TensorFlow机器学习项目实战pdf

图书网 2020年12月16日20:50:2821.4K
摘要

本书是介绍如何在产品中使用TensorFlow的实用教程。本书介绍了可以使用TensorFlow的多种情况, 并通过真实世界的项目, 向读者展示了如何使用TensorFlow。本书还讲解了在实际环境中使用TensorFlow的创新方法。
本书主要介绍第二代机器学习与数值计算,提供了训练模型、机器学习、深度学习以及使用各种神经网络的项目,以此来讲解TensorFlow的应用领域,还讨论如何使用TensorFlow计算复杂数值。
本书在教读者使用TensorFlow的同时,还展示了如何使用张量来探究各层的数据。只需选定一个跟读者环境相匹配的项目,就能学到如何在产品中应用TensorFlow的相关知识。读完本书后,读者将能通过TensorFlow有效改善项目的速度和效率。
本书包括以下内容:
● 加载、交互、剖析、处理和存储复杂数据集;
● 使用先进的技术来解决分类和回归问题;
● 使用线性回归模型预测简单时间序列的输出;
● 使用逻辑回归方法预测时间序列在未来的结果;
● 使用深度学习方法对图像进行分类;
● 标定图像集,并使用包括卷积神经网络层的深度神经网络生成绘画图像;
● 使用循环神经网络对时间信号进行预测并生成音乐。

TensorFlow机器学习项目实战 作者:[阿根廷] Rodolfo Bonnin

TensorFlow机器学习项目实战 出版社:人民邮电出版社

TensorFlow机器学习项目实战 内容简介

TensorFlow是Google所主导的机器学习框架,也是机器学习领域研究和应用的热门对象。

《TensorFlow机器学习项目实战》主要介绍如何使用TensorFlow库实现各种各样的模型,旨在降低学习门槛,并为读者解决问题提供详细的方法和指导。《TensorFlow机器学习项目实战》全书共10章,分别介绍了TensorFlow基础知识、聚类、线性回归、逻辑回归、不同的神经网络、规模化运行模型以及库的应用技巧。

《TensorFlow机器学习项目实战》适合想要学习和了解 TensorFlow 和机器学习的读者阅读参考。如果读者具备一定的C++和Python的经验,将能够更加轻松地阅读和学习本书。

TensorFlow机器学习项目实战 目录

前言

第1章 探索和转换数据

1.1 TensorFlow的主要数据结构——张量

1.2 处理计算工作流——TensorFlow的数据流图

1.3 运行我们的程序——会话

1.4 基本张量方法

1.5 从磁盘读取信息

1.6 小结

第2章 聚类

2.1 从数据中学习——无监督学习

2.2 聚类的概念

2.3 k均值

2.4 k最近邻

2.5 有用的库和使用示例

2.6 例1——对人工数据集的k均值聚类

2.7 例2——对人工数据集使用最近邻算法

2.8 小结

第3章 线性回归

3.1 单变量线性模型方程

3.2 选择损失函数

3.3 最小化损失函数

3.4 示例部分

3.5 例1——单变量线性回归

3.6 例2——多变量线性回归

3.7 小结

第4章 逻辑回归

4.1 问题描述

4.2 Logistic函数的逆函数——Logit函数

4.3 例1——单变量逻辑回归

4.4 例2——基于skflow单变量逻辑回归

4.5 小结

第5章 简单的前向神经网络

5.1 基本概念

5.2 例1——非线性模拟数据回归

5.3 例2——通过非线性回归,对汽车燃料效率建模

5.4 例3——多类分类:葡萄酒分类

5.5 小结

第6章 卷积神经网络

6.1 卷积神经网络的起源

6.2 例1——MNIST数字分类

6.3 例2——CIFAR10数据集的图像分类

6.4 小结

第7章 循环神经网络和LSTM

7.1 循环神经网络

7.2 例1——能量消耗、单变量时间序列数据预测

7.3 例2——创作巴赫风格的曲目

7.4 小结

第8章 深度神经网络

8.1 深度神经网络的定义

8.2 深度网络结构的历史变迁

8.3 例子——VGG艺术风格转移

8.4 小结

第9章 规模化运行模型——GPU和服务

9.1 TensorFlow中的GPU支持

9.2 打印可用资源和设备参数

9.3 例1——将一个操作指派给GPU

9.4 例2——并行计算Pi的数值

9.5 分布式TensorFlow

9.6 例3——分布式Pi计算

9.7 例4——在集群上运行分布式模型

9.8 小结

第10章 库的安装和其他技巧

10.1 Linux安装

10.2 Windows安装

10.3 MacOS X安装

10.4 小结

TensorFlow机器学习项目实战 精彩文摘

TensorFlow是一个开源软件库,用于使用数据流图进行数值计算。图中的节点表示数学运算,而图边表示在它们之间传递的多维数据数组(张量,tensor)。

该库包括各种功能,使你能够实现和探索用于图像和文本处理的前沿卷积神经网络(CNN)和循环神经网络(RNN)架构。由于复杂计算以图形的形式表示,TensorFlow可以用作一个框架,使你能够轻松开发自己的模型,并在机器学习领域中使用它们。

它还能够在最不同的环境中运行,从CPU到移动处理器,包括高度并行的GPU计算,并且新的服务架构能够运行所有命名选项的非常复杂的混合,见表1-1。

TensorFlow基于张量数据管理。张量是数学领域的概念,并且被开发为向量和矩阵的线性代数项的泛化。

具体到TensorFlow中,一个张量就是一个张量类的实例,是绑定了相关运算的一个特定类型的多维数组。

之前已经介绍过,TensorFlow使用张量数据结构来表征所有的数据。所有的张量都有一个静态的类型和动态的维数。所以你能够实时地改变一个张量的内部结构。

张量的另一个属性就是只有张量类型的对象才能在计算图的节点中传递。

我们开始来讨论张量的其他属性(从此处开始,我们所有说的张量都是TensorFlow中的张量对象)。

张量的阶(rank)表征了张量的维度,但是跟矩阵的秩(rank)不一样。它表示张量的维度的质量。

阶为1的张量等价于向量,阶为2的向量等价于矩阵。对于一个阶为2的张量,通过t[i, j]就能获取它的每个元素。对于一个阶为3的张量,需要通过t[i, j, k]进行寻址,以此类推,见表1-2。

张量的阶(rank)表征了张量的维度,但是跟矩阵的秩(rank)不一样。它表示张量的维度的质量。

阶为1的张量等价于向量,阶为2的向量等价于矩阵。对于一个阶为2的张量,通过t[i, j]就能获取它的每个元素。对于一个阶为3的张量,需要通过t[i, j, k]进行寻址,以此类推,见表1-2。

TensorFlow文档使用三个术语来描述张量的维度:阶(rank),形状(shape)和维数(dimension number)。表1-3展示了它们彼此之间的关系。

图1-1的例子中,我们创建了一个三阶张量,并打印出它的形状。

除了维度,张量还有一个确定的数据类型。你可以把表1-4中的任意一个类型指派给向量。

我们既可以创建我们自己的张量,也可以从著名的Python库numpy中继承。下面的例子中,我们创建了一些numpy数组,并对它们进行了简单的数学操作:

import tensorflow as tf

import numpy as np

x = tf.constant(np.random.rand(32).astype(np.float32))

y= tf.constant ([1,2,3])

图书网:TensorFlow机器学习项目实战pdf

继续阅读

→→→→→→→→→→→→→→→→→→→→查找获取

人工智能

深度学习之PyTorch实战计算机视觉pdf

适读人群 :本书面向对深度学习技术感兴趣,但是相关基础知识较为薄弱或者零基础的读者。 作者的文笔很好,对深度学习、Python、PyTorch、神经网络、迁移学习及相关数学知识讲解...
人工智能

深度学习原理与实践pdf

深度学习原理与实践 作者:陈仲铭,彭凌西 深度学习原理与实践 出版社:人民邮电出版社 深度学习原理与实践 内容简介 本书详细介绍了目前深度学习相关的常用网络模型(ANN、CNN、RNN),以及不同网络...
匿名

发表评论

匿名网友

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

评论:2   其中:访客  2   博主  0
    • 坎坎坷坷
      坎坎坷坷 0

      感谢分享,找这本书好久了,终于找到了

      • UI
        UI 1

        感谢分享,正在学习TENSORFLOW