# 零、前言
TensorFlow 是一個開源軟件庫,用于實現機器學習和深度學習系統。
這兩個名稱的后面隱藏著一系列強大的算法,這些算法面臨一個共同的挑戰:使計算機學習如何自動識別復雜的模式并做出最明智的決策。
機器學習算法是有監督的還是無監督的; 盡可能簡化,我們可以說最大的不同是在監督學習中,程序員指示計算機如何做某事,而在無監督學習中,計算機將自己學習所有。
相反,深度學習是機器學習研究的一個新領域,其目的是使機器學習更接近人工智能目標。 這意味著深度學習算法試圖像人腦一樣運作。
為了在這些引人入勝的領域進行研究,Google 團隊開發了 TensorFlow,這是本書的主題。
為了介紹 TensorFlow 的編程功能,我們使用了 Python 編程語言。 Python 有趣且易于使用。 它是一種真正的通用語言,并且正在迅速成為任何自重程序員的必備工具。
本書的目的不是完整地描述所有 TensorFlow 對象和方法。 取而代之的是,我們將介紹重要的系統概念,并引導您盡快高效地學習。 本書的每一章都介紹了 TensorFlow 的不同方面,并附帶了一些反映機器和深度學習的典型問題的編程示例。
盡管 TensorFlow 既龐大又復雜,但一旦您了解其基本設計和編程方法,它的設計便易于使用。
《TensorFlow 入門》的目的是幫助您做到這一點。
享受閱讀!
# 本書涵蓋的內容
第 1 章,“TensorFlow 基本概念”,包含有關 TensorFlow 的結構及其開發問題的一般信息。 它還提供了 Python 語言的基本編程準則以及安裝過程之后的第一個 TensorFlow 工作會話。 本章最后對 TensorBoard 進行了描述,TensorBoard 是用于優化和調試的強大工具。
第 2 章,“使用 TensorFlow 進行數學運算”,描述了 TensorFlow 的數學處理能力。 它涵蓋了基本代數的編程示例,直至偏微分方程。 此外,還解釋了 TensorFlow 中的基本數據結構,即張量。
第 3 章,“機器學習入門”,介紹了一些機器學習模型。 我們開始實現線性回歸算法,該算法與數據之間的建模關系有關。 本章的主要重點是解決機器學習中的兩個基本問題。 分類,即如何將每個新輸入分配給可能的給定類別之一; 數據聚類,這是將一組對象進行分組的任務,以使同一組中的對象比其他組中的對象更相似。
第 4 章,“神經網絡介紹”提供了神經網絡的快速詳細介紹。 這些是代表元件之間的互連的數學模型,即人工神經元。 它們是在某種程度上模仿活神經元特性的數學結構。 神經網絡為深度學習算法的架構奠定了基礎。 然后實現了兩種基本類型的神經網絡:用于分類問題的單層感知機和多層感知機。
第 5 章,“深度學習”概述了深度學習算法。 直到最近幾年,深度學習才收集了幾年前難以想象的大量結果。 我們將展示如何實現兩種基本的深度學習架構,即卷積神經網絡(CNN)和循環神經網絡(RNN),分別用于圖像識別和語音翻譯問題。
第 6 章,“GPU 編程和使用 TensorFlow”,展示了用于 *GPU* 計算的 TensorFlow 工具,并介紹了 *TensorFlow 服務*,一種針對機器學習模型的高性能開源服務系統,該模型針對生產環境而設計,并針對 TensorFlow 進行了優化。
# 這本書需要什么
所有示例均已在 Ubuntu Linux 64 位計算機上使用 Python 版本 2.7 實現,包括 TensorFlow 庫版本 0.7.1。
您還將需要以下 Python 模塊(最好是最新版本):
* 點子
* Bazel
* Matplotlib
* NumPy
* Pandas
# 這本書是給誰的
讀者應該具有編程和數學概念的基礎知識,并且同時希望向您介紹機器和深度學習的主題。 閱讀本書后,您將能夠掌握 TensorFlow 的功能以構建功能強大的應用。
# 約定
在本書中,您將找到許多可以區分不同類型信息的文本樣式。 以下是這些樣式的一些示例,并對其含義進行了解釋。
文本,數據庫表名稱,文件夾名稱,文件名,文件擴展名,路徑名稱,虛擬 URL,用戶輸入和 Twitter 句柄中的代碼字如下所示:“用于流控制的指令為`if`,`for`和 `while`。”
任何命令行輸入或輸出的編寫方式如下:
```py
>>> myvar = 3
>>> myvar += 2
>>> myvar
5
>>> myvar -= 1
>>> myvar
4
```
**新術語**和**重要詞**以粗體顯示。 您在屏幕上看到的字詞,例如在菜單或對話框中的字樣如下所示:“本書中的快捷方式基于`Mac OSX 10.5+`方案。”
### 注意
警告或重要提示會出現在這樣的框中。
### 小費
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