Python+Tensorflow機器學習實戰(zhàn)

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　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