●章 機器學習概述 1.1 人工智能 1 1.2 機器學習 2 1.2.1 機器學習的發展 2 1.2.2 機器學習的分類 3 1.2.3 機器學習的經典算法 4 1.2.4 機器學習入門 6 1.3 TensorFlow簡介 6 1.3.1 主流框架的對比 7 1.3.2 TensorFlow的發展 9 1.3.3 使用TensorFlow的公司 10 1.4 TensorFlow環境準備 10 1.4.1 Windows環境 11 1.4.2 Linux環境 21 1.4.3 Mac OS環境 22 1.5 常用的第三方模塊 22 1.6 本章小結 23 第2章 TensorFlow基礎 2.1 TensorFlow基礎框架 24 2.1.1 繫統框架 24 2.1.2 繫統的特性 26 2.1.3 編程模型 27 2.1.4 編程特點 28 2.2 TensorFlow源代碼結構分析 30 2.2.1 源代碼 30 2.2.2 TensorFlow目錄結構 30 2.2.3 重點目錄 31 2.3 TensorFlow基本概念 33 2.3.1 Tensor 33 2.3.2 Variable 34 2.3.3 Placeholder 35 2.3.4 Session 36 2.3.5 Operation 36 2.3.6 Queue 37 2.3.7 QueueRunner 38 2.3.8 Coordinator 39 2.4 個TensorFlow示例 40 2.4.1 典型應用 41 2.4.2 運行TensorFlow示例 43 2.5 TensorBoard可視化 45 2.5.1 SCALARS面板 45 2.5.2 GRAPHS面板 47 2.5.3 IMAGES面板 48 2.5.4 AUDIO面板 49 2.5.5 DISTRIBUTIONS面板 49 2.5.6 HISTOGRAMS面板 49 2.5.7 PROJECTOR面板 50 2.6 本章小結 50 第3章 TensorFlow進階 3.1 加載數據 51 3.1.1 預加載數據 51 3.1.2 填充數據 51 3.1.3 從CSV文件讀取數據 52 3.1.4 讀取TFRecords數據 54 3.2 存儲和加載模型 58 3.2.1 存儲模型 58 3.2.2 加載模型 59 3.3 評估和優化模型 60 3.3.1 評估指標的介紹與使用 60 3.3.2 模型調優的主要方法 61 3.4 本章小結 63 第4章 線性模型 4.1 常見的線性模型 64 4.2 &nbs線性回歸 65 4.2.1 生成訓練數據 65 4.2.2 定義訓練模型 66 4.2.3 進行數據訓練 66 4.2.4 運行總結 67 4.3 &nbs線性回歸 68 4.3.1 &nbs線性回歸算法簡介 68 4.3.2 生成訓練數據 69 4.3.3 定義訓練模型 70 4.3.4 進行數據訓練 70 4.3.5 運行總結 70 4.4 邏輯回歸 71 4.4.1 邏輯回歸算法簡介 71 4.4.2 生成訓練數據 73 4.4.3 定義訓練模型 74 4.4.4 進行數據訓練 74 4.4.5 運行總結 75 4.5 本章小結 76 第5章 支持向量機 5.1 支持向量機簡介 77 5.1.1 SVM基本型 77 5.1.2 SVM核函數簡介 79 5.2 擬合線性回歸 80 5.2.1 生成訓練數據 80 5.2.2 定義訓練模型 81 5.2.3 進行數據訓練 81 5.2.4 運行總結 82 5.3 擬合邏輯回歸 83 5.3.1 生成訓練數據 83 5.3.2 定義訓練模型 84 5.3.3 進行數據訓練 85 5.3.4 運行總結 86 5.4 非線性二值分類 87 5.4.1 生成訓練數據 87 5.4.2 定義訓練模型 88 5.4.3 進行數據訓練 89 5.4.4 運行總結 89 5.5 非線性多類分類 91 5.5.1 生成訓練數據 91 5.5.2 定義訓練模型 92 5.5.3 進行數據訓練 93 5.5.4 運行總結 94 5.6 本章小結 95 第6章 神經網絡 6.1 神經網絡簡介 96 6.1.1  模型 97 6.1.2 神經網絡層 100 6.2 擬合線性回歸問題 102 6.2.1 生成訓練數據 102 6.2.2 定義神經網絡模型 102 6.2.3 進行數據訓練 103 6.2.4 運行總結 104 6.3 MNIST數據集 104 6.3.1 MNIST數據集簡介 105 6.3.2 數據集圖片文件 105 6.3.3 數據集標記文件 106 6.4 全連接神經網絡 106 6.4.1 加載MNIST訓練數據 106 6.4.2 構建神經網絡模型 107 6.4.3 進行數據訓練 108 6.4.4 評估模型 109 6.4.5 構建多層神經網絡模型 110 6.4.6 可視化多層神經網絡模型 111 6.5 卷積神經網絡 113 6.5.1 卷積神經網絡簡介 114 6.5.2 卷積層 115 6.5.3 池化層 119 6.5.4 全連接神經網絡層 121 6.5.5 卷積神經網絡的發展 121 6.6 通過卷積神經網絡處理MNIST 122 6.6.1 加載MNIST訓練數據 122 6.6.2 構建卷積神經網絡模型 123 6.6.3 進行數據訓練 127 6.6.4 評估模型 127 6.7 循環神經網絡 128 6.7.1 循環神經網絡簡介 128 6.7.2 基本循環神經網絡 129 6.7.3 長短期記憶網絡 131 6.7.4 雙向循環神經網絡簡介 134 6.8 通過循環神經網絡處理MNIST 135 6.8.1 加載MNIST訓練數據 136 6.8.2 構建神經網絡模型 136 6.8.3 進行數據訓練及評估模型 137 6.9 遞歸神經網絡 138 6.9.1 遞歸神經網絡簡介 138 6.9.2 遞歸神經網絡的應用 139 6.10 本章小結 140 第7章 無監督學習 7.1 無監督學習簡介 141 7.1.1 聚類模型 141 7.1.2 自編碼網絡模型 142 7.2 K均值聚類 142 7.2.1 K均值聚類算法簡介 142 7.2.2 K均值聚類算法實踐 144 7.3 自編碼網絡 147 7.3.1 自編碼網絡簡介 147 7.3.2 自編碼網絡實踐 148 7.4 本章小結 151 第8章 自然語言文本處理 8.1 自然語言文本處理簡介 152 8.1.1 處理模型的選擇 152 8.1.2 文本映射 153 8.1.3 TensorFlow文本處理的一般步驟 156 8.2 學寫唐詩 157 8.2.1 數據預處理 157 8.2.2 生成訓練模型 158 8.2.3 評估模型 160 8.3 智能影評分類 163 8.3.1 CBOW嵌套模型 163 8.3.2 構建影評分類模型 167 8.3.3 訓練評估影評分類模型 169 8.4 智能聊天機器人 170 8.4.1 Attention機制的Seq2Seq模型 170 8.4.2 數據預處理 173 8.4.3 構建智能聊天機器人模型 174 8.4.4 訓練模型 177 8.4.5 評估模型 179 8.5 本章小結 180 第9章 語音處理 9.1 語音處理簡介 181 9.1.1 語音識別模型 181 9.1.2 語音合成模型 183 9.2 聽懂數字 183 9.2.1 數據預處理 184 9.2.2 構建識別模型 185 9.2.3 訓練模型 185 9.2.4 評估模型 185 9.3 聽懂中文 185 9.3.1 數據預處理 186 9.3.2 構建識別模型 188 9.3.3 訓練模型 191 9.3.4 評估模型 191 9.4 語音合成 192 9.4.1 Tacotron模型 192 9.4.2 編碼器模塊 193 9.4.3 解碼器模塊 196 9.4.4 後處理模塊 197 9.5 本章小結 197 0章 圖像處理 10.1 機器學習的圖像處理簡介 198 10.1.1 圖像修復 198 10.1.2 圖像物體識別與檢測 199 10.1.3 圖像問答 201 10.2 圖像物體識別 201 10.2.1 數據預處理 201 10.2.2 生成訓練模型 203 10.2.3 訓練模型 205 10.2.4 評估模型 206 10.3 圖片驗證碼識別 208 10.3.1 驗證碼的生成 208 10.3.2 數據預處理 209 10.3.3 生成訓練模型 211 10.3.4 訓練模型 212 10.3.5 評估模型 213 10.4 圖像物體檢測 214 10.4.1 物體檢測繫統 214 10.4.2 物體檢測繫統實踐 215 10.5 看圖說話 217 10.5.1 看圖說話原理 218 10.5.2 看圖說話模型的構建 218 10.5.3 看圖說話模型的訓練 220 10.5.4 評估模型 221 10.6 本章小結 222 1章 人臉識別 11.1 人臉識別簡介 223 11.1.1 人臉圖像采集 223 11.1.2 人臉檢測 224 11.1.3 人臉圖像預處理 224 11.1.4 人臉關鍵點檢測 224 11.1.5 人臉特征提取 224 11.1.6 人臉比對 225 11.1.7 人臉屬性檢測 225 11.2 人臉驗證 225 11.2.1 數據預處理 226 11.2.2 運行FaceNet模型 226 11.2.3 實現人臉驗證 229 11.3 性別和年齡的識別 231 11.3.1 Adience數據集 231 11.3.2 數據預處理 232 11.3.3 生成訓練模型 233 11.3.4 訓練模型 235 11.3.5 評估模型 236 11.4 本章小結 237
內容簡介
《Python+TensorFlow機器學習實戰》通過開發實例和項目案例,詳細介紹TensorFlow開發所涉及的主要內容。書中的每個知識點都通過實例進行通俗易懂的講解,便於讀者輕松掌握有關TensorFlow開發的內容和技巧,並能夠得心應手地使用TensorFlow進行開發。 《Python+TensorFlow機器學習實戰》內容共分為11章,首先介紹TensorFlow的基本知識,通過實例逐步深入地講解線性回歸、支持向量機、神經網絡算法和無監督學習等常見的機器學習算法模型。然後通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用講解TensorFlow的實際開發過程。 《Python+TensorFlow機器學習實戰》適合有一定Python基礎的工程師閱讀;對於有一定基礎的讀者,可通過《Python+TensorFlow機器學習實戰》快速地將Te......
2016年3月,谷歌公司的AlphaGo與職業九段棋手李世石進行了圍棋人機大戰,最終AlphaGo以4比1的總比分獲勝,這引起了全球對人工智能的熱議。同時,百度推出的無人駕駛,科大訊飛推出的“語音識別”,以及高鐵進站的人臉識別的廣泛應用,將機器學習轉變為信息科技企業的研究與應用的常見內容,這也讓我們的日常生活更為便捷。 其實,機器學習已經走過符號主義時代、概率論時代、聯結主義時代,從最初的僅是專家研究的數學理論、經典算法,逐步發展並蛻變為可以為大部分項目直接使用的平臺框架。 2015年11月9日,谷歌在GitHub上開源了TensorFlow框架,該框架是谷歌的機器學習框架,具有高度的靈活性和可移植性。在TensorFlow中,將各種經典算法特別是神經網絡模型組織成一個平臺,能夠讓我們更便捷地在目標領域實踐機器學習算法。 TensorFlow作為最流行的機器學習框架之一,具有對Pyt......
"