TensorFlow机器学习项目实战+2

内容简介

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。

目录

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 25

2.4.1 k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 损失函数 42

3.3.1 差的全局 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