# 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。