紅色石頭的個人網站：www.redstonewill.com

今天給大家推薦一本適合新手入門機器學習和 TensorFlow 的最佳教程：《TensorFlow Machine Learning Cookbook》，中文譯為《TensorFlow 機器學習方案手冊》。

書籍介紹

TensorFlow 是一個用于機器學習的開源軟件庫。本書將教你如何使用 TensorFlow 進行復雜的數據計算，并將讓你比以往更深入地挖掘并獲得更多的數據見解。您將學習有關構建模型、模型評估、情緒分析、回歸分析、聚類分析、人工神經網絡和深度學習等內容，每塊內容都使用 Google 的機器學習庫 TensorFlow。

這份指南從 TensorFlow 庫的基本原理開始，該庫包括變量、矩陣和各種數據源。接下來，你將獲得使用 TensorFlow 的線性回歸技術的實踐經驗。下一章將介紹重要的高級概念，如神經網絡、CNN、RNN 和 NLP。

一旦你熟悉 TensorFlow 的生態系統，最后一章將向您展示如何將其投入生產。

章節目錄

《TensorFlow 機器學習方案手冊》共包含 11 章內容，基本覆蓋機器學習、神經網絡、CNN、RNN 的核心知識點。具體目錄如下：

隨書代碼

該書每一章節都配備了相應的項目，完整的代碼作者已經放在了 GitHub 上，地址為：

https://github.com/PacktPublishing/TensorFlow-Machine-Learning-Cookbook

項目中的代碼非常詳細，比如我們來看一個 lasso 和 ridge 回歸的例子：

# Lasso and Ridge Regression #---------------------------------- # # This function shows how to use Tensorflow to # solve lasso or ridge regression. # y = Ax + b # # We will use the iris data, specifically: # y = Sepal Length # x = Petal Widthimport matplotlib.pyplot as plt import numpy as np import tensorflow as tf from sklearn import datasets from tensorflow.python.framework import ops ops.reset_default_graph()# Create graph sess = tf.Session()# Load the data # iris.data = [(Sepal Length, Sepal Width, Petal Length, Petal Width)] iris = datasets.load_iris() x_vals = np.array([x[3] for x in iris.data]) y_vals = np.array([y[0] for y in iris.data])# Declare batch size batch_size = 50# Initialize placeholders x_data = tf.placeholder(shape=[None, 1], dtype=tf.float32) y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)# Create variables for linear regression A = tf.Variable(tf.random_normal(shape=[1,1])) b = tf.Variable(tf.random_normal(shape=[1,1]))# Declare model operations model_output = tf.add(tf.matmul(x_data, A), b)# Declare Lasso loss function # Lasso Loss = L2_Loss + heavyside_step, # Where heavyside_step ~ 0 if A < constant, otherwise ~ 99 #lasso_param = tf.constant(0.9) #heavyside_step = tf.truediv(1., tf.add(1., tf.exp(tf.multiply(-100., tf.subtract(A, lasso_param))))) #regularization_param = tf.multiply(heavyside_step, 99.) #loss = tf.add(tf.reduce_mean(tf.square(y_target - model_output)), regularization_param)# Declare the Ridge loss function # Ridge loss = L2_loss + L2 norm of slope ridge_param = tf.constant(1.) ridge_loss = tf.reduce_mean(tf.square(A)) loss = tf.expand_dims(tf.add(tf.reduce_mean(tf.square(y_target - model_output)), tf.multiply(ridge_param, ridge_loss)), 0)# Initialize variables init = tf.global_variables_initializer() sess.run(init)# Declare optimizer my_opt = tf.train.GradientDescentOptimizer(0.001) train_step = my_opt.minimize(loss)# Training loop loss_vec = [] for i in range(1500): rand_index = np.random.choice(len(x_vals), size=batch_size) rand_x = np.transpose([x_vals[rand_index]]) rand_y = np.transpose([y_vals[rand_index]]) sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y}) loss_vec.append(temp_loss[0]) if (i+1)%300==0: print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)) + ' b = ' + str(sess.run(b))) print('Loss = ' + str(temp_loss))# Get the optimal coefficients [slope] = sess.run(A) [y_intercept] = sess.run(b)# Get best fit line best_fit = [] for i in x_vals: best_fit.append(slope*i+y_intercept)# Plot the result plt.plot(x_vals, y_vals, 'o', label='Data Points') plt.plot(x_vals, best_fit, 'r-', label='Best fit line', linewidth=3) plt.legend(loc='upper left') plt.title('Sepal Length vs Pedal Width') plt.xlabel('Pedal Width') plt.ylabel('Sepal Length') plt.show()# Plot loss over time plt.plot(loss_vec, 'k-') plt.title('L2 Loss per Generation') plt.xlabel('Generation') plt.ylabel('L2 Loss') plt.show()

相關書籍

《Getting Started with TensorFlow》

https://www.packtpub.com/big-data-and-business-intelligence/getting-started-tensorflow?utm_source=github&utm_medium=repository&utm_content=9781786468574

《Deep Learning with TensorFlow [Video]》

https://www.packtpub.com/big-data-and-business-intelligence/deep-learning-tensorflow-video?utm_source=github&utm_medium=repository&utm_content=9781786464491

《Building Machine Learning Systems with TensorFlow [Video]》

https://www.packtpub.com/big-data-and-business-intelligence/building-machine-learning-systems-tensorflow-video?utm_source=github&utm_medium=repository&utm_content=9781787281806

資源下載

最后，本書的的電子版 pdf 和源代碼已經打包完畢，需要的可以按照以下方式獲取：

1.掃描下方二維碼關注 “AI有道” 公眾號

2.公眾號后臺回復關鍵詞：TFbook

---

總結

以上是生活随笔為你收集整理的《TensorFlow 机器学习方案手册》（附 pdf 和完整代码）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站內容還不錯，歡迎將生活随笔推薦給好友。