描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111579489
内容简介
TensorFlow是一个开源机器学习库。本书从TensorFlow的基础开始介绍，涉及变量、矩阵和各种数据源。之后，针对使用TensorFlow线性回归技术的实践经验进行详细讲解。后续章节将在前文的基础上讲述神经网络、CNN、RNN和NLP等重要概念。
目 录
CONTENTS
目 录
译者序
作者简介
审校者简介
前言
第1章TensorFlow基础 1
1.1TensorFlow介绍 1
1.2TensorFlow如何工作 1
1.2.1开始 1
1.2.2动手做 2
1.2.3工作原理 3
1.2.4参考 3
1.3声明张量 3
1.3.1开始 4
1.3.2动手做 4
1.3.3工作原理 5
1.3.4延伸学习 5
1.4使用占位符和变量 6
1.4.1开始 6
1.4.2动手做 6
1.4.3工作原理 6
1.4.4延伸学习 7
1.5操作（计算）矩阵 7
1.5.1开始 7
1.5.2动手做 8
1.5.3工作原理 9
1.6声明操作 10
1.6.1开始 10
1.6.2动手做 10
1.6.3工作原理 11
1.6.4延伸学习 12
1.7实现激励函数 12
1.7.1开始 12
1.7.2动手做 12
1.7.3工作原理 13
1.7.4延伸学习 13
1.8读取数据源 14
1.8.1开始 15
1.8.2动手做 15
1.8.3参考 18
1.9学习资料 19
第2章TensorFlow进阶 20
2.1本章概要 20
2.2计算图中的操作 20
2.2.1开始 20
2.2.2动手做 21
2.2.3工作原理 21
2.3TensorFlow的嵌入Layer 21
2.3.1开始 21
2.3.2动手做 22
2.3.3工作原理 22
2.3.4延伸学习 22
2.4TensorFlow的多层Layer 23
2.4.1开始 23
2.4.2动手做 24
2.4.3工作原理 25
2.5TensorFlow实现损失函数 26
2.5.1开始 26
2.5.2动手做 26
2.5.3工作原理 28
2.5.4延伸学习 29
2.6TensorFlow实现反向传播 30
2.6.1开始 30
2.6.2动手做 31
2.6.3工作原理 33
2.6.4延伸学习 34
2.6.5参考 34
2.7TensorFlow实现随机训练和批量训练 34
2.7.1开始 35
2.7.2动手做 35
2.7.3工作原理 36
2.7.4延伸学习 37
2.8TensorFlow实现创建分类器 37
2.8.1开始 37
2.8.2动手做 37
2.8.3工作原理 39
2.8.4延伸学习 40
2.8.5参考 40
2.9TensorFlow实现模型评估 40
2.9.1开始 40
2.9.2动手做 41
2.9.3工作原理 41
第3章基于TensorFlow的线性回归 45
3.1线性回归介绍 45
3.2用TensorFlow求逆矩阵 45
3.2.1开始 45
3.2.2动手做 46
3.2.3工作原理 47
3.3用TensorFlow实现矩阵分解 47
3.3.1开始 47
3.3.2动手做 47
3.3.3工作原理 48
3.4用TensorFlow实现线性回归算法 49
3.4.1开始 49
3.4.2动手做 49
3.4.3工作原理 52
3.5理解线性回归中的损失函数 52
3.5.1开始 52
3.5.2动手做 52
3.5.3工作原理 53
3.5.4延伸学习 54
3.6用TensorFlow实现戴明回归算法 55
3.6.1开始 55
3.6.2动手做 56
3.6.3工作原理 57
3.7用TensorFlow实现lasso回归和岭回归算法 58
3.7.1开始 58
3.7.2动手做 58
3.7.3工作原理 59
3.7.4延伸学习 59
3.8用TensorFlow实现弹性网络回归算法 60
3.8.1开始 60
3.8.2动手做 60
3.8.3工作原理 61
3.9用TensorFlow实现逻辑回归算法 62
3.9.1开始 62
3.9.2动手做 62
3.9.3工作原理 65
第4章基于TensorFlow的支持向量机 66
4.1支持向量机简介 66
4.2线性支持向量机的使用 67
4.2.1开始 67
4.2.2动手做 68
4.2.3工作原理 72
4.3弱化为线性回归 72
4.3.1开始 73
4.3.2动手做 73
4.3.3工作原理 76
4.4TensorFlow上核函数的使用 77
4.4.1开始 77
4.4.2动手做 77
4.4.3工作原理 81
4.4.4延伸学习 82
4.5用TensorFlow实现非线性支持向量机 82
4.5.1开始 82
4.5.2动手做 82
4.5.3工作原理 84
4.6用TensorFlow实现多类支持向量机 85
4.6.1开始 85
4.6.2动手做 86
4.6.3工作原理 89
第5章近邻域法 90
5.1近邻域法介绍 90
5.2近邻域法的使用 91
5.2.1开始 91
5.2.2动手做 91
5.2.3工作原理 94
5.2.4延伸学习 94
5.3如何度量文本距离 95
5.3.1开始 95
5.3.2动手做 95
5.3.3工作原理 98
5.3.4延伸学习 98
5.4用TensorFlow实现混合距离计算 98
5.4.1开始 98
5.4.2动手做 98
5.4.3工作原理 101
5.4.4延伸学习 101
5.5用TensorFlow实现地址匹配 101
5.5.1开始 101
5.5.2动手做 102
5.5.3工作原理 104
5.6用TensorFlow实现图像识别 105
5.6.1开始 105
5.6.2动手做 105
5.6.3工作原理 108
5.6.4延伸学习 108
第6章神经网络算法 109
6.1神经网络算法基础 109
6.2用TensorFlow实现门函数 110
6.2.1开始 110
6.2.2动手做 111
6.2.3工作原理 113
6.3使用门函数和激励函数 113
6.3.1开始 114
6.3.2动手做 114
6.3.3工作原理 116
6.3.4延伸学习 117
6.4用TensorFlow实现单层神经网络 117
6.4.1开始 117
6.4.2动手做 117
6.4.3工作原理 119
6.4.4延伸学习 119
6.5用TensorFlow实现神经网络常见层 120
6.5.1开始 120
6.5.2动手做 121
6.5.3工作原理 126
6.6用TensorFlow实现多层神经网络 126
6.6.1开始 126
6.6.2动手做 126
6.6.3工作原理 131
6.7线性预测模型的优化 131
6.7.1开始 131
6.7.2动手做 131
6.7.3工作原理 135
6.8用TensorFlow基于神经网络实现井字棋 136
6.8.1开始 136
6.8.2动手做 137
6.8.3工作原理 142
第7章自然语言处理 143
目 录
译者序
作者简介
审校者简介
前言
第1章TensorFlow基础 1
1.1TensorFlow介绍 1
1.2TensorFlow如何工作 1
1.2.1开始 1
1.2.2动手做 2
1.2.3工作原理 3
1.2.4参考 3
1.3声明张量 3
1.3.1开始 4
1.3.2动手做 4
1.3.3工作原理 5
1.3.4延伸学习 5
1.4使用占位符和变量 6
1.4.1开始 6
1.4.2动手做 6
1.4.3工作原理 6
1.4.4延伸学习 7
1.5操作（计算）矩阵 7
1.5.1开始 7
1.5.2动手做 8
1.5.3工作原理 9
1.6声明操作 10
1.6.1开始 10
1.6.2动手做 10
1.6.3工作原理 11
1.6.4延伸学习 12
1.7实现激励函数 12
1.7.1开始 12
1.7.2动手做 12
1.7.3工作原理 13
1.7.4延伸学习 13
1.8读取数据源 14
1.8.1开始 15
1.8.2动手做 15
1.8.3参考 18
1.9学习资料 19
第2章TensorFlow进阶 20
2.1本章概要 20
2.2计算图中的操作 20
2.2.1开始 20
2.2.2动手做 21
2.2.3工作原理 21
2.3TensorFlow的嵌入Layer 21
2.3.1开始 21
2.3.2动手做 22
2.3.3工作原理 22
2.3.4延伸学习 22
2.4TensorFlow的多层Layer 23
2.4.1开始 23
2.4.2动手做 24
2.4.3工作原理 25
2.5TensorFlow实现损失函数 26
2.5.1开始 26
2.5.2动手做 26
2.5.3工作原理 28
2.5.4延伸学习 29
2.6TensorFlow实现反向传播 30
2.6.1开始 30
2.6.2动手做 31
2.6.3工作原理 33
2.6.4延伸学习 34
2.6.5参考 34
2.7TensorFlow实现随机训练和批量训练 34
2.7.1开始 35
2.7.2动手做 35
2.7.3工作原理 36
2.7.4延伸学习 37
2.8TensorFlow实现创建分类器 37
2.8.1开始 37
2.8.2动手做 37
2.8.3工作原理 39
2.8.4延伸学习 40
2.8.5参考 40
2.9TensorFlow实现模型评估 40
2.9.1开始 40
2.9.2动手做 41
2.9.3工作原理 41
第3章基于TensorFlow的线性回归 45
3.1线性回归介绍 45
3.2用TensorFlow求逆矩阵 45
3.2.1开始 45
3.2.2动手做 46
3.2.3工作原理 47
3.3用TensorFlow实现矩阵分解 47
3.3.1开始 47
3.3.2动手做 47
3.3.3工作原理 48
3.4用TensorFlow实现线性回归算法 49
3.4.1开始 49
3.4.2动手做 49
3.4.3工作原理 52
3.5理解线性回归中的损失函数 52
3.5.1开始 52
3.5.2动手做 52
3.5.3工作原理 53
3.5.4延伸学习 54
3.6用TensorFlow实现戴明回归算法 55
3.6.1开始 55
3.6.2动手做 56
3.6.3工作原理 57
3.7用TensorFlow实现lasso回归和岭回归算法 58
3.7.1开始 58
3.7.2动手做 58
3.7.3工作原理 59
3.7.4延伸学习 59
3.8用TensorFlow实现弹性网络回归算法 60
3.8.1开始 60
3.8.2动手做 60
3.8.3工作原理 61
3.9用TensorFlow实现逻辑回归算法 62
3.9.1开始 62
3.9.2动手做 62
3.9.3工作原理 65
第4章基于TensorFlow的支持向量机 66
4.1支持向量机简介 66
4.2线性支持向量机的使用 67
4.2.1开始 67
4.2.2动手做 68
4.2.3工作原理 72
4.3弱化为线性回归 72
4.3.1开始 73
4.3.2动手做 73
4.3.3工作原理 76
4.4TensorFlow上核函数的使用 77
4.4.1开始 77
4.4.2动手做 77
4.4.3工作原理 81
4.4.4延伸学习 82
4.5用TensorFlow实现非线性支持向量机 82
4.5.1开始 82
4.5.2动手做 82
4.5.3工作原理 84
4.6用TensorFlow实现多类支持向量机 85
4.6.1开始 85
4.6.2动手做 86
4.6.3工作原理 89
第5章近邻域法 90
5.1近邻域法介绍 90
5.2近邻域法的使用 91
5.2.1开始 91
5.2.2动手做 91
5.2.3工作原理 94
5.2.4延伸学习 94
5.3如何度量文本距离 95
5.3.1开始 95
5.3.2动手做 95
5.3.3工作原理 98
5.3.4延伸学习 98
5.4用TensorFlow实现混合距离计算 98
5.4.1开始 98
5.4.2动手做 98
5.4.3工作原理 101
5.4.4延伸学习 101
5.5用TensorFlow实现地址匹配 101
5.5.1开始 101
5.5.2动手做 102
5.5.3工作原理 104
5.6用TensorFlow实现图像识别 105
5.6.1开始 105
5.6.2动手做 105
5.6.3工作原理 108
5.6.4延伸学习 108
第6章神经网络算法 109
6.1神经网络算法基础 109
6.2用TensorFlow实现门函数 110
6.2.1开始 110
6.2.2动手做 111
6.2.3工作原理 113
6.3使用门函数和激励函数 113
6.3.1开始 114
6.3.2动手做 114
6.3.3工作原理 116
6.3.4延伸学习 117
6.4用TensorFlow实现单层神经网络 117
6.4.1开始 117
6.4.2动手做 117
6.4.3工作原理 119
6.4.4延伸学习 119
6.5用TensorFlow实现神经网络常见层 120
6.5.1开始 120
6.5.2动手做 121
6.5.3工作原理 126
6.6用TensorFlow实现多层神经网络 126
6.6.1开始 126
6.6.2动手做 126
6.6.3工作原理 131
6.7线性预测模型的优化 131
6.7.1开始 131
6.7.2动手做 131
6.7.3工作原理 135
6.8用TensorFlow基于神经网络实现井字棋 136
6.8.1开始 136
6.8.2动手做 137
6.8.3工作原理 142
第7章自然语言处理 143
前 言
PREFACE前 言2015年11月，Google公司开源TensorFlow，随后不久TensorFlow成为GitHub上受欢迎的机器学习库。TensorFlow创建计算图、自动求导和定制化的方式使得其能够很好地解决许多不同的机器学习问题。
本书介绍了许多机器学习算法，将其应用到真实场景和数据中，并解释产生的结果。
本书的主要内容第1章介绍TensorFlow的基本概念，包括张量、变量和占位符；同时展示了在TensorFlow中如何使用矩阵和各种数学操作。本章末尾讲述如何访问本书所需的数据源。
第2章介绍如何在计算图中连接第1章中的所有算法组件，创建一个简单的分类器。接着，介绍计算图、损失函数、反向传播和训练模型。
第3章重点讨论使用TensorFlow实现各种线性回归算法，比如，戴明回归、lasso回归、岭回归、弹性网络回归和逻辑回归，也展示了如何在TensorFlow计算图中实现每种回归算法。
第4章介绍支持向量机（SVM）算法，展示如何在TensorFlow中实现线性SVM算法、非线性SVM算法和多分类SVM算法。
第5章展示如何使用数值度量、文本度量和归一化距离函数实现近邻域法。我们使用近邻域法进行地址间的记录匹配和MNIST数据库中手写数字的分类。
第6章讲述如何使用TensorFlow实现神经网络算法，包括操作门和激励函数的概念。随后展示一个简单的神经网络并讨论如何建立不同类型的神经网络层。本章末尾通过神经网络算法教TensorFlow玩井字棋游戏。
第7章阐述借助TensorFlow实现的各种文本处理算法。我们展示如何实现文本的“词袋”和TF-IDF算法。然后介绍CBOW和skip-gram模型的神经网络文本表示方式，并对于Word2Vec和Doc2Vec用这些方法来做预测。
第8章扩展神经网络算法，说明如何借助卷积神经网络（CNN）算法在图像上应用神经网络算法。我们展示如何构建一个简单的CNN进行MNIST数字识别，并扩展到CIFAR-10任务中的彩色图片，也阐述了如何针对自定义任务扩展之前训练的图像识别模型。本章末尾详细解释TensorFlow实现的模仿大师绘画和Deep-Dream算法。
第9章解释在TensorFlow中如何实现递归神经网络（RNN）算法，展示如何进行垃圾短信预测和在莎士比亚文本样本集上扩展RNN模型生成文本。接着训练Seq2Seq模型实现德语-英语的翻译。本章末尾展示如何用孪生RNN模型进行地址记录匹配。
第10章介绍TensorFlow产品级用例和开发提示，同时介绍如何利用多处理设备（比如，GPU）和在多个设备上实现分布式TensorFlow。
第11章展示TensorFlow如何实现k-means算法、遗传算法和求解常微分方程（ODE），还介绍了Tensorboad的各种用法和如何查看计算图指标。
阅读本书前的准备书中的章节都会使用TensorFlow，其官网为https://www.tensorflow.org/，它是基于Python 3（https://www.python.org/downloads/）编写的。大部分章节需要访问从网络中下载的数据集。
本书的目标读者本书适用于有经验的机器学习读者和Python程序员。有机器学习背景的读者会发现TensorFlow的代码很有启发性；有Python编程经验的读者会觉得代码注释极具参考性。
模块说明在本书中，你会频繁看到开始、动手做、工作原理、延伸学习和参考这几个模块。
为了系统地学习相关技术，下面简单解释一下：
开始该节告诉读者该技术的内容，描述如何准备软件或者前期的准备工作。
动手做具体的操作步骤。
工作原理详细解释前一节发生了什么。
延伸学习附加资源，以供读者延伸学习。
参考提供有用的链接和有帮助的资源信息。
下载示例代码读者可登录华章网站（www.hzbook.com）下载本书示例代码文件。
本书介绍了许多机器学习算法，将其应用到真实场景和数据中，并解释产生的结果。
本书的主要内容第1章介绍TensorFlow的基本概念，包括张量、变量和占位符；同时展示了在TensorFlow中如何使用矩阵和各种数学操作。本章末尾讲述如何访问本书所需的数据源。
第2章介绍如何在计算图中连接第1章中的所有算法组件，创建一个简单的分类器。接着，介绍计算图、损失函数、反向传播和训练模型。
第3章重点讨论使用TensorFlow实现各种线性回归算法，比如，戴明回归、lasso回归、岭回归、弹性网络回归和逻辑回归，也展示了如何在TensorFlow计算图中实现每种回归算法。
第4章介绍支持向量机（SVM）算法，展示如何在TensorFlow中实现线性SVM算法、非线性SVM算法和多分类SVM算法。
第5章展示如何使用数值度量、文本度量和归一化距离函数实现近邻域法。我们使用近邻域法进行地址间的记录匹配和MNIST数据库中手写数字的分类。
第6章讲述如何使用TensorFlow实现神经网络算法，包括操作门和激励函数的概念。随后展示一个简单的神经网络并讨论如何建立不同类型的神经网络层。本章末尾通过神经网络算法教TensorFlow玩井字棋游戏。
第7章阐述借助TensorFlow实现的各种文本处理算法。我们展示如何实现文本的“词袋”和TF-IDF算法。然后介绍CBOW和skip-gram模型的神经网络文本表示方式，并对于Word2Vec和Doc2Vec用这些方法来做预测。
第8章扩展神经网络算法，说明如何借助卷积神经网络（CNN）算法在图像上应用神经网络算法。我们展示如何构建一个简单的CNN进行MNIST数字识别，并扩展到CIFAR-10任务中的彩色图片，也阐述了如何针对自定义任务扩展之前训练的图像识别模型。本章末尾详细解释TensorFlow实现的模仿大师绘画和Deep-Dream算法。
第9章解释在TensorFlow中如何实现递归神经网络（RNN）算法，展示如何进行垃圾短信预测和在莎士比亚文本样本集上扩展RNN模型生成文本。接着训练Seq2Seq模型实现德语-英语的翻译。本章末尾展示如何用孪生RNN模型进行地址记录匹配。
第10章介绍TensorFlow产品级用例和开发提示，同时介绍如何利用多处理设备（比如，GPU）和在多个设备上实现分布式TensorFlow。
第11章展示TensorFlow如何实现k-means算法、遗传算法和求解常微分方程（ODE），还介绍了Tensorboad的各种用法和如何查看计算图指标。
阅读本书前的准备书中的章节都会使用TensorFlow，其官网为https://www.tensorflow.org/，它是基于Python 3（https://www.python.org/downloads/）编写的。大部分章节需要访问从网络中下载的数据集。
本书的目标读者本书适用于有经验的机器学习读者和Python程序员。有机器学习背景的读者会发现TensorFlow的代码很有启发性；有Python编程经验的读者会觉得代码注释极具参考性。
模块说明在本书中，你会频繁看到开始、动手做、工作原理、延伸学习和参考这几个模块。
为了系统地学习相关技术，下面简单解释一下：
开始该节告诉读者该技术的内容，描述如何准备软件或者前期的准备工作。
动手做具体的操作步骤。
工作原理详细解释前一节发生了什么。
延伸学习附加资源，以供读者延伸学习。
参考提供有用的链接和有帮助的资源信息。
下载示例代码读者可登录华章网站（www.hzbook.com）下载本书示例代码文件。
评论
还没有评论。