TensorFlow机器学习项目实战pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

TensorFlow机器学习项目实战PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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——TensorBoard 14

1.5 从磁盘读取信息 18

1.5.1 列表格式——CSV 18

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Optimizer 46

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Optimizer 54

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LSTM 111

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 TensorFlow LSTM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 LeNet 5 138

8.2.2 Alexnet 139

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GPU 156

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TensorFlow 159

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TensorFlow 170

10.1.4 Linux下从源码安装TensorFlow 175

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 MacOS X安装 183

10.4 小结 185