TensorFlow機器學習項目實戰

《TensorFlow機器學習項目實戰》由人民郵電出版社出版。本書結合實例詳細的介紹了如何使用TensorFlow構建機器學習項目。

基本介紹

• 中文名：TensorFlow機器學習項目實戰
• 出版社：人民郵電出版社

圖書簡介

《TensorFlow機器學習項目實戰》是人民郵電出版社出版的一本圖書。

內容簡介

《TensorFlow機器學習項目實戰》全書共10章，分別介紹了TensorFlow基礎知識、聚類、線性回歸、邏輯回歸、不同的神經網路、規模化運行模型以及庫的套用技巧。

圖書目錄

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互動 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　變數 6

1.2.4　保存數據流圖 6

1.3　運行我們的程式—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　從磁碟讀取信息 18

1.5.1　列表格式—CSV 18

1.5.2　讀取圖像數據 19

1.5.3　載入和處理圖像 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均值的機制 23

2.3.2　算法疊代判據 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**近鄰 25

2.4.1　k**近鄰算法的機制 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數據集模組 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　數據集描述和載入 29

2.6.2　模型架構 30

2.6.3　損失函式描述和最佳化循環 31

2.6.4　停止條件 31

2.6.5　結果描述 31

2.6.6　每次疊代中的質心變化 32

2.6.7　完整原始碼 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**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　損失函式描述 37

2.7.4　停止條件 37

2.7.5　結果描述 37

2.7.6　完整原始碼 37

2.8　小結 39

第3章　線性回歸 40

3.1　單變數線性模型方程 40

3.2　選擇損失函式 41

3.3　**小化損失函式 42

3.3.1　**小方差的全局**小值 42

3.3.2　疊代方法：梯度下降 42

3.4　示例部分 43

3.4.1　TensorFlow中的最佳化方法—訓練模組 43

3.4.2　tf.train.Optimizer類 43

3.4.3　其他Optimizer實例類型 44

3.5　例1—單變數線性回歸 44

3.5.1　數據集描述 45

3.5.2　模型結構 45

3.5.3　損失函式描述和Optimizer 46

3.5.4　停止條件 48

3.5.5　結果描述 48

3.5.6　完整原始碼 49

3.6　例2—多變數線性回歸 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　損失函式和Optimizer 54

3.6.6　停止條件 55

3.6.7　結果描述 55

3.6.8　完整原始碼 56

3.7　小結 57

第4章　邏輯回歸 58

4.1　問題描述 58

4.2　Logistic函式的逆函式—Logit函式 59

4.2.1　伯努利分布 59

4.2.2　聯繫函式 60

4.2.3　Logit函式 60

4.2.4　對數幾率函式的逆函式—Logistic函式 60

4.2.5　多類分類套用—Softmax回歸 62

4.3　例1—單變數邏輯回歸 64

4.3.1　有用的庫和方法 64

4.3.2　數據集描述和載入 65

4.3.3　模型結構 67

4.3.4　損失函式描述和最佳化器循環 67

4.3.5　停止條件 68

4.3.6　結果描述 68

4.3.7　完整原始碼 69

4.3.8　圖像化表示 71

4.4　例2—基於skflow單變數邏輯回歸 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　完整原始碼 74

4.5　小結 74

第5章　簡單的前向神經網路 75

5.1　基本概念 75

5.1.1　人工神經元 75

5.1.2　神經網路層 76

5.1.3　有用的庫和方法 78

5.2　例1—非線性模擬數據回歸 79

5.2.1　數據集描述和載入 79

5.2.2　數據集預處理 80

5.2.3　模型結構—損失函式描述 80

5.2.4　損失函式最佳化器 80

5.2.5　準確度和收斂測試 80

5.2.6　完整原始碼 80

5.2.7　結果描述 81

5.3　例2—通過非線性回歸，對汽車燃料效率建模 82

5.3.1　數據集描述和載入 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　完整原始碼 84

5.4　例3—多類分類：葡萄酒分類 86

5.4.1　數據集描述和載入 86

5.4.2　數據集預處理 86

5.4.3　模型架構 87

5.4.4　損失函式描述 87

5.4.5　損失函式最佳化器 87

5.4.6　收斂性測試 88

5.4.7　結果描述 88

5.4.8　完整原始碼 88

5.5　小結 89

第6章　卷積神經網路 90

6.1　卷積神經網路的起源 90

6.1.1　卷積初探 90

6.1.2　降採樣操作—池化 95

6.1.3　提高效率—dropout操作 98

6.1.4　卷積類型層構建辦法 99

6.2　例1—MNIST數字分類 100

6.2.1　數據集描述和載入 100

6.2.2　數據預處理 102

6.2.3　模型結構 102

6.2.4　損失函式描述 103

6.2.5　損失函式最佳化器 103

6.2.6　準確性測試 103

6.2.7　結果描述 103

6.2.8　完整原始碼 104

6.3　例2—CIFAR10數據集的圖像分類 106

6.3.1　數據集描述和載入 107

6.3.2　數據集預處理 107

6.3.3　模型結構 108

6.3.4　損失函式描述和最佳化器 108

6.3.5　訓練和準確性測試 108

6.3.6　結果描述 108

6.3.7　完整原始碼 109

6.4　小結 110

第7章　循環神經網路和LSTM 111

7.1　循環神經網路 111

7.1.1　梯度爆炸和梯度消失 112

7.1.2　LSTM神經網路 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、單變數時間序列數據預測 117

7.2.1　數據集描述和載入 117

7.2.2　數據預處理 118

7.2.3　模型結構 119

7.2.4　損失函式描述 121

7.2.5　收斂檢測 121

7.2.6　結果描述 122

7.2.7　完整原始碼 122

7.3　例2—創作巴赫風格的曲目 125

7.3.1　字元級模型 125

7.3.2　字元串序列和機率表示 126

7.3.3　使用字元對音樂編碼—ABC音樂格式 126

7.3.4　有用的庫和方法 128

7.3.5　數據集描述和載入 129

7.3.6　網路訓練 129

7.3.7　數據集預處理 130

7.3.8　損失函式描述 131

7.3.9　停止條件 131

7.3.10　結果描述 131

7.3.11　完整原始碼 132

7.4　小結 137

第8章　深度神經網路 138

8.1　深度神經網路的定義 138

8.2　深度網路結構的歷史變遷 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　殘差網路（ResNet） 142

8.2.8　其他的深度神經網路

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　數據集描述和載入 143

8.3.3　數據集預處理 144

8.3.4　模型結構 144

8.3.5　損失函式 144

8.3.6　收斂性測試 145

8.3.7　程式執行 145

8.3.8　完整原始碼 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　列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　原始碼 158

9.5　分散式TensorFlow 159

9.5.1　分散式計算組件 159

9.5.2　創建TensorFlow集群 160

9.5.3　集群操作—傳送計算方法

到任務 161

9.5.4　分散式編碼結構示例 162

9.6　例3—分散式Pi計算 163

9.6.1　伺服器端腳本 163

9.6.2　客戶端腳本 164

9.7　例4—在集群上運行分散式

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