小伙伴們，本公眾號很久沒用送書啦，是不是很是期待呀？放心啦，這次每個大佬送5本書，一共25本！包郵到你家樓下，哈哈！

怎么送書呢？

方法當然是很簡單啦，關注下面公眾號，后臺回復「抽獎」，彈出小程序二維碼后長按就能參與抽獎啦！全部參與，中獎率提高很多倍！

開獎時間為：2019.7.14 晚上?20:00

中獎的小伙伴一定要記得加對應的公眾號博主微信哈！告知具體信息！

AI資源匯

小詹同學

python爬蟲人工智能大數(shù)據(jù)

深度學習自然語言處理

人工智能圖譜

書籍內容

編輯推薦：

很系統(tǒng)：講解19種機器學習經(jīng)典算法，依次擊破重難點

很圖示：書中包括113張圖解說明，方便讀者理解

很實用：囊括文本識別、語音識別、圖形識別、人臉認識等

很實戰(zhàn)：31個實例、13個案例，詳解TensorFlow機器學習

內容介紹

? ? ? 本書通過開發(fā)實例和項目案例，詳細介紹TensorFlow 開發(fā)所涉及的主要內容。書中的每個知識點都通過實例進行通俗易懂的講解，便于讀者輕松掌握有關TensorFlow 開發(fā)的內容和技巧，并能夠得心應手地使用TensorFlow 進行開發(fā)。
　　本書內容共分為11 章，首先介紹TensorFlow 的基本知識，通過實例逐步深入地講解線性回歸、支持向量機、神經(jīng)網(wǎng)絡算法和無監(jiān)督學習等常見的機器學習算法模型。然后通過TensorFlow 在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用講解TensorFlow 的實際開發(fā)過程。
　　本書適合有一定Python 基礎的工程師閱讀；對于有一定基礎的讀者，可通過本書快速地將TensorFlow 應用到實際開發(fā)中；對于高等院校的學生和培訓機構的學員，本書也是入門和實踐機器學習的優(yōu)秀教材。

作者介紹

李鷗，計算機科學碩士，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，對機器學習的原理、開發(fā)框架及其在不同場景中的應用有濃烈興趣，在圖形識別、文本識別、語音識別、數(shù)據(jù)挖掘方面有豐富實踐經(jīng)驗，參與基于機器學習的用戶行為分析及某省部級項目研究。

目錄

第1章　機器學習概述

1.1　人工智能 1

1.2　機器學習 2

1.2.1　機器學習的發(fā)展 2

1.2.2　機器學習的分類 3

1.2.3　機器學習的經(jīng)典算法 4

1.2.4　機器學習入門 6

1.3　TensorFlow簡介 6

1.3.1　主流框架的對比 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 23

第2章　TensorFlow基礎

2.1　TensorFlow基礎框架 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 28

2.2　TensorFlow源代碼結構分析 30

2.2.1　源代碼下載 30

2.2.2　TensorFlow目錄結構 30

2.2.3　重點目錄 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　第一個TensorFlow示例 40

2.4.1　典型應用 41

2.4.2　運行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 50

第3章　TensorFlow進階

3.1　加載數(shù)據(jù) 51

3.1.1　預加載數(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　存儲和加載模型 58

3.2.1　存儲模型 58

3.2.2　加載模型 59

3.3　評估和優(yōu)化模型 60

3.3.1　評估指標的介紹與使用 60

3.3.2　模型調優(yōu)的主要方法 61

3.4　本章小結 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　生成訓練數(shù)據(jù) 65

4.2.2　定義訓練模型 66

4.2.3　進行數(shù)據(jù)訓練 66

4.2.4　運行總結 67

4.3　多元線性回歸 68

4.3.1　二元線性回歸算法簡介 68

4.3.2　生成訓練數(shù)據(jù) 69

4.3.3　定義訓練模型 70

4.3.4　進行數(shù)據(jù)訓練 70

4.3.5　運行總結 70

4.4　邏輯回歸 71

4.4.1　邏輯回歸算法簡介 71

4.4.2　生成訓練數(shù)據(jù) 73

4.4.3　定義訓練模型 74

4.4.4　進行數(shù)據(jù)訓練 74

4.4.5　運行總結 75

4.5　本章小結 76

第5章　支持向量機

5.1　支持向量機簡介 77

5.1.1　SVM基本型 77

5.1.2　SVM核函數(shù)簡介 79

5.2　擬合線性回歸 80

5.2.1　生成訓練數(shù)據(jù) 80

5.2.2　定義訓練模型 81

5.2.3　進行數(shù)據(jù)訓練 81

5.2.4　運行總結 82

5.3　擬合邏輯回歸 83

5.3.1　生成訓練數(shù)據(jù) 83

5.3.2　定義訓練模型 84

5.3.3　進行數(shù)據(jù)訓練 85

5.3.4　運行總結 86

5.4　非線性二值分類 87

5.4.1　生成訓練數(shù)據(jù) 87

5.4.2　定義訓練模型 88

5.4.3　進行數(shù)據(jù)訓練 89

5.4.4　運行總結 89

5.5　非線性多類分類 91

5.5.1　生成訓練數(shù)據(jù) 91

5.5.2　定義訓練模型 92

5.5.3　進行數(shù)據(jù)訓練 93

5.5.4　運行總結 94

5.6　本章小結 95

第6章　神經(jīng)網(wǎng)絡

6.1　神經(jīng)網(wǎng)絡簡介 96

6.1.1　神經(jīng)元模型 97

6.1.2　神經(jīng)網(wǎng)絡層 100

6.2　擬合線性回歸問題 102

6.2.1　生成訓練數(shù)據(jù) 102

6.2.2　定義神經(jīng)網(wǎng)絡模型 102

6.2.3　進行數(shù)據(jù)訓練 103

6.2.4　運行總結 104

6.3　MNIST數(shù)據(jù)集 104

6.3.1　MNIST數(shù)據(jù)集簡介 105

6.3.2　數(shù)據(jù)集圖片文件 105

6.3.3　數(shù)據(jù)集標記文件 106

6.4　全連接神經(jīng)網(wǎng)絡 106

6.4.1　加載MNIST訓練數(shù)據(jù) 106

6.4.2　構建神經(jīng)網(wǎng)絡模型 107

6.4.3　進行數(shù)據(jù)訓練 108

6.4.4　評估模型 109

6.4.5　構建多層神經(jīng)網(wǎng)絡模型 110

6.4.6　可視化多層神經(jīng)網(wǎng)絡模型 111

6.5　卷積神經(jīng)網(wǎng)絡 113

6.5.1　卷積神經(jīng)網(wǎng)絡簡介 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)絡層 121

6.5.5　卷積神經(jīng)網(wǎng)絡的發(fā)展 121

6.6　通過卷積神經(jīng)網(wǎng)絡處理MNIST 122

6.6.1　加載MNIST訓練數(shù)據(jù) 122

6.6.2　構建卷積神經(jīng)網(wǎng)絡模型 123

6.6.3　進行數(shù)據(jù)訓練 127

6.6.4　評估模型 127

6.7　循環(huán)神經(jīng)網(wǎng)絡 128

6.7.1　循環(huán)神經(jīng)網(wǎng)絡簡介 128

6.7.2　基本循環(huán)神經(jīng)網(wǎng)絡 129

6.7.3　長短期記憶網(wǎng)絡 131

6.7.4　雙向循環(huán)神經(jīng)網(wǎng)絡簡介 134

6.8　通過循環(huán)神經(jīng)網(wǎng)絡處理MNIST 135

6.8.1　加載MNIST訓練數(shù)據(jù) 136

6.8.2　構建神經(jīng)網(wǎng)絡模型 136

6.8.3　進行數(shù)據(jù)訓練及評估模型 137

6.9　遞歸神經(jīng)網(wǎng)絡 138

6.9.1　遞歸神經(jīng)網(wǎng)絡簡介 138

6.9.2　遞歸神經(jīng)網(wǎng)絡的應用 139

6.10　本章小結 140

第7章　無監(jiān)督學習

7.1　無監(jiān)督學習簡介 141

7.1.1　聚類模型 141

7.1.2　自編碼網(wǎng)絡模型 142

7.2　K均值聚類 142

7.2.1　K均值聚類算法簡介 142

7.2.2　K均值聚類算法實踐 144

7.3　自編碼網(wǎng)絡 147

7.3.1　自編碼網(wǎng)絡簡介 147

7.3.2　自編碼網(wǎng)絡實踐 148

7.4　本章小結 151

第8章　自然語言文本處理

8.1　自然語言文本處理簡介 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　學寫唐詩 157

8.2.1　數(shù)據(jù)預處理 157

8.2.2　生成訓練模型 158

8.2.3　評估模型 160

8.3　智能影評分類 163

8.3.1　CBOW嵌套模型 163

8.3.2　構建影評分類模型 167

8.3.3　訓練評估影評分類模型 169

8.4　智能聊天機器人 170

8.4.1　Attention機制的Seq2Seq模型 170

8.4.2　數(shù)據(jù)預處理 173

8.4.3　構建智能聊天機器人模型 174

8.4.4　訓練模型 177

8.4.5　評估模型 179

8.5　本章小結 180

第9章　語音處理

9.1　語音處理簡介 181

9.1.1　語音識別模型 181

9.1.2　語音合成模型 183

9.2　聽懂數(shù)字 183

9.2.1　數(shù)據(jù)預處理 184

9.2.2　構建識別模型 185

9.2.3　訓練模型 185

9.2.4　評估模型 185

9.3　聽懂中文 185

9.3.1　數(shù)據(jù)預處理 186

9.3.2　構建識別模型 188

9.3.3　訓練模型 191

9.3.4　評估模型 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 197

第10章　圖像處理

10.1　機器學習的圖像處理簡介 198

10.1.1　圖像修復 198

10.1.2　圖像物體識別與檢測 199

10.1.3　圖像問答 201

10.2　圖像物體識別 201

10.2.1　數(shù)據(jù)預處理 201

10.2.2　生成訓練模型 203

10.2.3　訓練模型 205

10.2.4　評估模型 206

10.3　圖片驗證碼識別 208

10.3.1　驗證碼的生成 208

10.3.2　數(shù)據(jù)預處理 209

10.3.3　生成訓練模型 211

10.3.4　訓練模型 212

10.3.5　評估模型 213

10.4　圖像物體檢測 214

10.4.1　物體檢測系統(tǒng) 214

10.4.2　物體檢測系統(tǒng)實踐 215

10.5　看圖說話 217

10.5.1　看圖說話原理 218

10.5.2　看圖說話模型的構建 218

10.5.3　看圖說話模型的訓練 220

10.5.4　評估模型 221

10.6　本章小結 222

第11章　人臉識別

11.1　人臉識別簡介 223

11.1.1　人臉圖像采集 223

11.1.2　人臉檢測 224

11.1.3　人臉圖像預處理 224

11.1.4　人臉關鍵點檢測 224

11.1.5　人臉特征提取 224

11.1.6　人臉比對 225

11.1.7　人臉屬性檢測 225

11.2　人臉驗證 225

11.2.1　數(shù)據(jù)預處理 226

11.2.2　運行FaceNet模型 226

11.2.3　實現(xiàn)人臉驗證 229

11.3　性別和年齡的識別 231

11.3.1　Adience數(shù)據(jù)集 231

11.3.2　數(shù)據(jù)預處理 232

11.3.3　生成訓練模型 233

11.3.4　訓練模型 235

11.3.5　評估模型 236

11.4　本章小結 237

序言

? ? ?2016年3月，谷歌公司的AlphaGo與職業(yè)九段棋手李世石進行了圍棋人機大戰(zhàn)，最終AlphaGo以4比1的總比分獲勝，這引起了全球對人工智能的熱議。同時，百度推出的無人駕駛，科大訊飛推出的“語音識別”，以及高鐵進站的人臉識別的廣泛應用，將機器學習轉變?yōu)樾畔⒖萍计髽I(yè)的研究與應用的常見內容，這也讓我們的日常生活更為便捷。

? ? ? 其實，機器學習已經(jīng)走過符號主義時代、概率論時代、聯(lián)結主義時代，從最初的僅是專家研究的數(shù)學理論、經(jīng)典算法，逐步發(fā)展并蛻變?yōu)榭梢詾榇蟛糠猪椖恐苯邮褂玫钠脚_框架。

2015年11月9日，谷歌在GitHub上開源了TensorFlow框架，該框架是谷歌的機器學習框架，具有高度的靈活性和可移植性。在TensorFlow中，將各種經(jīng)典算法特別是神經(jīng)網(wǎng)絡模型組織成一個平臺，能夠讓我們更便捷地在目標領域實踐機器學習算法。

? ? ? TensorFlow作為最流行的機器學習框架之一，具有對Python語言的良好支持，這有效降低了進行機器學習開發(fā)的門檻，讓更多的工程師能夠以低成本投身到人工智能的浪潮中。TensorFlow框架能夠支持CPU、GPU或Google TPU等硬件環(huán)境，讓機器學習能夠便捷地移植到各種環(huán)境中。

? ? ? 《Python+TensorFlow機器學習實戰(zhàn)》將全面闡述TensorFlow機器學習框架的原理、概念，詳細講解線性回歸、支持向量機、神經(jīng)網(wǎng)絡算法和無監(jiān)督學習等常見的機器學習算法模型，并通過TensorFlow在自然語言文本處理、語音識別、圖形識別和人臉識別等方面的成功應用來講解TensorFlow的實際開發(fā)過程。《Python+TensorFlow機器學習實戰(zhàn)》在語言上力求幽默直白、輕松活潑，避免云山霧罩、晦澀難懂。在講解形式上圖文并茂，由淺入深，抽絲剝繭。通過閱讀《Python+TensorFlow機器學習實戰(zhàn)》，讀者可以少走很多彎路，快速上手TensorFlow開發(fā)。

《Python+TensorFlow機器學習實戰(zhàn)》特色

1. 內容豐富、全面

全書內容共分11章，從機器學習概述到TensorFlow基礎，再到實際應用，內容幾乎涵蓋TensorFlow開發(fā)的所有方面。

2. 實例豐富、案例典型、實用性強

《Python+TensorFlow機器學習實戰(zhàn)》對每一個知識點都以實際應用的形式進行講解，幫助讀者理解和掌握相關的開發(fā)技術。《Python+TensorFlow機器學習實戰(zhàn)》還在最后提供了TensorFlow在圖形識別、文本識別和語音識別等方面成功應用的實例，幫助讀者提高實戰(zhàn)水平。

3. 緊跟技術趨勢

《Python+TensorFlow機器學習實戰(zhàn)》針對目前發(fā)布的TensorFlow的常用版本1.3進行講解，并涉及1.6版本的變化，摒棄了以前版本中不再使用的功能，以適應技術的發(fā)展趨勢。

4. 舉一反三

《Python+TensorFlow機器學習實戰(zhàn)》寫作由淺入深、從易到難，并注意知識點之間的聯(lián)系，讓讀者掌握一個知識點后，能夠觸類旁通、舉一反三，編寫相應的代碼。

《Python+TensorFlow機器學習實戰(zhàn)》內容及體系結構

第1章簡單講述機器學習的發(fā)展、分類以及經(jīng)典算法，介紹TensorFlow的發(fā)展和優(yōu)勢，并詳細介紹不同操作系統(tǒng)環(huán)境下TensorFlow開發(fā)環(huán)境的準備過程。

第2章講解TensorFlow的基礎知識，包括基礎框架、源代碼結構、基礎概念，并通過運行一個官方示例展示了可視化的調試。

第3章講解TensorFlow在實際進行機器學習時的加載訓練數(shù)據(jù)、構建訓練模型、進行數(shù)據(jù)訓練、評估和預測四大步驟中常用的方法和技巧。

第4章詳細講解機器學習算法中最基礎的線性模型：回歸模型和邏輯回歸模型。

第5章講解TensorFlow中支持向量機算法的基本原理及核函數(shù)，并使用SVM完成線性回歸擬合、邏輯回歸分類以及非線性數(shù)據(jù)分類等。

第6章對神經(jīng)網(wǎng)絡模型進行詳細介紹，講解神經(jīng)元模型、神經(jīng)網(wǎng)絡層等基本原理，并講解全連接神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡等主要神經(jīng)網(wǎng)絡的原理與計算過程，并在TensorFlow中使用具體案例講解通用神經(jīng)網(wǎng)絡層的構建、卷積層的使用、池化層的使用、循環(huán)神經(jīng)元的構建以及損失函數(shù)的選擇等。

第7章主要介紹無監(jiān)督學習的概念和經(jīng)典算法。

第8章講解TensorFlow在自然語言文本處理中的應用，如學寫唐詩、影評分類以及智能聊天機器人等。

第9章講解TensorFlow在語音處理方面的應用，如聽懂數(shù)字、聽懂中文以及語音合成等。

第10章講解TensorFlow在圖像處理方面的應用，如圖像處理中的物體識別與檢測、圖像描述。

第11章講解TensorFlow在人臉識別方面的應用，介紹人臉識別的原理和分類、人臉比對以及從人臉判別性別和年齡。

《Python+TensorFlow機器學習實戰(zhàn)》讀者對象

? 初中級程序員。

? 高等院校師生。

? 培訓機構學員。

? 希望使用機器學習的工程師。

致謝

在《Python+TensorFlow機器學習實戰(zhàn)》的成稿過程中，熊諾亞對書稿的完整性和系統(tǒng)性提出了寶貴的意見，在此，特別表示感謝。

《Python+TensorFlow機器學習實戰(zhàn)》對應的電子課件和實例源代碼可以到http://www.tupwk.com.cn/downpage下載，也可通過掃描下方的二維碼下載。

看到這里啦，還不趕緊去上面掃二維碼領書呀！

總結

以上是生活随笔為你收集整理的这本《Python+TensorFlow机器学习实战》给你送到家！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。