PYTHON+TENSORFLOW机器学习实战

很系统：讲解19种机器学习经典算法，依次击破重难点 很图示：书中包括113张图解说明，方便读者理解 很实用：囊括文本识别、语音识别、图形识别、人脸认识等 很实战：31个实例、13个案例，详解TensorFlow机器学习

《Python+TensorFlow机器学习实战》通过开发实例和项目案例，详细介绍TensorFlow开发所涉及的主要内容。书中的每个知识点都通过实例进行通俗易懂的讲解，便于读者轻松掌握有关TensorFlow开发的内容和技巧，并能够得心应手地使用TensorFlow进行开发。 《Python+TensorFlow机器学习实战》内容共分为11章，首先介绍TensorFlow的基本知识，通过实例逐步深入地讲解线性回归、支持向量机、神经网络算法和无监督学习等常见的机器学习算法模型。然后通过TensorFlow在自然语言文本处理、语音识别、图形识别和人脸识别等方面的成功应用讲解TensorFlow的实际开发过程。 《Python+TensorFlow机器学习实战》适合有一定Python基础的工程师阅读；对于有一定基础的读者，可通过《Python+TensorFlow机器学习实战》快速地将TensorFlow应用到实际开发中；对于高等院校的学生和培训机构的学员，《Python+TensorFlow机器学习实战》也是入门和实践机器学习的优秀教材。 《Python+TensorFlow机器学习实战》对应的电子课件和实例源代码可以到http://www.tupwk.com.cn/downpage下载，也可通过扫描前言中的二维码下载。

李鸥，计算机科学硕士，曾就职支付宝，现任职某央企研究院。致力于人工智能的研究，对机器学习的原理、开发框架及其在不同场景中的应用有浓烈兴趣，在图形识别、文本识别、语音识别、数据挖掘方面有丰富实践经验，参与基于机器学习的用户行为分析及某省部级项目研究。

第1章  机器学习概述 1.1  人工智能 1 1.2  机器学习 2 1.2.1  机器学习的发展 2 1.2.2  机器学习的分类 3 1.2.3  机器学习的经典算法 4 1.2.4  机器学习入门 6 1.3  TensorFlow简介 6 1.3.1  主流框架的对比 7 1.3.2  TensorFlow的发展 9 1.3.3  使用TensorFlow的公司 10 1.4  TensorFlow环境准备 10 1.4.1  Windows环境 11 1.4.2  Linux环境 21 1.4.3  Mac OS环境 22 1.5  常用的第三方模块 22 1.6  本章小结 23 第2章  TensorFlow基础 2.1  TensorFlow基础框架 24 2.1.1  系统框架 24 2.1.2  系统的特性 26 2.1.3  编程模型 27 2.1.4  编程特点 28 2.2  TensorFlow源代码结构分析 30 2.2.1  源代码下载 30 2.2.2  TensorFlow目录结构 30 2.2.3  重点目录 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  第一个TensorFlow示例 40 2.4.1  典型应用 41 2.4.2  运行TensorFlow示例 43 2.5  TensorBoard可视化 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  本章小结 50 第3章  TensorFlow进阶 3.1  加载数据 51 3.1.1  预加载数据 51 3.1.2  填充数据 51 3.1.3  从CSV文件读取数据 52 3.1.4  读取TFRecords数据 54 3.2  存储和加载模型 58 3.2.1  存储模型 58 3.2.2  加载模型 59 3.3  评估和优化模型 60 3.3.1  评估指标的介绍与使用 60 3.3.2  模型调优的主要方法 61 3.4  本章小结 63 第4章  线性模型 4.1  常见的线性模型 64 4.2  一元线性回归 65 4.2.1  生成训练数据 65 4.2.2  定义训练模型 66 4.2.3  进行数据训练 66 4.2.4  运行总结 67 4.3  多元线性回归 68 4.3.1  二元线性回归算法简介 68 4.3.2  生成训练数据 69 4.3.3  定义训练模型 70 4.3.4  进行数据训练 70 4.3.5  运行总结 70 4.4  逻辑回归 71 4.4.1  逻辑回归算法简介 71 4.4.2  生成训练数据 73 4.4.3  定义训练模型 74 4.4.4  进行数据训练 74 4.4.5  运行总结 75 4.5  本章小结 76 第5章  支持向量机 5.1  支持向量机简介 77 5.1.1  SVM基本型 77 5.1.2  SVM核函数简介 79 5.2  拟合线性回归 80 5.2.1  生成训练数据 80 5.2.2  定义训练模型 81 5.2.3  进行数据训练 81 5.2.4  运行总结 82 5.3  拟合逻辑回归 83 5.3.1  生成训练数据 83 5.3.2  定义训练模型 84 5.3.3  进行数据训练 85 5.3.4  运行总结 86 5.4  非线性二值分类 87 5.4.1  生成训练数据 87 5.4.2  定义训练模型 88 5.4.3  进行数据训练 89 5.4.4  运行总结 89 5.5  非线性多类分类 91 5.5.1  生成训练数据 91 5.5.2  定义训练模型 92 5.5.3  进行数据训练 93 5.5.4  运行总结 94 5.6  本章小结 95 第6章  神经网络 6.1  神经网络简介 96 6.1.1  神经元模型 97 6.1.2  神经网络层 100 6.2  拟合线性回归问题 102 6.2.1  生成训练数据 102 6.2.2  定义神经网络模型 102 6.2.3  进行数据训练 103 6.2.4  运行总结 104 6.3  MNIST数据集 104 6.3.1  MNIST数据集简介 105 6.3.2  数据集图片文件 105 6.3.3  数据集标记文件 106 6.4  全连接神经网络 106 6.4.1  加载MNIST训练数据 106 6.4.2  构建神经网络模型 107 6.4.3  进行数据训练 108 6.4.4  评估模型 109 6.4.5  构建多层神经网络模型 110 6.4.6  可视化多层神经网络模型 111 6.5  卷积神经网络 113 6.5.1  卷积神经网络简介 114 6.5.2  卷积层 115 6.5.3  池化层 119 6.5.4  全连接神经网络层 121 6.5.5  卷积神经网络的发展 121 6.6  通过卷积神经网络处理MNIST 122 6.6.1  加载MNIST训练数据 122 6.6.2  构建卷积神经网络模型 123 6.6.3  进行数据训练 127 6.6.4  评估模型 127 6.7  循环神经网络 128 6.7.1  循环神经网络简介 128 6.7.2  基本循环神经网络 129 6.7.3  长短期记忆网络 131 6.7.4  双向循环神经网络简介 134 6.8  通过循环神经网络处理MNIST 135 6.8.1  加载MNIST训练数据 136 6.8.2  构建神经网络模型 136 6.8.3  进行数据训练及评估模型 137 6.9  递归神经网络 138 6.9.1  递归神经网络简介 138 6.9.2  递归神经网络的应用 139 6.10  本章小结 140 第7章  无监督学习 7.1  无监督学习简介 141 7.1.1  聚类模型 141 7.1.2  自编码网络模型 142 7.2  K均值聚类 142 7.2.1  K均值聚类算法简介 142 7.2.2  K均值聚类算法实践 144 7.3  自编码网络 147 7.3.1  自编码网络简介 147 7.3.2  自编码网络实践 148 7.4  本章小结 151 第8章  自然语言文本处理 8.1  自然语言文本处理简介 152 8.1.1  处理模型的选择 152 8.1.2  文本映射 153 8.1.3  TensorFlow文本处理的一般步骤 156 8.2  学写唐诗 157 8.2.1  数据预处理 157 8.2.2  生成训练模型 158 8.2.3  评估模型 160 8.3  智能影评分类 163 8.3.1  CBOW嵌套模型 163 8.3.2  构建影评分类模型 167 8.3.3  训练评估影评分类模型 169 8.4  智能聊天机器人 170 8.4.1  Attention机制的Seq2Seq模型 170 8.4.2  数据预处理 173 8.4.3  构建智能聊天机器人模型 174 8.4.4  训练模型 177 8.4.5  评估模型 179 8.5  本章小结 180 第9章  语音处理 9.1  语音处理简介 181 9.1.1  语音识别模型 181 9.1.2  语音合成模型 183 9.2  听懂数字 183 9.2.1  数据预处理 184 9.2.2  构建识别模型 185 9.2.3  训练模型 185 9.2.4  评估模型 185 9.3  听懂中文 185 9.3.1  数据预处理 186 9.3.2  构建识别模型 188 9.3.3  训练模型 191 9.3.4  评估模型 191 9.4  语音合成 192 9.4.1  Tacotron模型 192 9.4.2  编码器模块 193 9.4.3  解码器模块 196 9.4.4  后处理模块 197 9.5  本章小结 197 第10章  图像处理 10.1  机器学习的图像处理简介 198 10.1.1  图像修复 198 10.1.2  图像物体识别与检测 199 10.1.3  图像问答 201 10.2  图像物体识别 201 10.2.1  数据预处理 201 10.2.2  生成训练模型 203 10.2.3  训练模型 205 10.2.4  评估模型 206 10.3  图片验证码识别 208 10.3.1  验证码的生成 208 10.3.2  数据预处理 209 10.3.3  生成训练模型 211 10.3.4  训练模型 212 10.3.5  评估模型 213 10.4  图像物体检测 214 10.4.1  物体检测系统 214 10.4.2  物体检测系统实践 215 10.5  看图说话 217 10.5.1  看图说话原理 218 10.5.2  看图说话模型的构建 218 10.5.3  看图说话模型的训练 220 10.5.4  评估模型 221 10.6  本章小结 222 第11章  人脸识别 11.1  人脸识别简介 223 11.1.1  人脸图像采集 223 11.1.2  人脸检测 224 11.1.3  人脸图像预处理 224 11.1.4  人脸关键点检测 224 11.1.5  人脸特征提取 224 11.1.6  人脸比对 225 11.1.7  人脸属性检测 225 11.2  人脸验证 225 11.2.1  数据预处理 226 11.2.2  运行FaceNet模型 226 11.2.3  实现人脸验证 229 11.3  性别和年龄的识别 231 11.3.1  Adience数据集 231 11.3.2  数据预处理 232 11.3.3  生成训练模型 233 11.3.4  训练模型 235 11.3.5  评估模型 236 11.4  本章小结 237