncoder） 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器（SAE） 187
10.4.1 關聯權重 190
10.4.2 分階段訓練 192
10.4.3 無監督預訓練 194
10.5 降噪自動編碼器（DAE） 198
10.6 變分自動編碼器（VAE） 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數字 203
應 用 篇
第11章 生成式對抗網路 207
11.1 生成式對抗網路簡介 207
11.2 GAN工作原理 207
11.3 GAN改進模型 209
11.4 GAN模型實戰 212
11.5 GAN訓練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進行遷移學習 223
12.1 圖像遷移學習 223
12.2 文本遷移學習 224
12.3 完整的文本分類器 225
12.4 遷移學習分析 228,
入 門 篇
第1章 學習環境搭建 3
1.1 Docker工具箱 3
1.2 運行Docker鏡像 6
1.3 Jupyter筆記本 10
1.3.1 Jupyter界面 10
1.3.2 Jupyter單元格 12
1.3.3 Jupyter模式 14
1.3.4 Jupyter常用指令 14
1.4 NumPy庫 15
1.4.1 ndarray數據基礎 16
1.4.2 ndarray廣播運算 20
1.4.3 ndarray函式運算 22
1.4.4 ndarray索引切分 24
1.5 Pandas 25
1.5.1 Pandas基礎對象 26
1.5.2 Pandas選擇數據 29
1.5.3 Pandas 處理實例 31
1.6 Scikit-Learn 34
1.6.1 sklearn.datasets 34
1.6.2 Pandas處理 35
1.6.3 sklearn回歸 36
第2章 TensorFlow入門 38
2.1 Hello TensorFlow 39
2.2 TensorFlow數據結構 39
2.3 TensorFlow計算-數據流圖 40
2.3.1 常量節點（Constant） 42
2.3.2 占位符節點（Placeholder） 42
2.3.3 變數節點（Variable） 43
2.3.4 操作節點（Operation） 45
2.4 TensorFlow會話與基本操作 45
2.5 TensorFlow可視化 47
第3章 TensorFlow進階 49
3.1 TensorFlow數據處理 50
3.1.1 索引計算 50
3.1.2 矩陣計算 51
3.1.3 形狀計算 53
3.1.4 規約計算 54
3.1.5 分割計算 55
3.1.6 張量的形狀 57
3.1.7 張量的運算 58
3.1.8 骰子遊戲 61
3.2 TensorFlow共享變數 62
3.2.1 name_scope名字域 62
3.2.2 variablescope 變數域 63
3.3 TensorFlow模型配置 64
基 礎 篇
第4章 線性回歸算法 69
4.1 BOSTON 數據集 70
4.2 TensorFlow模型 72
4.2.1 準備數據 72
4.2.2 定義模型 72
4.2.3 訓練模型 73
4.2.4 評估模型 73
4.2.5 可視化模型 73
4.3 Estimator模型 75
4.3.1 Dataset API 75
4.3.2 估算器介紹 76
4.3.3 準備數據 77
4.3.4 定義模型 78
4.3.5 訓練模型 78
4.3.6 評估模型 78
4.3.7 可視化模型 79
4.4 Keras模型 81
4.4.1 定義模型 81
4.4.2 訓練模型 81
4.4.3 評估模型 82
4.4.4 可視化模型 82
第5章 邏輯回歸算法 84
5.1 線性回歸到邏輯回歸 84
5.2 最小二乘到交叉熵 86
5.3 MNIST數據集 88
5.4 TensorFlow模型 88
5.4.1 準備數據 89
5.4.2 定義模型 89
5.4.3 訓練模型 90
5.4.4 評估模型 91
5.4.5 可視化模型 91
5.5 Estimator模型 92
5.5.1 準備數據 92
5.5.2 定義模型 93
5.5.3 訓練模型 93
5.5.4 評估模型 93
5.5.5 可視化模型 94
5.6 Keras模型 95
5.6.1 準備數據 95
5.6.2 定義模型 96
5.6.3 訓練模型 96
5.6.4 評估模型 96
5.6.5 可視化模型 97
第6章 算法的正則化 99
6.1 過擬合 99
6.2 正則化 99
6.3 編程實戰 103
進 階 篇
第7章 神經網路與深度學習算法 113
7.1 神經網路 113
7.1.1 激活函式 114
7.1.2 編程實戰 119
7.2 神經網路訓練 123
7.2.1 訓練困難分析 124
7.2.2 編程實戰 124
7.3 多類別神經網路 133
7.3.1 邏輯回歸與深度網路 133
7.3.2 權重可視化 135
7.4 神經網路嵌入 136
7.4.1 一維數軸排列 137
7.4.2 二維數軸排列 137
7.4.3 傳統類別表示 138
7.4.4 嵌入表示 140
第8章 卷積神經網路（CNN） 141
8.1 卷積神經網路簡介 141
8.2 CNN與DNN 142
8.3 卷積操作 142
8.4 卷積實戰 145
8.5 池化操作 149
8.6 池化實戰 149
8.7 Relu非線性激活 150
8.8 TensorFlow卷積神經網路實戰 151
8.9 Estimalor卷積神經網路實戰 155
8.10 Keras卷積神經網路實戰 159
第9章 循環神經網路（RNN） 162
9.1 循環神經網路簡介 162
9.2 DNN、CNN與RNN 162
9.3 手工循環神經網路 164
9.4 static_rnn循環神經網路 165
9.5 dynamic_rnn循環神經網路 167
9.6 TensorFlow循環神經網路實戰 169
9.7 Estimator循環神經網路實戰 173
9.8 Keras循環神經網路實戰 176
9.9 LSTM模型 178
9.10 GRU模型 180
第10章 自動編碼器（AutoEncoder） 182
10.1 自動編碼器簡介 182
10.2 自動編碼器與PCA 183
10.3 稀疏自動編碼器 185
10.4 棧式自動編碼器（SAE） 187
10.4.1 關聯權重 190
10.4.2 分階段訓練 192
10.4.3 無監督預訓練 194
10.5 降噪自動編碼器（DAE） 198
10.6 變分自動編碼器（VAE） 200
10.6.1 變分自動編碼器原理 200
10.6.2 變分自動編碼器生成數字 203
應 用 篇
第11章 生成式對抗網路 207
11.1 生成式對抗網路簡介 207
11.2 GAN工作原理 207
11.3 GAN改進模型 209
11.4 GAN模型實戰 212
11.5 GAN訓練技巧 221
11.6 GAN未來展望 222
第12章 使用TensorFlow Hub進行遷移學習 223
12.1 圖像遷移學習 223
12.2 文本遷移學習 224
12.3 完整的文本分類器 225
12.4 遷移學習分析 228
