TensorFlow机器学习项目实战 作者:[阿根廷] Rodolfo Bonnin

TensorFlow机器学习项目实战 作者:[阿根廷] Rodolfo Bonnin

TensorFlow机器学习项目实战 出版社:人民邮电出版社

TensorFlow机器学习项目实战 内容简介

TensorFlow机器学习项目实战 目录

TensorFlow机器学习项目实战 精彩文摘

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。《TensorFlow机器学习项目实战》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。《TensorFlow机器学习项目实战》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。《TensorFlow机器学习项目实战》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。前言第1章 探索和转换数据1.1 TensorFlow的主要数据结构——张量1.2 处理计算工作流——TensorFlow的数据流图1.3 运行我们的程序——会话1.4 基本张量方法1.5 从磁盘读取信息1.6 小结第2章 聚类2.1 从数据中学习——无监督学习2.2 聚类的概念2.3 k均值2.4 k最近邻2.5 有用的库和使用示例2.6 例1——对人工数据集的k均值聚类2.7 例2——对人工数据集使用最近邻算法2.8 小结第3章 线性回归3.1 单变量线性模型方程3.2 选择损失函数3.3 最小化损失函数3.4 示例部分3.5 例1——单变量线性回归3.6 例2——多变量线性回归3.7 小结第4章 逻辑回归4.1 问题描述4.2 Logistic函数的逆函数——Logit函数4.3 例1——单变量逻辑回归4.4 例2——基于skflow单变量逻辑回归4.5 小结第5章 简单的前向神经网络5.1 基本概念5.2 例1——非线性模拟数据回归5.3 例2——通过非线性回归,对汽车燃料效率建模5.4 例3——多类分类:葡萄酒分类5.5 小结第6章 卷积神经网络6.1 卷积神经网络的起源6.2 例1——MNIST数字分类6.3 例2——CIFAR10数据集的图像分类6.4 小结第7章 循环神经网络和LSTM7.1 循环神经网络7.2 例1——能量消耗、单变量时间序列数据预测7.3 例2——创作巴赫风格的曲目7.4 小结第8章 深度神经网络8.1 深度神经网络的定义8.2 深度网络结构的历史变迁8.3 例子——VGG艺术风格转移8.4 小结第9章 规模化运行模型——GPU和服务9.1 TensorFlow中的GPU支持9.2 打印可用资源和设备参数9.3 例1——将一个操作指派给GPU9.4 例2——并行计算Pi的数值9.5 分布式TensorFlow9.6 例3——分布式Pi计算9.7 例4——在集群上运行分布式模型9.8 小结第10章 库的安装和其他技巧10.1 Linux安装10.2 Windows安装10.3 MacOS X安装10.4 小结TensorFlow是一个开源软件库,用于使用数据流图进行数值计算。图中的节点表示数学运算,而图边表示在它们之间传递的多维数据数组(张量,tensor)。该库包括各种功能,使你能够实现和探索用于图像和文本处理的前沿卷积神经网络(CNN)和循环神经网络(RNN)架构。由于复杂计算以图形的形式表示,TensorFlow可以用作一个框架,使你能够轻松开发自己的模型,并在机器学习领域中使用它们。它还能够在最不同的环境中运行,从CPU到移动处理器,包括高度并行的GPU计算,并且新的服务架构能够运行所有命名选项的非常复杂的混合,见表1-1。TensorFlow基于张量数据管理。张量是数学领域的概念,并且被开发为向量和矩阵的线性代数项的泛化。具体到TensorFlow中,一个张量就是一个张量类的实例,是绑定了相关运算的一个特定类型的多维数组。之前已经介绍过,TensorFlow使用张量数据结构来表征所有的数据。所有的张量都有一个静态的类型和动态的维数。所以你能够实时地改变一个张量的内部结构。张量的另一个属性就是只有张量类型的对象才能在计算图的节点中传递。我们开始来讨论张量的其他属性(从此处开始,我们所有说的张量都是TensorFlow中的张量对象)。张量的阶(rank)表征了张量的维度,但是跟矩阵的秩(rank)不一样。它表示张量的维度的质量。阶为1的张量等价于向量,阶为2的向量等价于矩阵。对于一个阶为2的张量,通过t[i, j]就能获取它的每个元素。对于一个阶为3的张量,需要通过t[i, j, k]进行寻址,以此类推,见表1-2。张量的阶(rank)表征了张量的维度,但是跟矩阵的秩(rank)不一样。它表示张量的维度的质量。阶为1的张量等价于向量,阶为2的向量等价于矩阵。对于一个阶为2的张量,通过t[i, j]就能获取它的每个元素。对于一个阶为3的张量,需要通过t[i, j, k]进行寻址,以此类推,见表1-2。TensorFlow文档使用三个术语来描述张量的维度:阶(rank),形状(shape)和维数(dimension number)。表1-3展示了它们彼此之间的关系。图1-1的例子中,我们创建了一个三阶张量,并打印出它的形状。除了维度,张量还有一个确定的数据类型。你可以把表1-4中的任意一个类型指派给向量。我们既可以创建我们自己的张量,也可以从著名的Python库numpy中继承。下面的例子中,我们创建了一些numpy数组,并对它们进行了简单的数学操作:import tensorflow as tfimport numpy as npx = tf.constant(np.random.rand(32).astype(np.float32))y= tf.constant ([1,2,3])

类似文章

发表评论

您的电子邮箱地址不会被公开。