TensorFlow机器学习项目实战 pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:人民邮电出版社

作者:【阿根廷】Rodolfo Bonnin

出品人:异步图书

页数:0

译者:姚鹏鹏

出版时间:2017-11

价格:0

装帧:

isbn号码:9787115463623

丛书系列:

图书标签:

机器学习
TensorFlow
异步社区
人工智能
计算科学
编程
经典
理工
TensorFlow
机器学习
深度学习
项目实战
Python
数据分析
神经网络
计算机视觉
自然语言处理
模型部署

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到小美书屋

book.quotespace.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

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。

本书主要介绍如何使用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。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。

本书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。

作者简介

Rodolfo Bonnin是一名系统工程师，同时也是阿根廷国立理工大学的博士生。他还在德国斯图加特大学进修过并行编程和图像理解的研究生课程。

他从2005年开始研究高性能计算，并在2008年开始研究和实现卷积神经网络，编写过一个同时支持CPU和GPU的神经网络前馈部分。最近，他一直在进行使用神经网络进行欺诈模式检测的工作，目前正在使用ML技术进行信号分类。

感谢我的妻子和孩子们，尤其感谢他们在我写这本书时表现出的耐心。感谢本书的审稿人，他们让这项工作更专业化。感谢Marcos Boaglio，他安装调试了设备，以使我能完成这本书。

目录信息

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
· · · · · · (收起)

读后感

评分☆☆☆☆☆

给的代码存在很多省略，每段示例代码都默认假设你运行过之前的代码，一些变量也要照着之前的再赋值一遍，各种包导入省略不写，高度怀疑作者是写了几个大程序，然后随意抽出几片来写书的。另外明明是介绍 tf 的书，大片篇幅在写 numpy 质量的其他库，结果只用了个 tf.Session。...

评分☆☆☆☆☆

用户评价

评分☆☆☆☆☆

我必须强调一下这本书在对新兴技术趋势的捕捉和整合能力上的强大功力。它显然不是那种出版后就与时代脱节的旧作，而是紧密跟踪着领域内的最新动态。对于那些希望走在技术前沿的实践者而言，这本书提供了一个极好的观察窗口。它对一些最新的模型架构的介绍，不仅仅是停留在“是什么”的层面，更深入地探讨了“为什么现在是这样”以及“未来可能如何演变”。这种前瞻性的视角，让读者在学习现有技术的同时，也获得了对未来发展方向的战略性思考能力。这本书的价值，并不仅在于教会你当下的技术，更在于为你未来的学习和研究指明方向，提供了一张高质量的路线图。

评分☆☆☆☆☆

我必须承认，这本书的理论深度令人印象深刻，它并没有流于表面地介绍那些时髦的API用法，而是花了大篇幅去剖析每一个核心算法背后的数学基础和设计哲学。尤其是在讲解梯度下降及其变体的部分，作者没有采用那种敷衍了事的描述，而是通过严谨的推导和清晰的例子，将“为什么这么做”彻底阐明，这对于想要真正掌握机器学习而非仅仅会“调包”的工程师来说，简直是如获至宝。这种对“知其所以然”的追求，使得阅读过程充满了智力上的挑战和满足感。每当攻克一个难啃的理论点，那种豁然开朗的感觉，是其他很多浮于表面的教程无法给予的。这本书无疑为那些渴望建立坚实理论基石的读者，铺设了一条最可靠的路径。

评分☆☆☆☆☆

这本书的排版和设计简直是视觉盛宴，那种沉稳中带着一丝科技感的封面设计，光是拿在手里就让人感觉自己握住了通往未来知识的钥匙。内页的纸张质感也相当出色，阅读起来眼睛非常舒适，即使是长时间面对复杂的代码和图表，也不会感到疲惫。更值得称赞的是，作者在内容结构上的匠心独运，章节之间的逻辑衔接如同精密的齿轮咬合，层层递进，引导着初学者平稳地攀登技术高峰，而对于有一定基础的读者，也能在细微之处发现作者对细节的把握和对底层原理的深刻洞察。随书附带的那些精心制作的图示，将抽象的数学概念和复杂的算法流程可视化得淋漓尽致，极大地降低了理解门槛，让人不得不佩服作者在信息传达效率上的高超技巧。这本书的整体阅读体验，已经超越了一本技术手册的范畴，更像是一次精心策划的知识探险之旅，让人沉浸其中，流连忘返。

评分☆☆☆☆☆

从实用性的角度来看，这本书的实战案例设计得非常巧妙且贴近业界前沿。它没有堆砌那些已经被淘汰的“玩具”数据集，而是选取了一系列具有实际商业价值和技术挑战性的场景。代码示例的规范性和可复现性做得非常到位，每一个代码块似乎都经过了严密的测试和打磨，可以直接拿来作为项目的基础框架进行二次开发。我特别欣赏作者在处理模型部署和性能优化方面的章节，这部分往往是许多教材避而不谈的“深水区”，但这本书却毫不避讳地深入探讨了如何将实验室的模型转化为生产力，其中关于分布式训练的策略介绍，更是充满了实战智慧。读完这些章节，我感觉自己从一个“模型训练师”升级成了一个“端到端解决方案构建者”。

评分☆☆☆☆☆

这本书的语言风格真是独树一帜，它既有学术著作的严谨，又不像某些教科书那样冷冰冰、拒人于千里之外。作者似乎总能找到一种恰到好处的平衡点，用一种略带幽默却又无比精准的笔触来引导读者。在处理一些容易引起混淆的概念时，作者总能妙语连珠地插入一些生活化的类比，瞬间将复杂的抽象概念拉到我们熟悉的语境中。这种充满人文关怀的叙事方式，极大地缓解了技术学习的枯燥感。它不像是在读一本冰冷的工具书，更像是在听一位经验丰富的前辈，在壁炉旁，循循善诱地分享他的毕生所学和踩过的“坑”。这种亲切感，无疑是保持阅读动力的重要因素。

评分☆☆☆☆☆

辣鸡，毫无用处。严重缺少必要的注释与应有的描述。相比网上官方文档来说没有丝毫的优势。

评分☆☆☆☆☆

基础入门还可以，但是不深入

评分☆☆☆☆☆

本书给出tensorflow实战程序，但基础部分讲的太差。总共十章其中四章都在讲神经网络，重视tensorflow神经网络深度学习 INT J NEURAL SYST 6.333 1区(E) IEEE T NEUR NET LEAR 6.108 1区 NEURAL NETWORKS 5.287 2区 J MACH LEARN RES 5.000 2区(E) NEUROCOMPUTING 3.317 2区(E) NEURAL COMPUT APPL 2.505 3区(E) NEURAL COMPUT 1.938 3区 MACH LEARN 1.848 3区

评分☆☆☆☆☆

辣鸡，毫无用处。严重缺少必要的注释与应有的描述。相比网上官方文档来说没有丝毫的优势。

评分☆☆☆☆☆

对tensorflow的用法有很好的介绍。