TensorFlow機(jī)器學(xué)習(xí)實(shí)戰(zhàn)指南

目　　錄
譯者序
作者簡介
審校者簡介
前言
第1章 TensorFlow基礎(chǔ) 1
1.1 TensorFlow介紹 1
1.2 TensorFlow如何工作 1
1.3 聲明張量 3
1.4 使用占位符和變量 6
1.5 操作（計算）矩陣 7
1.6 聲明操作 10
1.7 實(shí)現(xiàn)激勵函數(shù) 12
1.8 讀取數(shù)據(jù)源 14
1.9 學(xué)習(xí)資料 19
第2章 TensorFlow進(jìn)階 20
2.1 本章概要 20
2.2 計算圖中的操作 20
2.3 TensorFlow的嵌入Layer 21
2.4 TensorFlow的多層Layer 23
2.5 TensorFlow實(shí)現(xiàn)損失函數(shù) 26
2.6 TensorFlow實(shí)現(xiàn)反向傳播 30
2.7 TensorFlow實(shí)現(xiàn)隨機(jī)訓(xùn)練和批量訓(xùn)練 34
2.8 TensorFlow實(shí)現(xiàn)創(chuàng)建分類器 37
2.9 TensorFlow實(shí)現(xiàn)模型評估 40
第3章 基于TensorFlow的線性回歸 45
3.1 線性回歸介紹 45
3.2 用TensorFlow求逆矩陣 45
3.3 用TensorFlow實(shí)現(xiàn)矩陣分解 47
3.4 用TensorFlow實(shí)現(xiàn)線性回歸算法 49
3.5 理解線性回歸中的損失函數(shù) 52
3.6 用TensorFlow實(shí)現(xiàn)戴明回歸算法 55
3.7 用TensorFlow實(shí)現(xiàn)lasso回歸和嶺回歸算法 58
3.8 用TensorFlow實(shí)現(xiàn)彈性網(wǎng)絡(luò)回歸算法 60
3.9 用TensorFlow實(shí)現(xiàn)邏輯回歸算法 62
第4章 基于TensorFlow的支持向量機(jī) 66
4.1 支持向量機(jī)簡介 66
4.2 線性支持向量機(jī)的使用 67
4.3 弱化為線性回歸 72
4.4 TensorFlow上核函數(shù)的使用 77
4.5 用TensorFlow實(shí)現(xiàn)非線性支持向量機(jī) 82
4.6 用TensorFlow實(shí)現(xiàn)多類支持向量機(jī) 85
第5章 最近鄰域法 90
5.1 最近鄰域法介紹 90
5.2 最近鄰域法的使用 91
5.3 如何度量文本距離 95
5.4 用TensorFlow實(shí)現(xiàn)混合距離計算 98
5.5 用TensorFlow實(shí)現(xiàn)地址匹配 101
5.6 用TensorFlow實(shí)現(xiàn)圖像識別 105
第6章 神經(jīng)網(wǎng)絡(luò)算法 109
6.1 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ) 109
6.2 用TensorFlow實(shí)現(xiàn)門函數(shù) 110
6.3 使用門函數(shù)和激勵函數(shù) 113
6.4 用TensorFlow實(shí)現(xiàn)單層神經(jīng)網(wǎng)絡(luò) 117
6.5 用TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)常見層 120
6.6 用TensorFlow實(shí)現(xiàn)多層神經(jīng)網(wǎng)絡(luò) 126
6.7 線性預(yù)測模型的優(yōu)化 131
6.8 用TensorFlow基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)井字棋 136
第7章 自然語言處理 143
7.1 文本處理介紹 143
7.2 詞袋的使用 144
7.3 用TensorFlow實(shí)現(xiàn)TF-IDF算法 149
7.4 用TensorFlow實(shí)現(xiàn)skip-gram模型 155
7.5 用TensorFlow實(shí)現(xiàn)CBOW詞嵌入模型 162
7.6 使用TensorFlow的Word2Vec預(yù)測 167
7.7 用TensorFlow實(shí)現(xiàn)基于Doc2Vec的情感分析 172
第8章 卷積神經(jīng)網(wǎng)絡(luò) 181
8.1 卷積神經(jīng)網(wǎng)絡(luò)介紹 181
8.2 用TensorFlow實(shí)現(xiàn)簡單的CNN 182
8.3 用TensorFlow實(shí)現(xiàn)進(jìn)階的CNN 188
8.4 再訓(xùn)練已有的CNN模型 196
8.5 用TensorFlow實(shí)現(xiàn)模仿大師繪畫 199
8.6 用TensorFlow實(shí)現(xiàn)DeepDream 205
第9章 遞歸神經(jīng)網(wǎng)絡(luò) 211
9.1 遞歸神經(jīng)網(wǎng)絡(luò)介紹 211
9.2 用TensorFlow實(shí)現(xiàn)RNN模型進(jìn)行垃圾短信預(yù)測 212
9.3 用TensorFlow實(shí)現(xiàn)LSTM模型 218
9.4 Stacking多個LSTM Layer 226
9.5 用TensorFlow實(shí)現(xiàn)Seq2Seq翻譯模型 229
9.6 TensorFlow實(shí)現(xiàn)孿生RNN預(yù)測相似度 235
第10章 TensorFlow產(chǎn)品化 243
10.1 簡介 243
10.2 TensorFlow的單元測試 243
10.3 TensorFlow的并發(fā)執(zhí)行 247
10.4 分布式TensorFlow實(shí)踐 250
10.5 TensorFlow產(chǎn)品化開發(fā)提示 252
10.6 TensorFlow產(chǎn)品化的實(shí)例 254
第11章 TensorFlow的進(jìn)階應(yīng)用 257
11.1 簡介 257
11.2 TensorFlow可視化：Tensorboard 257
11.3 Tensorboard的進(jìn)階 260
11.4 用TensorFlow實(shí)現(xiàn)遺傳算法 262
11.5 TensorFlow實(shí)現(xiàn)k-means算法 266
11.6 用TensorFlow求解常微分方程問題 270