# 零、前言
TensorFlow 是 Python 中最受歡迎的機器學習框架之一。 通過這本書,您將提高對 TensorFlow 最新功能的了解,并能夠使用 Python 執行監督和無監督的機器學習。
# 這本書是給誰的
顧名思義,本書旨在向讀者介紹 TensorFlow 及其最新功能,包括 2.0.0 版以內的 Alpha 版本,包括急切的執行`tf.data`,`tf.keras`,TensorFlow Hub,機器學習, 和神經網絡應用。
本書適用于對機器學習及其應用有所了解的任何人:數據科學家,機器學習工程師,計算機科學家,計算機科學專業的學生和業余愛好者。
# 本書涵蓋的內容
第 1 章,“TensorFlow 2 簡介”,通過查看一些代碼片段(說明一些基本操作)來介紹 TensorFlow。 我們將概述現代 TensorFlow 生態系統,并了解如何安裝 TensorFlow。
第 2 章,“Keras,TensorFlow 2 的高級 API”,介紹了 Keras API,包括一些一般性的評論和見解,其后以四種不同的形式表示了基本架構 MNIST 數據集訓練的方法。
第 3 章,“TensorFlow 2 和 ANN 技術”,探討了許多支持創建和使用神經網絡的技術。 本章將介紹到 ANN 的數據表示,ANN 的層,創建模型,梯度下降算法的梯度計算,損失函數以及保存和恢復模型。
第 4 章,“TensorFlow 2 和監督機器學習”,描述了在涉及線性回歸的兩種情況下使用 TensorFlow 的示例,在這些情況下,特征映射到具有連續值的已知標簽,從而可以進行預測看不見的特征。
第 5 章,“TensorFlow 2 和無監督學習”著眼于自編碼器在無監督學習中的兩種應用:首先用于壓縮數據;其次用于壓縮數據。 第二,用于降噪,換句話說,去除圖像中的噪聲。
第 6 章,“使用 TensorFlow 2 識別圖像”,首先查看 Google Quick Draw 1 圖像數據集,其次查看 CIFAR 10 圖像數據集。
第 7 章,“TensorFlow 2 和神經風格遷移”,說明如何拍攝內容圖像和風格圖像,然后生成混合圖像。 我們將使用經過訓練的 VGG19 模型中的層來完成此任務。
第 8 章,“TensorFlow 2 和循環神經網絡”首先討論了 RNN 的一般原理,然后介紹了如何獲取和準備一些文本以供模型使用。
第 9 章, “TensorFlow 估計器和 TensorFlow Hub”首先介紹了用于訓練時裝數據集的估計器。 我們將看到估計器如何為 TensorFlow 提供簡單直觀的 API。 我們還將研究用于分析電影反饋數據庫 IMDb 的神經網絡。
附錄,“從 tf1.12 轉換為 tf2”包含一些將 tf1.12 文件轉換為 tf2 的技巧。
# 充分利用這本書
假定熟悉 Python 3.6,并且熟悉 Jupyter 筆記本的使用。
本書的編寫是假定讀者比以文本形式出現的冗長文本解釋更高興以代碼段和完整程序的形式給出的解釋,當然,后者以不同的風格出現在本書中。
強烈建議您對機器學習的概念和技術有所了解,但是如果讀者愿意對這些主題進行一些閱讀,則這不是絕對必要的。
# 使用約定
本書中使用了許多文本約定。
`CodeInText`:指示文本,數據庫表名稱,文件夾名稱,文件名,文件擴展名,路徑名,虛擬 URL,用戶輸入和 Twitter 句柄中的代碼字。 這是一個示例:“將下載的`WebStorm-10*.dmg`磁盤映像文件安裝為系統中的另一個磁盤。”
代碼塊設置如下:
```py
image1 = tf.zeros([7, 28, 28, 3]) # example-within-batch by height by width by color
```
當我們希望引起您對代碼塊特定部分的注意時,相關的行或項目以粗體顯示:
```py
r1 = tf.reshape(t2,[2,6]) # 2 rows 6 cols
r2 = tf.reshape(t2,[1,12]) # 1 rows 12 cols
r1
# <tf.Tensor: id=33, shape=(2, 6), dtype=float32,
numpy= array([[ 0., 1., 2., 3., 4., 5.], [ 6., 7., 8., 9., 10., 11.]], dtype=float32)>
```
任何命令行輸入或輸出的編寫方式如下:
```py
var = tf.Variable([3, 3])
```
**粗體**:表示新術語,重要單詞或您在屏幕上看到的單詞。 例如,菜單或對話框中的單詞會出現在這樣的文本中。 這是一個示例:“從管理面板中選擇系統信息。”
警告或重要提示如下所示。
提示和技巧如下所示。
- TensorFlow 1.x 深度學習秘籍
- 零、前言
- 一、TensorFlow 簡介
- 二、回歸
- 三、神經網絡:感知器
- 四、卷積神經網絡
- 五、高級卷積神經網絡
- 六、循環神經網絡
- 七、無監督學習
- 八、自編碼器
- 九、強化學習
- 十、移動計算
- 十一、生成模型和 CapsNet
- 十二、分布式 TensorFlow 和云深度學習
- 十三、AutoML 和學習如何學習(元學習)
- 十四、TensorFlow 處理單元
- 使用 TensorFlow 構建機器學習項目中文版
- 一、探索和轉換數據
- 二、聚類
- 三、線性回歸
- 四、邏輯回歸
- 五、簡單的前饋神經網絡
- 六、卷積神經網絡
- 七、循環神經網絡和 LSTM
- 八、深度神經網絡
- 九、大規模運行模型 -- GPU 和服務
- 十、庫安裝和其他提示
- TensorFlow 深度學習中文第二版
- 一、人工神經網絡
- 二、TensorFlow v1.6 的新功能是什么?
- 三、實現前饋神經網絡
- 四、CNN 實戰
- 五、使用 TensorFlow 實現自編碼器
- 六、RNN 和梯度消失或爆炸問題
- 七、TensorFlow GPU 配置
- 八、TFLearn
- 九、使用協同過濾的電影推薦
- 十、OpenAI Gym
- TensorFlow 深度學習實戰指南中文版
- 一、入門
- 二、深度神經網絡
- 三、卷積神經網絡
- 四、循環神經網絡介紹
- 五、總結
- 精通 TensorFlow 1.x
- 一、TensorFlow 101
- 二、TensorFlow 的高級庫
- 三、Keras 101
- 四、TensorFlow 中的經典機器學習
- 五、TensorFlow 和 Keras 中的神經網絡和 MLP
- 六、TensorFlow 和 Keras 中的 RNN
- 七、TensorFlow 和 Keras 中的用于時間序列數據的 RNN
- 八、TensorFlow 和 Keras 中的用于文本數據的 RNN
- 九、TensorFlow 和 Keras 中的 CNN
- 十、TensorFlow 和 Keras 中的自編碼器
- 十一、TF 服務:生產中的 TensorFlow 模型
- 十二、遷移學習和預訓練模型
- 十三、深度強化學習
- 十四、生成對抗網絡
- 十五、TensorFlow 集群的分布式模型
- 十六、移動和嵌入式平臺上的 TensorFlow 模型
- 十七、R 中的 TensorFlow 和 Keras
- 十八、調試 TensorFlow 模型
- 十九、張量處理單元
- TensorFlow 機器學習秘籍中文第二版
- 一、TensorFlow 入門
- 二、TensorFlow 的方式
- 三、線性回歸
- 四、支持向量機
- 五、最近鄰方法
- 六、神經網絡
- 七、自然語言處理
- 八、卷積神經網絡
- 九、循環神經網絡
- 十、將 TensorFlow 投入生產
- 十一、更多 TensorFlow
- 與 TensorFlow 的初次接觸
- 前言
- 1.?TensorFlow 基礎知識
- 2. TensorFlow 中的線性回歸
- 3. TensorFlow 中的聚類
- 4. TensorFlow 中的單層神經網絡
- 5. TensorFlow 中的多層神經網絡
- 6. 并行
- 后記
- TensorFlow 學習指南
- 一、基礎
- 二、線性模型
- 三、學習
- 四、分布式
- TensorFlow Rager 教程
- 一、如何使用 TensorFlow Eager 構建簡單的神經網絡
- 二、在 Eager 模式中使用指標
- 三、如何保存和恢復訓練模型
- 四、文本序列到 TFRecords
- 五、如何將原始圖片數據轉換為 TFRecords
- 六、如何使用 TensorFlow Eager 從 TFRecords 批量讀取數據
- 七、使用 TensorFlow Eager 構建用于情感識別的卷積神經網絡(CNN)
- 八、用于 TensorFlow Eager 序列分類的動態循壞神經網絡
- 九、用于 TensorFlow Eager 時間序列回歸的遞歸神經網絡
- TensorFlow 高效編程
- 圖嵌入綜述:問題,技術與應用
- 一、引言
- 三、圖嵌入的問題設定
- 四、圖嵌入技術
- 基于邊重構的優化問題
- 應用
- 基于深度學習的推薦系統:綜述和新視角
- 引言
- 基于深度學習的推薦:最先進的技術
- 基于卷積神經網絡的推薦
- 關于卷積神經網絡我們理解了什么
- 第1章概論
- 第2章多層網絡
- 2.1.4生成對抗網絡
- 2.2.1最近ConvNets演變中的關鍵架構
- 2.2.2走向ConvNet不變性
- 2.3時空卷積網絡
- 第3章了解ConvNets構建塊
- 3.2整改
- 3.3規范化
- 3.4匯集
- 第四章現狀
- 4.2打開問題
- 參考
- 機器學習超級復習筆記
- Python 遷移學習實用指南
- 零、前言
- 一、機器學習基礎
- 二、深度學習基礎
- 三、了解深度學習架構
- 四、遷移學習基礎
- 五、釋放遷移學習的力量
- 六、圖像識別與分類
- 七、文本文件分類
- 八、音頻事件識別與分類
- 九、DeepDream
- 十、自動圖像字幕生成器
- 十一、圖像著色
- 面向計算機視覺的深度學習
- 零、前言
- 一、入門
- 二、圖像分類
- 三、圖像檢索
- 四、對象檢測
- 五、語義分割
- 六、相似性學習
- 七、圖像字幕
- 八、生成模型
- 九、視頻分類
- 十、部署
- 深度學習快速參考
- 零、前言
- 一、深度學習的基礎
- 二、使用深度學習解決回歸問題
- 三、使用 TensorBoard 監控網絡訓練
- 四、使用深度學習解決二分類問題
- 五、使用 Keras 解決多分類問題
- 六、超參數優化
- 七、從頭開始訓練 CNN
- 八、將預訓練的 CNN 用于遷移學習
- 九、從頭開始訓練 RNN
- 十、使用詞嵌入從頭開始訓練 LSTM
- 十一、訓練 Seq2Seq 模型
- 十二、深度強化學習
- 十三、生成對抗網絡
- TensorFlow 2.0 快速入門指南
- 零、前言
- 第 1 部分:TensorFlow 2.00 Alpha 簡介
- 一、TensorFlow 2 簡介
- 二、Keras:TensorFlow 2 的高級 API
- 三、TensorFlow 2 和 ANN 技術
- 第 2 部分:TensorFlow 2.00 Alpha 中的監督和無監督學習
- 四、TensorFlow 2 和監督機器學習
- 五、TensorFlow 2 和無監督學習
- 第 3 部分:TensorFlow 2.00 Alpha 的神經網絡應用
- 六、使用 TensorFlow 2 識別圖像
- 七、TensorFlow 2 和神經風格遷移
- 八、TensorFlow 2 和循環神經網絡
- 九、TensorFlow 估計器和 TensorFlow HUB
- 十、從 tf1.12 轉換為 tf2
- TensorFlow 入門
- 零、前言
- 一、TensorFlow 基本概念
- 二、TensorFlow 數學運算
- 三、機器學習入門
- 四、神經網絡簡介
- 五、深度學習
- 六、TensorFlow GPU 編程和服務
- TensorFlow 卷積神經網絡實用指南
- 零、前言
- 一、TensorFlow 的設置和介紹
- 二、深度學習和卷積神經網絡
- 三、TensorFlow 中的圖像分類
- 四、目標檢測與分割
- 五、VGG,Inception,ResNet 和 MobileNets
- 六、自編碼器,變分自編碼器和生成對抗網絡
- 七、遷移學習
- 八、機器學習最佳實踐和故障排除
- 九、大規模訓練
- 十、參考文獻