我用夸克网盘分享了「TensorFlow机器学习项目实战.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

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。 本书主要介绍如何使用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。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。 本书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。

作者简介

Rodolfo Bonnin是一名系统工程师，同时也是阿根廷国立理工大学的博士生。他还在德国斯图加特大学进修过并行编程和图像理解的研究生课程。 他从2005年开始研究高性能计算，并在2008年开始研究和实现卷积神经网络，编写过一个同时支持CPU和GPU的神经网络前馈部分。最近，他一直在进行使用神经网络进行欺诈模式检测的工作，目前正在使用ML技术进行信号分类。 感谢我的妻子和孩子们，尤其感谢他们在我写这本书时表现出的耐心。感谢本书的审稿人，他们让这项工作更专业化。感谢Marcos Boaglio，他安装调试了设备，以使我能完成这本书。

网友热评

Akihi: 辣鸡，毫无用处。 严重缺少必要的注释与应有的描述。相比网上官方文档来说没有丝毫的优势。 amnesia: 本书给出tensorflow实战程序，但基础部分讲的太差。总共十章其中四章都在讲神经网络，重视tensorflow神经网络深度学习 INT J NEURAL SYST 6.333 1区(E) IEEE T NEUR NET LEAR 6.108 1区 NEURAL NETWORKS 5.287 2区 J MACH LEARN RES 5.000 2区(E) NEUROCOMPUTING 3.317 2区(E) NEURAL COMPUT APPL 2.505 3区(E) NEURAL COMPUT 1.938 3区 MACH LEARN 1.848 3区 Yablon: 对tensorflow的用法有很好的介绍。

图书目录

第1章　探索和转换数据1 1.1　TensorFlow的主要数据结构— 张量1 1.1.1　张量的属性—阶、形状和 类型1 1.1.2　创建新的张量3 1.1.3　动手工作—与TensorFlow 交互4 1.2　处理计算工作流—TensorFlow 的数据流图5 1.2.1　建立计算图5 1.2.2　数据供给6 1.2.3　变量6 1.2.4　保存数据流图6 1.3　运行我们的程序—会话8 1.4　基本张量方法8 1.4.1　简单矩阵运算8 1.4.2　序列11 1.4.3　张量形状变换12 1.4.4　数据流结构和结果可视化— TensorBoard14 1.5　从磁盘读取信息18 1.5.1　列表格式—CSV18 1.5.2　读取图像数据19 1.5.3　加载和处理图像20 1.5.4　读取标准TensorFlow格式21 1.6　小结21 第2章　聚类22 2.1　从数据中学习—无监督学习22 2.2　聚类的概念22 2.3　k均值23 2.3.1　k均值的机制23 2.3.2　算法迭代判据23 2.3.3　k均值算法拆解24 2.3.4　k均值的优缺点25 2.4　k最近邻25 2.4.1　k最近邻算法的机制26 2.4.2　k-nn的优点和缺点26 2.5　有用的库和使用示例27 2.5.1　matplotlib绘图库27 2.5.2　scikit-learn数据集模块28 2.5.3　人工数据集类型28 2.6　例1—对人工数据集的k均值 聚类29 2.6.1　数据集描述和加载29 2.6.2　模型架构30 2.6.3　损失函数描述和优化循环31 2.6.4　停止条件31 2.6.5　结果描述31 2.6.6　每次迭代中的质心变化32 2.6.7　完整源代码32 2.6.8　k均值用于环状数据集34 2.7　例2—对人工数据集使用最近 邻算法36 2.7.1　数据集生成36 2.7.2　模型结构36 2.7.3　损失函数描述37 2.7.4　停止条件37 2.7.5　结果描述37 2.7.6　完整源代码37 2.8　小结39 第3章　线性回归40 3.1　单变量线性模型方程40 3.2　选择损失函数41 3.3　最小化损失函数42 3.3.1　最小方差的全局最小值42 3.3.2　迭代方法：梯度下降42 3.4　示例部分43 3.4.1　TensorFlow中的优化方法— 训练模块43 3.4.2　tf.train.Optimizer类43 3.4.3　其他Optimizer实例类型44 3.5　例1—单变量线性回归44 3.5.1　数据集描述45 3.5.2　模型结构45 3.5.3　损失函数描述和Optimizer46 3.5.4　停止条件48 3.5.5　结果描述48 3.5.6　完整源代码49 3.6　例2—多变量线性回归51 3.6.1　有用的库和方法51 3.6.2　Pandas库51 3.6.3　数据集描述51 3.6.4　模型结构53 3.6.5　损失函数和Optimizer54 3.6.6　停止条件55 3.6.7　结果描述55 3.6.8　完整源代码56 3.7　小结57 第4章　逻辑回归58 4.1　问题描述58 4.2　Logistic函数的逆函数—Logit 函数59 4.2.1　伯努利分布59 4.2.2　联系函数60 4.2.3　Logit函数60 4.2.4　对数几率函数的逆函数— Logistic函数60 4.2.5　多类分类应用—Softmax 回归62 4.3　例1—单变量逻辑回归64 4.3.1　有用的库和方法64 4.3.2　数据集描述和加载65 4.3.3　模型结构67 4.3.4　损失函数描述和优化器 循环67 4.3.5　停止条件68 4.3.6　结果描述68 4.3.7　完整源代码69 4.3.8　图像化表示71 4.4　例2—基于skflow单变量逻辑 回归72 4.4.1　有用的库和方法72 4.4.2　数据集描述72 4.4.3　模型结构72 4.4.4　结果描述73 4.4.5　完整源代码74 4.5　小结74 第5章　简单的前向神经网络75 5.1　基本概念75 5.1.1　人工神经元75 5.1.2　神经网络层76 5.1.3　有用的库和方法78 5.2　例1—非线性模拟数据 回归79 5.2.1　数据集描述和加载79 5.2.2　数据集预处理80 5.2.3　模型结构—损失函数 描述80 5.2.4　损失函数优化器80 5.2.5　准确度和收敛测试80 5.2.6　完整源代码80 5.2.7　结果描述81 5.3　例2—通过非线性回归，对 汽车燃料效率建模82 5.3.1　数据集描述和加载82 5.3.2　数据预处理83 5.3.3　模型架构83 5.3.4　准确度测试84 5.3.5　结果描述84 5.3.6　完整源代码84 5.4　例3—多类分类：葡萄酒 分类86 5.4.1　数据集描述和 加载86 5.4.2　数据集预处理86 5.4.3　模型架构87 5.4.4　损失函数描述87 5.4.5　损失函数优化器87 5.4.6　收敛性测试88 5.4.7　结果描述88 5.4.8　完整源代码88 5.5　小结89 第6章　卷积神经网络90 6.1　卷积神经网络的起源90 6.1.1　卷积初探90 6.1.2　降采样操作—池化95 6.1.3　提高效率—dropout 操作98 6.1.4　卷积类型层构建办法99 6.2　例1—MNIST数字分类100 6.2.1　数据集描述和加载100 6.2.2　数据预处理102 6.2.3　模型结构102 6.2.4　损失函数描述103 6.2.5　损失函数优化器103 6.2.6　准确性测试103 6.2.7　结果描述103 6.2.8　完整源代码104 6.3　例2—CIFAR10数据集的图像 分类106 6.3.1　数据集描述和加载107 6.3.2　数据集预处理107 6.3.3　模型结构108 6.3.4　损失函数描述和 优化器108 6.3.5　训练和准确性测试108 6.3.6　结果描述108 6.3.7　完整源代码109 6.4　小结110 第7章　循环神经网络和LSTM111 7.1　循环神经网络111 7.1.1　梯度爆炸和梯度消失112 7.1.2　LSTM神经网络112 7.1.3　其他RNN结构116 7.1.4　TensorFlowLSTM有用的类和 方法116 7.2　例1—能量消耗、单变量时间序 列数据预测117 7.2.1　数据集描述和加载117 7.2.2　数据预处理118 7.2.3　模型结构119 7.2.4　损失函数描述121 7.2.5　收敛检测121 7.2.6　结果描述122 7.2.7　完整源代码122 7.3　例2—创作巴赫风格的 曲目125 7.3.1　字符级模型125 7.3.2　字符串序列和概率表示126 7.3.3　使用字符对音乐编码— ABC音乐格式126 7.3.4　有用的库和方法128 7.3.5　数据集描述和加载129 7.3.6　网络训练129 7.3.7　数据集预处理130 7.3.8　损失函数描述131 7.3.9　停止条件131 7.3.10　结果描述131 7.3.11　完整源代码132 7.4　小结137 第8章　深度神经网络138 8.1　深度神经网络的定义138 8.2　深度网络结构的历史变迁138 8.2.1　LeNet5138 8.2.2　Alexnet139 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　残差网络（ResNet）142 8.2.8　其他的深度神经网络 结构143 8.3　例子—VGG艺术风格转移143 8.3.1　有用的库和方法143 8.3.2　数据集描述和加载143 8.3.3　数据集预处理144 8.3.4　模型结构144 8.3.5　损失函数144 8.3.6　收敛性测试145 8.3.7　程序执行145 8.3.8　完整源代码146 8.4　小结153 第9章　规模化运行模型—GPU和 服务154 9.1　TensorFlow中的GPU支持154 9.2　打印可用资源和设备参数155 9.2.1　计算能力查询155 9.2.2　选择CPU用于计算156 9.2.3　设备名称156 9.3　例1—将一个操作指派给 GPU156 9.4　例2—并行计算Pi的数值157 9.4.1　实现方法158 9.4.2　源代码158 9.5　分布式TensorFlow159 9.5.1　分布式计算组件159 9.5.2　创建TensorFlow集群160 9.5.3　集群操作—发送计算方法 到任务161 9.5.4　分布式编码结构示例162 9.6　例3—分布式Pi计算163 9.6.1　服务器端脚本163 9.6.2　客户端脚本164 9.7　例4—在集群上运行分布式 模型165 9.8　小结168 第10章　库的安装和其他技巧169 10.1　Linux安装169 10.1.1　安装要求170 10.1.2　Ubuntu安装准备（安装操作的 前期操作）170 10.1.3　Linux下通过pip安装 TensorFlow170 10.1.4　Linux下从源码安装 TensorFlow175 10.2　Windows安装179 10.2.1　经典的Docker工具箱 方法180 10.2.2　安装步骤180 10.3　MacOSX安装183 10.4　小结185