《TensorFlow機器學習實戰指南》是機械工業出版社2017年出版的圖書，作者：[美] 尼克·麥克盧爾（Nick McClure）著
基本介紹
- 書名：TensorFlow機器學習實戰指南
- 作者：[美] 尼克·麥克盧爾（Nick McClure）著
- ISBN：978-7-111-57948-9
- 定價：69.00
- 出版社：機械工業出版社
- 出版時間：2017-09
基本信息,內容簡介,目錄,
基本信息
作者：[美] 尼克·麥克盧爾（Nick McClure）著 |
ISBN(書號)：978-7-111-57948-9 |
叢書名：智慧型系統與技術叢書 |
出版日期：2017-09 |
版次：1/1 |
開本：16 |
定價：￥69.00 |
內容簡介
本書由資深數據科學家撰寫，從實戰角度系統講解TensorFlow基本概念及各種套用實踐。真實的套用場景和數據，豐富的代碼實例，詳盡的操作步驟，帶你由淺入深系統掌握TensorFlow機器學習算法及其實現。
全書共11章，第1章介紹TensorFlow的基本概念；第2章介紹如何在計算圖中連線算法組件，創建一個簡單的分類器；第3章重點介紹如何使用TensorFlow實現各種線性回歸算法；第4章介紹支持向量機（SVM）算法；第5章介紹如何使用數值度量、文本度量和歸一化距離函式實現最近鄰域算法；第6章講述如何使用TensorFlow實現神經網路算法；第7章闡述TensorFlow實現的各種文本處理算法；第8章擴展神經網路算法；第9章解釋在TensorFlow中如何實現遞歸神經網路（RNN）算法；第10章介紹TensorFlow產品級用例；第11章展示TensorFlow如何實現遺傳算法、k-means算法和求解常微分方程（ODE）。
全書共11章，第1章介紹TensorFlow的基本概念；第2章介紹如何在計算圖中連線算法組件，創建一個簡單的分類器；第3章重點介紹如何使用TensorFlow實現各種線性回歸算法；第4章介紹支持向量機（SVM）算法；第5章介紹如何使用數值度量、文本度量和歸一化距離函式實現最近鄰域算法；第6章講述如何使用TensorFlow實現神經網路算法；第7章闡述TensorFlow實現的各種文本處理算法；第8章擴展神經網路算法；第9章解釋在TensorFlow中如何實現遞歸神經網路（RNN）算法；第10章介紹TensorFlow產品級用例；第11章展示TensorFlow如何實現遺傳算法、k-means算法和求解常微分方程（ODE）。
目錄
譯者序
作者簡介
審校者簡介
前言
第1章 TensorFlow基礎 1
1.1 TensorFlow介紹 1
1.2 TensorFlow如何工作 1
1.2.1 開始 1
1.2.2 動手做 2
1.2.3 工作原理 3
1.2.4 參考 3
1.3 聲明張量 3
1.3.1 開始 4
1.3.2 動手做 4
1.3.3 工作原理 5
1.3.4 延伸學習 5
1.4 使用占位符和變數 6
1.4.1 開始 6
1.4.2 動手做 6
1.4.3 工作原理 6
1.4.4 延伸學習 7
1.5 操作（計算）矩陣 7
1.5.1 開始 7
1.5.2 動手做 8
1.5.3 工作原理 9
1.6 聲明操作 10
1.6.1 開始 10
1.6.2 動手做 10
1.6.3 工作原理 11
1.6.4 延伸學習 12
1.7 實現激勵函式 12
1.7.1 開始 12
1.7.2 動手做 12
1.7.3 工作原理 13
1.7.4 延伸學習 13
1.8 讀取數據源 14
1.8.1 開始 15
1.8.2 動手做 15
1.8.3 參考 18
1.9 學習資料 19
第2章 TensorFlow進階 20
2.1 本章概要 20
2.2 計算圖中的操作 20
2.2.1 開始 20
2.2.2 動手做 21
2.2.3 工作原理 21
2.3 TensorFlow的嵌入Layer 21
2.3.1 開始 21
2.3.2 動手做 22
2.3.3 工作原理 22
2.3.4 延伸學習 22
2.4 TensorFlow的多層Layer 23
2.4.1 開始 23
2.4.2 動手做 24
2.4.3 工作原理 25
2.5 TensorFlow實現損失函式 26
2.5.1 開始 26
2.5.2 動手做 26
2.5.3 工作原理 28
2.5.4 延伸學習 29
2.6 TensorFlow實現反向傳播 30
2.6.1 開始 30
2.6.2 動手做 31
2.6.3 工作原理 33
2.6.4 延伸學習 34
2.6.5 參考 34
2.7 TensorFlow實現隨機訓練和批量訓練 34
2.7.1 開始 35
2.7.2 動手做 35
2.7.3 工作原理 36
2.7.4 延伸學習 37
2.8 TensorFlow實現創建分類器 37
2.8.1 開始 37
2.8.2 動手做 37
2.8.3 工作原理 39
2.8.4 延伸學習 40
2.8.5 參考 40
2.9 TensorFlow實現模型評估 40
2.9.1 開始 40
2.9.2 動手做 41
2.9.3 工作原理 41
第3章 基於TensorFlow的線性回歸 45
3.1 線性回歸介紹 45
3.2 用TensorFlow求逆矩陣 45
3.2.1 開始 45
3.2.2 動手做 46
3.2.3 工作原理 47
3.3 用TensorFlow實現矩陣分解 47
3.3.1 開始 47
3.3.2 動手做 47
3.3.3 工作原理 48
3.4 用TensorFlow實現線性回歸算法 49
3.4.1 開始 49
3.4.2 動手做 49
3.4.3 工作原理 52
3.5 理解線性回歸中的損失函式 52
3.5.1 開始 52
3.5.2 動手做 52
3.5.3 工作原理 53
3.5.4 延伸學習 54
3.6 用TensorFlow實現戴明回歸算法 55
3.6.1 開始 55
3.6.2 動手做 56
3.6.3 工作原理 57
3.7 用TensorFlow實現lasso回歸和嶺回歸算法 58
3.7.1 開始 58
3.7.2 動手做 58
3.7.3 工作原理 59
3.7.4 延伸學習 59
3.8 用TensorFlow實現彈性網路回歸算法 60
3.8.1 開始 60
3.8.2 動手做 60
3.8.3 工作原理 61
3.9 用TensorFlow實現邏輯回歸算法 62
3.9.1 開始 62
3.9.2 動手做 62
3.9.3 工作原理 65
第4章 基於TensorFlow的支持向量機 66
4.1 支持向量機簡介 66
4.2 線性支持向量機的使用 67
4.2.1 開始 67
4.2.2 動手做 68
4.2.3 工作原理 72
4.3 弱化為線性回歸 72
4.3.1 開始 73
4.3.2 動手做 73
4.3.3 工作原理 76
4.4 TensorFlow上核函式的使用 77
4.4.1 開始 77
4.4.2 動手做 77
4.4.3 工作原理 81
4.4.4 延伸學習 82
4.5 用TensorFlow實現非線性支持向量機 82
4.5.1 開始 82
4.5.2 動手做 82
4.5.3 工作原理 84
4.6 用TensorFlow實現多類支持向量機 85
4.6.1 開始 85
4.6.2 動手做 86
4.6.3 工作原理 89
第5章 最近鄰域法 90
5.1 最近鄰域法介紹 90
5.2 最近鄰域法的使用 91
5.2.1 開始 91
5.2.2 動手做 91
5.2.3 工作原理 94
5.2.4 延伸學習 94
5.3 如何度量文本距離 95
5.3.1 開始 95
5.3.2 動手做 95
5.3.3 工作原理 98
5.3.4 延伸學習 98
5.4 用TensorFlow實現混合距離計算 98
5.4.1 開始 98
5.4.2 動手做 98
5.4.3 工作原理 101
5.4.4 延伸學習 101
5.5 用TensorFlow實現地址匹配 101
5.5.1 開始 101
5.5.2 動手做 102
5.5.3 工作原理 104
5.6 用TensorFlow實現圖像識別 105
5.6.1 開始 105
5.6.2 動手做 105
5.6.3 工作原理 108
5.6.4 延伸學習 108
第6章 神經網路算法 109
6.1 神經網路算法基礎 109
6.2 用TensorFlow實現門函式 110
6.2.1 開始 110
6.2.2 動手做 111
6.2.3 工作原理 113
6.3 使用門函式和激勵函式 113
6.3.1 開始 114
6.3.2 動手做 114
6.3.3 工作原理 116
6.3.4 延伸學習 117
6.4 用TensorFlow實現單層神經網路 117
6.4.1 開始 117
6.4.2 動手做 117
6.4.3 工作原理 119
6.4.4 延伸學習 119
6.5 用TensorFlow實現神經網路常見層 120
6.5.1 開始 120
6.5.2 動手做 121
6.5.3 工作原理 126
6.6 用TensorFlow實現多層神經網路 126
6.6.1 開始 126
6.6.2 動手做 126
6.6.3 工作原理 131
6.7 線性預測模型的最佳化 131
6.7.1 開始 131
6.7.2 動手做 131
6.7.3 工作原理 135
6.8 用TensorFlow基於神經網路實現井字棋 136
6.8.1 開始 136
6.8.2 動手做 137
6.8.3 工作原理 142
第7章 自然語言處理 143
7.1 文本處理介紹 143
7.2 詞袋的使用 144
7.2.1 開始 144
7.2.2 動手做 144
7.2.3 工作原理 149
7.2.4 延伸學習 149
7.3 用TensorFlow實現TF-IDF算法 149
7.3.1 開始 150
7.3.2 動手做 150
7.3.3 工作原理 154
7.3.4 延伸學習 154
7.4 用TensorFlow實現skip-gram模型 155
7.4.1 開始 155
7.4.2 動手做 155
7.4.3 工作原理 162
7.4.4 延伸學習 162
7.5 用TensorFlow實現CBOW詞嵌入模型 162
7.5.1 開始 162
7.5.2 動手做 163
7.5.3 工作原理 167
7.5.4 延伸學習 167
7.6 使用TensorFlow的Word2Vec預測 167
7.6.1 開始 167
7.6.2 動手做 168
7.6.3 工作原理 172
7.6.4 延伸學習 172
7.7 用TensorFlow實現基於Doc2Vec的情感分析 172
7.7.1 開始 172
7.7.2 動手做 173
7.7.3 工作原理 180
第8章 卷積神經網路 181
8.1 卷積神經網路介紹 181
8.2 用TensorFlow實現簡單的CNN 182
8.2.1 開始 182
8.2.2 動手做 182
8.2.3 工作原理 187
8.2.4 延伸學習 188
8.2.5 參考 188
8.3 用TensorFlow實現進階的CNN 188
8.3.1 開始 188
8.3.2 動手做 189
8.3.3 工作原理 196
8.3.4 參考 196
8.4 再訓練已有的CNN模型 196
8.4.1 開始 196
8.4.2 動手做 196
8.4.3 工作原理 199
8.4.4 參考 199
8.5 用TensorFlow實現模仿大師繪畫 199
8.5.1 開始 200
8.5.2 動手做 200
8.5.3 工作原理 205
8.5.4 參考 205
8.6 用TensorFlow實現DeepDream 205
8.6.1 開始 205
8.6.2 動手做 205
8.6.3 延伸學習 210
8.6.4 參考 210
第9章 遞歸神經網路 211
9.1 遞歸神經網路介紹 211
9.2 用TensorFlow實現RNN模型進行垃圾簡訊預測 212
9.2.1 開始 212
9.2.2 動手做 213
9.2.3 工作原理 217
9.2.4 延伸學習 218
9.3 用TensorFlow實現LSTM模型 218
9.3.1 開始 218
9.3.2 動手做 219
9.3.3 工作原理 226
9.3.4 延伸學習 226
9.4 Stacking多個LSTM Layer 226
9.4.1 開始 226
9.4.2 動手做 227
9.4.3 工作原理 228
9.5 用TensorFlow實現Seq2Seq翻譯模型 229
9.5.1 開始 229
9.5.2 動手做 229
9.5.3 工作原理 234
9.5.4 延伸學習 234
9.6 TensorFlow實現孿生RNN預測相似度 235
9.6.1 開始 235
9.6.2 動手做 236
9.6.3 延伸學習 242
第10章 TensorFlow產品化 243
10.1 簡介 243
10.2 TensorFlow的單元測試 243
10.2.1 開始 243
10.2.2 工作原理 247
10.3 TensorFlow的並發執行 247
10.3.1 開始 248
10.3.2 動手做 248
10.3.3 工作原理 250
10.3.4 延伸學習 250
10.4 分散式TensorFlow實踐 250
10.4.1 開始 250
10.4.2 動手做 250
10.4.3 工作原理 251
10.5 TensorFlow產品化開發提示 252
10.5.1 開始 252
10.5.2 動手做 252
10.5.3 工作原理 254
10.6 TensorFlow產品化的實例 254
10.6.1 開始 254
10.6.2 動手做 254
10.6.3 工作原理 256
第11章 TensorFlow的進階套用 257
11.1 簡介 257
11.2 TensorFlow可視化：Tensorboard 257
11.2.1 開始 257
11.2.2 動手做 258
11.3 Tensorboard的進階 260
11.4 用TensorFlow實現遺傳算法 262
11.4.1 開始 262
11.4.2 動手做 263
11.4.3 工作原理 265
11.4.4 延伸學習 266
11.5 TensorFlow實現k-means算法 266
11.5.1 開始 266
11.5.2 動手做 266
11.5.3 延伸學習 270
11.6 用TensorFlow求解常微分方程問題 270
11.6.1 開始 270
11.6.2 動手做 270
11.6.3 工作原理 271
11.6.4 參考 272
作者簡介
審校者簡介
前言
第1章 TensorFlow基礎 1
1.1 TensorFlow介紹 1
1.2 TensorFlow如何工作 1
1.2.1 開始 1
1.2.2 動手做 2
1.2.3 工作原理 3
1.2.4 參考 3
1.3 聲明張量 3
1.3.1 開始 4
1.3.2 動手做 4
1.3.3 工作原理 5
1.3.4 延伸學習 5
1.4 使用占位符和變數 6
1.4.1 開始 6
1.4.2 動手做 6
1.4.3 工作原理 6
1.4.4 延伸學習 7
1.5 操作（計算）矩陣 7
1.5.1 開始 7
1.5.2 動手做 8
1.5.3 工作原理 9
1.6 聲明操作 10
1.6.1 開始 10
1.6.2 動手做 10
1.6.3 工作原理 11
1.6.4 延伸學習 12
1.7 實現激勵函式 12
1.7.1 開始 12
1.7.2 動手做 12
1.7.3 工作原理 13
1.7.4 延伸學習 13
1.8 讀取數據源 14
1.8.1 開始 15
1.8.2 動手做 15
1.8.3 參考 18
1.9 學習資料 19
第2章 TensorFlow進階 20
2.1 本章概要 20
2.2 計算圖中的操作 20
2.2.1 開始 20
2.2.2 動手做 21
2.2.3 工作原理 21
2.3 TensorFlow的嵌入Layer 21
2.3.1 開始 21
2.3.2 動手做 22
2.3.3 工作原理 22
2.3.4 延伸學習 22
2.4 TensorFlow的多層Layer 23
2.4.1 開始 23
2.4.2 動手做 24
2.4.3 工作原理 25
2.5 TensorFlow實現損失函式 26
2.5.1 開始 26
2.5.2 動手做 26
2.5.3 工作原理 28
2.5.4 延伸學習 29
2.6 TensorFlow實現反向傳播 30
2.6.1 開始 30
2.6.2 動手做 31
2.6.3 工作原理 33
2.6.4 延伸學習 34
2.6.5 參考 34
2.7 TensorFlow實現隨機訓練和批量訓練 34
2.7.1 開始 35
2.7.2 動手做 35
2.7.3 工作原理 36
2.7.4 延伸學習 37
2.8 TensorFlow實現創建分類器 37
2.8.1 開始 37
2.8.2 動手做 37
2.8.3 工作原理 39
2.8.4 延伸學習 40
2.8.5 參考 40
2.9 TensorFlow實現模型評估 40
2.9.1 開始 40
2.9.2 動手做 41
2.9.3 工作原理 41
第3章 基於TensorFlow的線性回歸 45
3.1 線性回歸介紹 45
3.2 用TensorFlow求逆矩陣 45
3.2.1 開始 45
3.2.2 動手做 46
3.2.3 工作原理 47
3.3 用TensorFlow實現矩陣分解 47
3.3.1 開始 47
3.3.2 動手做 47
3.3.3 工作原理 48
3.4 用TensorFlow實現線性回歸算法 49
3.4.1 開始 49
3.4.2 動手做 49
3.4.3 工作原理 52
3.5 理解線性回歸中的損失函式 52
3.5.1 開始 52
3.5.2 動手做 52
3.5.3 工作原理 53
3.5.4 延伸學習 54
3.6 用TensorFlow實現戴明回歸算法 55
3.6.1 開始 55
3.6.2 動手做 56
3.6.3 工作原理 57
3.7 用TensorFlow實現lasso回歸和嶺回歸算法 58
3.7.1 開始 58
3.7.2 動手做 58
3.7.3 工作原理 59
3.7.4 延伸學習 59
3.8 用TensorFlow實現彈性網路回歸算法 60
3.8.1 開始 60
3.8.2 動手做 60
3.8.3 工作原理 61
3.9 用TensorFlow實現邏輯回歸算法 62
3.9.1 開始 62
3.9.2 動手做 62
3.9.3 工作原理 65
第4章 基於TensorFlow的支持向量機 66
4.1 支持向量機簡介 66
4.2 線性支持向量機的使用 67
4.2.1 開始 67
4.2.2 動手做 68
4.2.3 工作原理 72
4.3 弱化為線性回歸 72
4.3.1 開始 73
4.3.2 動手做 73
4.3.3 工作原理 76
4.4 TensorFlow上核函式的使用 77
4.4.1 開始 77
4.4.2 動手做 77
4.4.3 工作原理 81
4.4.4 延伸學習 82
4.5 用TensorFlow實現非線性支持向量機 82
4.5.1 開始 82
4.5.2 動手做 82
4.5.3 工作原理 84
4.6 用TensorFlow實現多類支持向量機 85
4.6.1 開始 85
4.6.2 動手做 86
4.6.3 工作原理 89
第5章 最近鄰域法 90
5.1 最近鄰域法介紹 90
5.2 最近鄰域法的使用 91
5.2.1 開始 91
5.2.2 動手做 91
5.2.3 工作原理 94
5.2.4 延伸學習 94
5.3 如何度量文本距離 95
5.3.1 開始 95
5.3.2 動手做 95
5.3.3 工作原理 98
5.3.4 延伸學習 98
5.4 用TensorFlow實現混合距離計算 98
5.4.1 開始 98
5.4.2 動手做 98
5.4.3 工作原理 101
5.4.4 延伸學習 101
5.5 用TensorFlow實現地址匹配 101
5.5.1 開始 101
5.5.2 動手做 102
5.5.3 工作原理 104
5.6 用TensorFlow實現圖像識別 105
5.6.1 開始 105
5.6.2 動手做 105
5.6.3 工作原理 108
5.6.4 延伸學習 108
第6章 神經網路算法 109
6.1 神經網路算法基礎 109
6.2 用TensorFlow實現門函式 110
6.2.1 開始 110
6.2.2 動手做 111
6.2.3 工作原理 113
6.3 使用門函式和激勵函式 113
6.3.1 開始 114
6.3.2 動手做 114
6.3.3 工作原理 116
6.3.4 延伸學習 117
6.4 用TensorFlow實現單層神經網路 117
6.4.1 開始 117
6.4.2 動手做 117
6.4.3 工作原理 119
6.4.4 延伸學習 119
6.5 用TensorFlow實現神經網路常見層 120
6.5.1 開始 120
6.5.2 動手做 121
6.5.3 工作原理 126
6.6 用TensorFlow實現多層神經網路 126
6.6.1 開始 126
6.6.2 動手做 126
6.6.3 工作原理 131
6.7 線性預測模型的最佳化 131
6.7.1 開始 131
6.7.2 動手做 131
6.7.3 工作原理 135
6.8 用TensorFlow基於神經網路實現井字棋 136
6.8.1 開始 136
6.8.2 動手做 137
6.8.3 工作原理 142
第7章 自然語言處理 143
7.1 文本處理介紹 143
7.2 詞袋的使用 144
7.2.1 開始 144
7.2.2 動手做 144
7.2.3 工作原理 149
7.2.4 延伸學習 149
7.3 用TensorFlow實現TF-IDF算法 149
7.3.1 開始 150
7.3.2 動手做 150
7.3.3 工作原理 154
7.3.4 延伸學習 154
7.4 用TensorFlow實現skip-gram模型 155
7.4.1 開始 155
7.4.2 動手做 155
7.4.3 工作原理 162
7.4.4 延伸學習 162
7.5 用TensorFlow實現CBOW詞嵌入模型 162
7.5.1 開始 162
7.5.2 動手做 163
7.5.3 工作原理 167
7.5.4 延伸學習 167
7.6 使用TensorFlow的Word2Vec預測 167
7.6.1 開始 167
7.6.2 動手做 168
7.6.3 工作原理 172
7.6.4 延伸學習 172
7.7 用TensorFlow實現基於Doc2Vec的情感分析 172
7.7.1 開始 172
7.7.2 動手做 173
7.7.3 工作原理 180
第8章 卷積神經網路 181
8.1 卷積神經網路介紹 181
8.2 用TensorFlow實現簡單的CNN 182
8.2.1 開始 182
8.2.2 動手做 182
8.2.3 工作原理 187
8.2.4 延伸學習 188
8.2.5 參考 188
8.3 用TensorFlow實現進階的CNN 188
8.3.1 開始 188
8.3.2 動手做 189
8.3.3 工作原理 196
8.3.4 參考 196
8.4 再訓練已有的CNN模型 196
8.4.1 開始 196
8.4.2 動手做 196
8.4.3 工作原理 199
8.4.4 參考 199
8.5 用TensorFlow實現模仿大師繪畫 199
8.5.1 開始 200
8.5.2 動手做 200
8.5.3 工作原理 205
8.5.4 參考 205
8.6 用TensorFlow實現DeepDream 205
8.6.1 開始 205
8.6.2 動手做 205
8.6.3 延伸學習 210
8.6.4 參考 210
第9章 遞歸神經網路 211
9.1 遞歸神經網路介紹 211
9.2 用TensorFlow實現RNN模型進行垃圾簡訊預測 212
9.2.1 開始 212
9.2.2 動手做 213
9.2.3 工作原理 217
9.2.4 延伸學習 218
9.3 用TensorFlow實現LSTM模型 218
9.3.1 開始 218
9.3.2 動手做 219
9.3.3 工作原理 226
9.3.4 延伸學習 226
9.4 Stacking多個LSTM Layer 226
9.4.1 開始 226
9.4.2 動手做 227
9.4.3 工作原理 228
9.5 用TensorFlow實現Seq2Seq翻譯模型 229
9.5.1 開始 229
9.5.2 動手做 229
9.5.3 工作原理 234
9.5.4 延伸學習 234
9.6 TensorFlow實現孿生RNN預測相似度 235
9.6.1 開始 235
9.6.2 動手做 236
9.6.3 延伸學習 242
第10章 TensorFlow產品化 243
10.1 簡介 243
10.2 TensorFlow的單元測試 243
10.2.1 開始 243
10.2.2 工作原理 247
10.3 TensorFlow的並發執行 247
10.3.1 開始 248
10.3.2 動手做 248
10.3.3 工作原理 250
10.3.4 延伸學習 250
10.4 分散式TensorFlow實踐 250
10.4.1 開始 250
10.4.2 動手做 250
10.4.3 工作原理 251
10.5 TensorFlow產品化開發提示 252
10.5.1 開始 252
10.5.2 動手做 252
10.5.3 工作原理 254
10.6 TensorFlow產品化的實例 254
10.6.1 開始 254
10.6.2 動手做 254
10.6.3 工作原理 256
第11章 TensorFlow的進階套用 257
11.1 簡介 257
11.2 TensorFlow可視化：Tensorboard 257
11.2.1 開始 257
11.2.2 動手做 258
11.3 Tensorboard的進階 260
11.4 用TensorFlow實現遺傳算法 262
11.4.1 開始 262
11.4.2 動手做 263
11.4.3 工作原理 265
11.4.4 延伸學習 266
11.5 TensorFlow實現k-means算法 266
11.5.1 開始 266
11.5.2 動手做 266
11.5.3 延伸學習 270
11.6 用TensorFlow求解常微分方程問題 270
11.6.1 開始 270
11.6.2 動手做 270
11.6.3 工作原理 271
11.6.4 參考 272
