Python+Tensorflow機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	李鷗著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787302522607	出版時(shí)間：	2019-06-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書通過開發(fā)實(shí)例和項(xiàng)目案例，詳細(xì)介紹TensorFlow 開發(fā)所涉及的主要內(nèi)容。書中的每個(gè)知識(shí)點(diǎn)都通過實(shí)例進(jìn)行通俗易懂的講解，便于讀者輕松掌握有關(guān)TensorFlow 開發(fā)的內(nèi)容和技巧，并能夠得心應(yīng)手地使用TensorFlow 進(jìn)行開發(fā)。本書內(nèi)容共分為11 章，首先介紹TensorFlow 的基本知識(shí)，通過實(shí)例逐步深入地講解線性回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)算法和無監(jiān)督學(xué)習(xí)等常見的機(jī)器學(xué)習(xí)算法模型。然后通過TensorFlow 在自然語言文本處理、語音識(shí)別、圖形識(shí)別和人臉識(shí)別等方面的成功應(yīng)用講解TensorFlow 的實(shí)際開發(fā)過程。本書適合有一定Python 基礎(chǔ)的工程師閱讀；對(duì)于有一定基礎(chǔ)的讀者，可通過本書快速地將TensorFlow 應(yīng)用到實(shí)際開發(fā)中；對(duì)于高等院校的學(xué)生和培訓(xùn)機(jī)構(gòu)的學(xué)員，本書也是入門和實(shí)踐機(jī)器學(xué)習(xí)的優(yōu)秀教材。

作者簡(jiǎn)介

　　李鷗，計(jì)算機(jī)科學(xué)碩士，曾就職支f寶，現(xiàn)任職某央企研究院。致力于人工智能的研究，對(duì)機(jī)器學(xué)習(xí)的原理、開發(fā)框架及其在不同場(chǎng)景中的應(yīng)用有濃烈興趣，在圖形識(shí)別、文本識(shí)別、語音識(shí)別、數(shù)據(jù)挖掘方面有豐富實(shí)踐經(jīng)驗(yàn)，參與基于機(jī)器學(xué)習(xí)的用戶行為分析及某省部級(jí)項(xiàng)目研究。

圖書目錄

目錄
第1章　機(jī)器學(xué)習(xí)概述
1.1　人工智能    1
1.2　機(jī)器學(xué)習(xí)    2
1.2.1　機(jī)器學(xué)習(xí)的發(fā)展    2
1.2.2　機(jī)器學(xué)習(xí)的分類    3
1.2.3　機(jī)器學(xué)習(xí)的經(jīng)典算法    4
1.2.4　機(jī)器學(xué)習(xí)入門    6
1.3　TensorFlow簡(jiǎn)介    6
1.3.1　主流框架的對(duì)比    7
1.3.2　TensorFlow的發(fā)展    9
1.3.3　使用TensorFlow的公司    10
1.4　TensorFlow環(huán)境準(zhǔn)備    10
1.4.1　Windows環(huán)境    11
1.4.2　Linux環(huán)境    21
1.4.3　Mac OS環(huán)境    22
1.5　常用的第三方模塊    22
1.6　本章小結(jié)       23
第2章　TensorFlow基礎(chǔ)
2.1　TensorFlow基礎(chǔ)框架    24
2.1.1　系統(tǒng)框架    24
2.1.2　系統(tǒng)的特性    26
2.1.3　編程模型    27
2.1.4　編程特點(diǎn)    28
2.2　TensorFlow源代碼結(jié)構(gòu)分析    30
2.2.1　源代碼下載    30
2.2.2　TensorFlow目錄結(jié)構(gòu)    30
2.2.3　重點(diǎn)目錄    31
2.3　TensorFlow基本概念    33
2.3.1　Tensor    33
2.3.2　Variable    34
2.3.3　Placeholder    35
2.3.4　Session    36
2.3.5 Operation    36
2.3.6　Queue    37
2.3.7　QueueRunner    38
2.3.8　Coordinator    39
2.4　個(gè)TensorFlow示例    40
2.4.1　典型應(yīng)用    41
2.4.2　運(yùn)行TensorFlow示例    43
2.5　TensorBoard可視化    45
2.5.1　SCALARS面板    45
2.5.2　GRAPHS面板    47
2.5.3　IMAGES面板    48
2.5.4　AUDIO面板    49
2.5.5　DISTRIBUTIONS面板    49
2.5.6　HISTOGRAMS面板    49
2.5.7　PROJECTOR面板   50
2.6　本章小結(jié)       50
第3章　TensorFlow進(jìn)階
3.1　加載數(shù)據(jù)       51
3.1.1　預(yù)加載數(shù)據(jù)    51
3.1.2　填充數(shù)據(jù)    51
3.1.3　從CSV文件讀取數(shù)據(jù)     52
3.1.4　讀取TFRecords數(shù)據(jù)     54
3.2　存儲(chǔ)和加載模型     58
3.2.1　存儲(chǔ)模型     58
3.2.2　加載模型     59
3.3　評(píng)估和優(yōu)化模型     60
3.3.1　評(píng)估指標(biāo)的介紹與使用     60
3.3.2　模型調(diào)優(yōu)的主要方法     61
3.4　本章小結(jié)        63
第4章　線性模型
4.1　常見的線性模型     64
4.2　一元線性回歸     65
4.2.1　生成訓(xùn)練數(shù)據(jù)     65
4.2.2　定義訓(xùn)練模型     66
4.2.3　進(jìn)行數(shù)據(jù)訓(xùn)練     66
4.2.4　運(yùn)行總結(jié)     67
4.3　多元線性回歸     68
4.3.1　二元線性回歸算法簡(jiǎn)介     68
4.3.2　生成訓(xùn)練數(shù)據(jù)     69
4.3.3　定義訓(xùn)練模型     70
4.3.4　進(jìn)行數(shù)據(jù)訓(xùn)練     70
4.3.5　運(yùn)行總結(jié)     70
4.4　邏輯回歸        71
4.4.1　邏輯回歸算法簡(jiǎn)介     71
4.4.2　生成訓(xùn)練數(shù)據(jù)     73
4.4.3　定義訓(xùn)練模型     74
4.4.4　進(jìn)行數(shù)據(jù)訓(xùn)練     74
4.4.5　運(yùn)行總結(jié)     75
4.5　本章小結(jié)        76
第5章　支持向量機(jī)
5.1　支持向量機(jī)簡(jiǎn)介     77
5.1.1　SVM基本型     77
5.1.2　SVM核函數(shù)簡(jiǎn)介     79
5.2　擬合線性回歸     80
5.2.1　生成訓(xùn)練數(shù)據(jù)     80
5.2.2　定義訓(xùn)練模型     81
5.2.3　進(jìn)行數(shù)據(jù)訓(xùn)練     81
5.2.4　運(yùn)行總結(jié)     82
5.3　擬合邏輯回歸     83
5.3.1　生成訓(xùn)練數(shù)據(jù)     83
5.3.2　定義訓(xùn)練模型     84
5.3.3　進(jìn)行數(shù)據(jù)訓(xùn)練     85
5.3.4　運(yùn)行總結(jié)     86
5.4　非線性二值分類     87
5.4.1　生成訓(xùn)練數(shù)據(jù)     87
5.4.2　定義訓(xùn)練模型     88
5.4.3　進(jìn)行數(shù)據(jù)訓(xùn)練     89
5.4.4　運(yùn)行總結(jié)     89
5.5　非線性多類分類     91
5.5.1　生成訓(xùn)練數(shù)據(jù)     91
5.5.2　定義訓(xùn)練模型     92
5.5.3　進(jìn)行數(shù)據(jù)訓(xùn)練     93
5.5.4　運(yùn)行總結(jié)     94
5.6　本章小結(jié)        95
第6章　神經(jīng)網(wǎng)絡(luò)
6.1　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介     96
6.1.1　神經(jīng)元模型     97
6.1.2　神經(jīng)網(wǎng)絡(luò)層    100
6.2　擬合線性回歸問題    102
6.2.1　生成訓(xùn)練數(shù)據(jù)    102
6.2.2　定義神經(jīng)網(wǎng)絡(luò)模型    102
6.2.3　進(jìn)行數(shù)據(jù)訓(xùn)練    103
6.2.4　運(yùn)行總結(jié)    104
6.3　MNIST數(shù)據(jù)集    104
6.3.1　MNIST數(shù)據(jù)集簡(jiǎn)介    105
6.3.2　數(shù)據(jù)集圖片文件    105
6.3.3　數(shù)據(jù)集標(biāo)記文件    106
6.4　全連接神經(jīng)網(wǎng)絡(luò)    106
6.4.1　加載MNIST訓(xùn)練數(shù)據(jù)    106
6.4.2　構(gòu)建神經(jīng)網(wǎng)絡(luò)模型    107
6.4.3　進(jìn)行數(shù)據(jù)訓(xùn)練    108
6.4.4　評(píng)估模型    109
6.4.5　構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型    110
6.4.6　可視化多層神經(jīng)網(wǎng)絡(luò)模型    111
6.5　卷積神經(jīng)網(wǎng)絡(luò)    113
6.5.1　卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介    114
6.5.2　卷積層    115
6.5.3　池化層    119
6.5.4　全連接神經(jīng)網(wǎng)絡(luò)層    121
6.5.5　卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展    121
6.6　通過卷積神經(jīng)網(wǎng)絡(luò)處理MNIST    122
6.6.1　加載MNIST訓(xùn)練數(shù)據(jù)    122
6.6.2　構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型    123
6.6.3　進(jìn)行數(shù)據(jù)訓(xùn)練    127
6.6.4　評(píng)估模型    127
6.7　循環(huán)神經(jīng)網(wǎng)絡(luò)    128
6.7.1　循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介    128
6.7.2　基本循環(huán)神經(jīng)網(wǎng)絡(luò)    129
6.7.3　長(zhǎng)短期記憶網(wǎng)絡(luò)    131
6.7.4　雙向循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介    134
6.8　通過循環(huán)神經(jīng)網(wǎng)絡(luò)處理MNIST    135
6.8.1　加載MNIST訓(xùn)練數(shù)據(jù)    136
6.8.2　構(gòu)建神經(jīng)網(wǎng)絡(luò)模型    136
6.8.3　進(jìn)行數(shù)據(jù)訓(xùn)練及評(píng)估模型    137
6.9　遞歸神經(jīng)網(wǎng)絡(luò)    138
6.9.1　遞歸神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介    138
6.9.2　遞歸神經(jīng)網(wǎng)絡(luò)的應(yīng)用    139
6.10　本章小結(jié)    140
第7章　無監(jiān)督學(xué)習(xí)
7.1　無監(jiān)督學(xué)習(xí)簡(jiǎn)介    141
7.1.1　聚類模型    141
7.1.2　自編碼網(wǎng)絡(luò)模型    142
7.2　K均值聚類    142
7.2.1　K均值聚類算法簡(jiǎn)介    142
7.2.2　K均值聚類算法實(shí)踐    144
7.3　自編碼網(wǎng)絡(luò)    147
7.3.1　自編碼網(wǎng)絡(luò)簡(jiǎn)介    147
7.3.2　自編碼網(wǎng)絡(luò)實(shí)踐    148
7.4　本章小結(jié)       151
第8章　自然語言文本處理
8.1　自然語言文本處理簡(jiǎn)介    152
8.1.1　處理模型的選擇    152
8.1.2　文本映射    153
8.1.3　TensorFlow文本處理的一般步驟    156
8.2　學(xué)寫唐詩(shī)       157
8.2.1　數(shù)據(jù)預(yù)處理    157
8.2.2　生成訓(xùn)練模型    158
8.2.3　評(píng)估模型    160
8.3　智能影評(píng)分類    163
8.3.1　CBOW嵌套模型    163
8.3.2　構(gòu)建影評(píng)分類模型    167
8.3.3　訓(xùn)練評(píng)估影評(píng)分類模型    169
8.4　智能聊天機(jī)器人    170
8.4.1　Attention機(jī)制的Seq2Seq模型    170
8.4.2　數(shù)據(jù)預(yù)處理    173
8.4.3　構(gòu)建智能聊天機(jī)器人模型    174
8.4.4　訓(xùn)練模型    177
8.4.5　評(píng)估模型    179
8.5　本章小結(jié)       180
第9章　語音處理
9.1　語音處理簡(jiǎn)介    181
9.1.1　語音識(shí)別模型    181
9.1.2　語音合成模型    183
9.2　聽懂?dāng)?shù)字       183
9.2.1　數(shù)據(jù)預(yù)處理    184
9.2.2　構(gòu)建識(shí)別模型    185
9.2.3　訓(xùn)練模型    185
9.2.4　評(píng)估模型    185
9.3　聽懂中文       185
9.3.1　數(shù)據(jù)預(yù)處理    186
9.3.2　構(gòu)建識(shí)別模型    188
9.3.3　訓(xùn)練模型    191
9.3.4　評(píng)估模型    191
9.4　語音合成       192
9.4.1　Tacotron模型    192
9.4.2　編碼器模塊    193
9.4.3　解碼器模塊    196
9.4.4　后處理模塊    197
9.5　本章小結(jié)       197
第10章　圖像處理
10.1　機(jī)器學(xué)習(xí)的圖像處理簡(jiǎn)介    198
10.1.1　圖像修復(fù)    198
10.1.2　圖像物體識(shí)別與檢測(cè)    199
10.1.3　圖像問答    201
10.2　圖像物體識(shí)別    201
10.2.1　數(shù)據(jù)預(yù)處理    201
10.2.2　生成訓(xùn)練模型    203
10.2.3　訓(xùn)練模型    205
10.2.4　評(píng)估模型    206
10.3　圖片驗(yàn)證碼識(shí)別    208
10.3.1　驗(yàn)證碼的生成    208
10.3.2　數(shù)據(jù)預(yù)處理    209
10.3.3　生成訓(xùn)練模型    211
10.3.4　訓(xùn)練模型    212
10.3.5　評(píng)估模型    213
10.4　圖像物體檢測(cè)    214
10.4.1　物體檢測(cè)系統(tǒng)    214
10.4.2　物體檢測(cè)系統(tǒng)實(shí)踐    215
10.5　看圖說話    217
10.5.1　看圖說話原理    218
10.5.2　看圖說話模型的構(gòu)建    218
10.5.3　看圖說話模型的訓(xùn)練    220
10.5.4　評(píng)估模型    221
10.6　本章小結(jié)    222
第11章　人臉識(shí)別
11.1　人臉識(shí)別簡(jiǎn)介    223
11.1.1　人臉圖像采集    223
11.1.2　人臉檢測(cè)    224
11.1.3　人臉圖像預(yù)處理    224
11.1.4　人臉關(guān)鍵點(diǎn)檢測(cè)    224
11.1.5　人臉特征提取    224
11.1.6　人臉比對(duì)    225
11.1.7　人臉屬性檢測(cè)    225
11.2　人臉驗(yàn)證    225
11.2.1　數(shù)據(jù)預(yù)處理    226
11.2.2　運(yùn)行FaceNet模型    226
11.2.3　實(shí)現(xiàn)人臉驗(yàn)證    229
11.3　性別和年齡的識(shí)別    231
11.3.1　Adience數(shù)據(jù)集    231
11.3.2　數(shù)據(jù)預(yù)處理    232
11.3.3　生成訓(xùn)練模型    233
11.3.4　訓(xùn)練模型    235
11.3.5　評(píng)估模型    236
11.4　本章小結(jié)    237