●目 錄 入 門 篇 章 學習環境搭建 3 1.1 Docker工具箱 3 1.2 運行Docker鏡像 6 1.3 Jupyter筆記本 10 1.3.1 Jupyter界面 10 1.3.2 Jupyt格 12 1.3.3 Jupyter模式 14 1.3.4 Jupyter常用指令 14 1.4 NumPy庫 15 1.4.1 ndarray數據基礎 16 1.4.2 ndarray廣播運算 20 1.4.3 ndarray函數運算 22 1.4.4 ndarray索引切分 24 1.5 Pandas 25 1.5.1 Pandas基礎對像 26 1.5.2 Pandas選擇數據 29 1.5.3 Pandas 處理實例 31 1.6 Scikit-Learn 34 1.6.1 sklearn.datasets 34 1.6.2 Pandas處理 35 1.6.3 sklearn回歸 36 第2章 TensorFlow入門 38 2.1 Hello TensorFlow 39 2.2 TensorFlow數據結構 39 2.3 TensorFlow計算-數據流圖 40 2.3.1 常量節點（Constant） 42 2.3.2 占位符節點（Placeholder） 42 2.3.3 變量節點（Variable） 43 2.3.4 操作節點（Operation） 45 2.4 TensorFlow會話與基本操作 45 2.5 TensorFlow可視化 47 第3章 TensorFlow進階 49 3.1 TensorFlow數據處理 50 3.1.1 索引計算 50 3.1.2 矩陣計算 51 3.1.3 形狀計算 53 3.1.4 規約計算 54 3.1.5 分割計算 55 3.1.6 張量的形狀 57 3.1.7 張量的運算 58 3.1.8 骰子遊戲 61 3.2 TensorFlow共享變量 62 3.2.1 name_scope名字域 62 3.2.2 variablescope 變量域 63 3.3 TensorFlow模型配置 64 基 礎 篇 第4章 線性回歸算法 69 4.1 BOSTON 數據集 70 4.2 TensorFlow模型 72 4.2.1 準備數據 72 4.2.2 定義模型 72 4.2.3 訓練模型 73 4.2.4 評估模型 73 4.2.5 可視化模型 73 4.3 Estimator模型 75 4.3.1 Dataset API 75 4.3.2 估算器介紹 76 4.3.3 準備數據 77 4.3.4 定義模型 78 4.3.5 訓練模型 78 4.3.6 評估模型 78 4.3.7 可視化模型 79 4.4 Keras模型 81 4.4.1 定義模型 81 4.4.2 訓練模型 81 4.4.3 評估模型 82 4.4.4 可視化模型 82 第5章 邏輯回歸算法 84 5.1 線性回歸到邏輯回歸 84 5.2 最小二乘到交叉熵 86 5.3 MNIST數據集 88 5.4 TensorFlow模型 88 5.4.1 準備數據 89 5.4.2 定義模型 89 5.4.3 訓練模型 90 5.4.4 評估模型 91 5.4.5 可視化模型 91 5.5 Estimator模型 92 5.5.1 準備數據 92 5.5.2 定義模型 93 5.5.3 訓練模型 93 5.5.4 評估模型 93 5.5.5 可視化模型 94 5.6 Keras模型 95 5.6.1 準備數據 95 5.6.2 定義模型 96 5.6.3 訓練模型 96 5.6.4 評估模型 96 5.6.5 可視化模型 97 第6章 算法的正則化 99 6.1 過擬合 99 6.2 正則化 99 6.3 編程實戰 103 進 階 篇 第7章 神經網絡與深度學習算法 113 7.1 神經網絡 113 7.1.1 激活函數 114 7.1.2 編程實戰 119 7.2 神經網絡訓練 123 7.2.1 訓練困難分析 124 7.2.2 編程實戰 124 7.3 多類別神經網絡 133 7.3.1 邏輯回歸與深度網絡 133 7.3.2 權重可視化 135 7.4 神經網絡嵌入 136 7.4.1 一維數軸排列 137 7.4.2 二維數軸排列 137 7.4.3 傳統類別表示 138 7.4.4 嵌入表示 140 第8章 卷積神經網絡（CNN） 141 8.1 卷積神經網絡簡介 141 8.2 CNN與DNN 142 8.3 卷積操作 142 8.4 卷積實戰 145 8.5 池化操作 149 8.6 池化實戰 149 8.7 Relu非線性激活 150 8.8 TensorFlow卷積神經網絡實戰 151 8.9 Estimalor卷積神經網絡實戰 155 8.10 Keras卷積神經網絡實戰 159 第9章 循環神經網絡（RNN） 162 9.1 循環神經網絡簡介 162 9.2 DNN、CNN與RNN 162 9.3 手工循環神經網絡 164 9.4 static_rnn循環神經網絡 165 9.5 dynamic_rnn循環神經網絡 167 9.6 TensorFlow循環神經網絡實戰 169 9.7 Estimator循環神經網絡實戰 173 9.8 Keras循環神經網絡實戰 176 9.9 LSTM模型 178 9.10 GRU模型 180 0章 自動編碼器（AutoEncoder） 182 10.1 自動編碼器簡介 182 10.2 自動編碼器與PCA 183 10.3 稀疏自動編碼器 185 10.4 棧式自動編碼器（SAE） 187 10.4.1 關聯權重 190 10.4.2 分階段訓練 192 10.4.3 無監督預訓練 194 10.5 降噪自動編碼器（DAE） 198 10.6 變分自動編碼器（VAE） 200 10.6.1 變分自動編碼器原理 200 10.6.2 變分自動編碼器生成數字 203 應 用 篇 1章 生成式對抗網絡 207 11.1 生成式對抗網絡簡介 207 11.2 GAN工作原理 207 11.3 GAN改進模型 209 11.4 GAN模型實戰 212 11.5 GAN訓練技巧 221 11.6 GAN未來展望 222 2章 使用TensorFlow Hub進行遷移學習 223 12.1 圖像遷移學習 223 12.2 文本遷移學習 224 12.3 完整的文本分類器 225 12.4 遷移學習分析 228
內容簡介
TensorFlow是目前很受關注的機器學習框架，其模塊化設計很好適合大數據環境下智能算法的開發與應用。本書介紹了使用TensorFlow進行智能算法的實踐，包括經典的機器學習算法和深度學習算法實現。本書力求做到理論與實踐平衡統一，在相關理論上深入淺出，輔以多種TensorFlow實現技術對理論進行具體實踐，有助於讀者快速理解與掌握智能算法的精髓和TensorFlow技術的要點。本書共4篇。入門篇介紹學習環境搭建和TensorFlow框架的基本使用；基礎篇介紹傳統智能算法及其TensorFlow的實現；進階篇介紹深度神經網絡方法和CNN、RNN、LSTM、GRU等基礎的深度學習算法；應用篇介紹GAN學習算法和TensorFlowHub遷移學習。
"前言 2017年12月15日，美國宇航局宣布首次發現在2千多光年之外的一個名為“開普勒90”的恆星周圍有8顆行星組成的行星繫統，構成了另一個“太陽繫”。值得注意的是，這個重大的天文發現並不是由人類直接發現的，而是借助了谷歌公司的TensorFlow繫統實現的智能算法，對開普勒望遠鏡獲得的海量恆星亮度數據進行分析而得到的。該智能算法成功地學會了如何從海量天文數據中搜尋疑似的繫外行星信號，對於繫外行星信號的判斷正確率達到了96%以上。該算法最終成功幫助人類定位出“開普勒90”太陽繫。TensorFlow已經在不知不覺中改變了我們的世界。澳大利亞的科學家用TensorFlow開發的圖像識別模型，在數萬張的海洋航拍照片中，可以快速並且準確地找到珍惜的海牛。也有科學家利用TensorFlow把語音處理技術用到鳥類保護上，他們在叢林裡安裝了很多話筒，采集鳥類的聲音，智能模型就可以很準確地估算出鳥類......
"
