TensorFlow机器学习

《TensorFlow机器学习》由浅入深地对TensorFlow进行了介绍，并对TensorFlow的本质、核心学习算法（线性回归、分类、聚类、隐马尔可夫模型）和神经网络的类型（自编码器、强化学习、卷积神经网络和循环神经网络）都进行了详细介绍，同时配以代码实现。

《TensorFlow机器学习》可作为人工智能、机器学习、深度学习相关行业的从业者和爱好者的重要参考书。

Nishant Shukla

加州大学洛杉矶分校的博士研究员，专注于机器学习和计算机视觉技术。Nishant还具有弗吉尼亚大学计算机科学和数学学士学位。在那里，他是Hack.UVA的创始成员，并且讲授关于Haskell的广受欢迎的课程。Nishant曾担任Microsoft、Facebook和Foursquare的开发人员，以及SpaceX的机器学习工程师，他还著有Haskell Data Analysis Cookbook一书。此外，他还发表了从分析化学到自然语言处理的研究论文。

关于TensorFlow机器学习的快速入门的极好指南。

由浅入深讲解经典核心算法、神经网络、强化学习。

为你提供了机器学习概念的坚实基础，以及使用Python编写TensorFlow的实战经验。

你将通过经典的预测、分类和聚类算法等快速学习掌握基础知识。然后，继续学习具有深度价值的内容：探索深度学习的概念，例如自动编码器、递归神经网络和强化学习等。

学习TensorFlow机器学习，你将会准备好将TensorFlow用于自己的机器学习和深度学习应用程序中。

原书前言

无论你是机器学习新手还是TensorFlow新手，本书都将成为你的优秀指南。你需要使用Python中的面向对象编程的知识来理解一些代码清单，除此之外，本书还介绍了机器学习的入门基础。

线路图

本书分为三个部分：

第一部分首先探讨机器学习是什么，并强调TensorFlow的关键作用。第1章介绍了机器学习的术语和理论，第2章介绍了开始使用TensorFlow时需要了解的所有内容。

第二部分介绍了经受住时间考验的基本算法。第3～6章分别讨论回归、分类、聚类和隐马尔可夫模型。你可以在机器学习领域找到这些算法。

第三部分揭示了TensorFlow的真正能量：神经网络。第7～12 章分别介绍了自编码器、强化学习、卷积神经网络、循环神经网络、序列到序列模型和应用程序。除非你是经验丰富的TensorFlow用户，并且拥有多年的机器学习经验，否则我强烈建议你先阅读第1章和第2章。除此之外，你也可以随意跳过书中的内容自由学习。

源代码

本书中的想法永远也不会过时，同时还有社区的支持，代码清单也是如此。你可以在本书英文版的网站www.manning.com/books/machine-learning-with-tensorflow上找到源代码；而软件也将在本书英文版的官方GitHub存储库（https://github.com/BinRoot/TensorFlow-Book）上保持最新。我们期望你能通过发送请求或通过GitHub提交新问题来为存储库做出贡献。

书籍论坛

你可以访问由Manning Publications运营的网络论坛，并可以在其中对本书发表评论，提出技术问题，从作者和其他用户那里获得帮助。要访问论坛，请登录https://forums.manning.com/forums/machine-learning-with-tensorflow。你还可以登录https://forums.manning.com/forums/about，了解有关Manning论坛和活动规则的更多信息。

Manning出版社对读者的承诺是提供场所，让读者之间以及读者与作者之间进行有意义的对话。这并不是说对作者有任何具体参与次数的要求，因为作者对论坛的贡献是自愿的（而且是无偿的）。我们建议你尝试向作者提出一些具有挑战性的问题，以提起他的兴趣！只要本书还在销售，论坛和讨论的档案就可以从出版商的网站上获取。

原书序

我和同时代的人一样，也一直沉迷于最新的在线趋势。我记得大约在2005年，自己还在无休止地刷新FARK、YTMND 和Delicious的娱乐信息和新闻。现在，我在Reddit和Hacker News之间进行切换，这让我目睹了TensorFlow在2015年11月9日的隆重亮相。当时那篇文章出现在Hacker News首页的顶部，并收到了数百条评论—这些盖过了网站上的其他任何内容。

那时，机器学习工具已经被分成不同的门类，且整个生态系统依赖于来自学术实验室的实验软件包和行业巨头的专有解决方案。当谷歌公司展示TensorFlow 时，社群的反应不一。虽然谷歌公司有淘汰大众喜爱的服务（如谷歌阅读器、个性化谷歌、Knol和谷歌Wave）的历史，但该公司也有扶持开源项目（如Android、Chromium、Go 和Protobuf）的历史。

对于TensorFlow这样的新技术，该出手时就得出手。尽管有许多人会选择等到相关资料丰富后再使用TensorFlow，但也有一些人已经决定开始使用它。我在第一时间就学习了官方文档，掌握了基本知识，并准备将这项技术应用于我在加州大学洛杉矶分校的博士研究项目中。我努力地积累笔记，不过当时还不知道自己积累的用于学习TensorFlow的文档将来会成为一本书。

大约在那个时候，Manning出版社的一位编辑与我联系，就一本Haskell新书的不同意见与我沟通—这是他们工作流程的一部分，因为我是Haskell Data Analysis Cookbook（Packt 出版社，2014）的作者。你现在正在阅读的这本书的写作就开始于我当时的回复：“另一方面，你有没有听说过谷歌公司新推出的机器学习库TensorFlow？”

本书从传统机器学习的内容出发，你在任何机器学习的书中想获得的主题都能在本书中找到，但它覆盖的主题缺乏在线教程。例如，很难找到隐马尔可夫模型（HMM）和强化学习（RL）的在线TensorFlow实现教程。编辑本书时的每一次修改都引入了更多概念，而这些概念目前还无法找到足够的现有资源。

对于想要探索机器学习的初学者来说，在线TensorFlow教程通常过于简单或过于复杂。本书的目的是为了填补这些空白，我相信它能做到这一点。如果你是机器学习或TensorFlow的新手，那么你会很欣赏本书的务实风格。

原书序

原书前言

第一部分 机器学习套装

第1章 机器学习旅程　2

1.1　机器学习基础　3

1.1.1　参数　5

1.1.2　学习和推理　6

1.2　数据表示和特征　7

1.3　距离度量　11

1.4　学习类型　12

1.4.1　监督学习　12

1.4.2　无监督学习　14

1.4.3　强化学习　14

1.5　TensorFlow　15

1.6　余下的章节　17

1.7　小结　18

第2章 TensorFlow基础　19

2.1　保证TensorFlow运行　21

2.2　张量表示　21

2.3　创建运算　25

2.4　使用session执行运算　27

2.4.1　将代码理解为图　28

2.4.2　设置session的配置项　28

2.5　使用Jupyter写代码　30

2.6　使用变量　32

2.7　保存和加载变量　34

2.8　使用TensorBoard可视化数据　35

2.8.1　实现一个移动平均算法　36

2.8.2　可视化移动平均算法　37

2.9　小结　39

第二部分 核心学习算法

第3章 线性回归及其他　42

3.1　形式化定义　43

3.1.1　如何知道回归算法在起作用　45

3.2　线性回归　46

3.3　多项式模型　50

3.4　正则化　52

3.5　线性回归的应用　55

3.6　小结　56

第4章 简明的分类介绍　58

4.1　形式化定义　59

4.2　衡量分类性能　61

4.2.1　精度　61

4.2.2　准确率和召回率　62

4.2.3　受试者工作特征曲线　63

4.3　用线性回归实现分类　64

4.4　逻辑斯谛回归　68

4.4.1　求解一维逻辑斯谛回归　69

4.4.2　求解二维逻辑斯谛回归　71

4.5　多类别分类器　74

4.5.1　一对多　75

4.5.2　一对一　75

4.5.3　softmax回归　75

4.6　分类的应用　79

4.7　小结　79

第5章 自动聚类数据　81

5.1　在TensorFlow中遍历文件　82

5.2　从音频文件中抽取特征　84

5.3　k-均值聚类　87

5.4　音频分割　90

5.5　用自组织映射实现聚类　93

5.6　聚类的应用　97

5.7　小结　97

第6章 隐马尔可夫模型　98

6.1　一个不那么可解释模型的例子　99

6.2　马尔可夫模型　100

6.3　隐马尔可夫模型　102

6.4　前向算法　103

6.5　Viterbi解码　106

6.6　隐马尔可夫模型的使用　107

6.6.1　视频建模　 107

6.6.2　DNA建模　 107

6.6.3　图像建模　 107

6.7　隐马尔可夫模型的应用　108

6.8　小结　108

第三部分 神经网络样式

第7章 自编码器　110

7.1　神经网络　111

7.2　自编码器　114

7.3　批量训练　118

7.4　图像处理　119

7.5　自编码器的应用　122

7.6　小结　123

第8章 强化学习　124

8.1　形式化定义　125

8.1.1　策略　 126

8.1.2　效用函数　 127

8.2　强化学习的应用　128

8.3　强化学习的实现　129

8.4　探索强化学习的其他应用　136

8.5　小结　137

第9章 卷积神经网络　138

9.1　神经网络的缺点　139

9.2　卷积神经网络　140

9.3　准备图像　141

9.3.1　生成过滤器　 144

9.3.2　使用过滤器进行卷积　 145

9.3.3　最大池化　 148

9.4　 使用TensorFlow实现卷积神经网络　149

9.4.1　测量性能　 151

9.4.2　训练分类器　 152

9.5　提高性能的窍门和技巧　153

9.6　卷积神经网络的应用　154

9.7　小结　154

第10章 循环神经网络　155

10.1　语境信息　156

10.2　循环神经网络介绍　156

10.3　循环神经网络的实现　157

10.4　时间序列数据的预测模型　160

10.5　循环神经网络的应用　163

10.6　小结　163

第11章 聊天机器人的序列到序列模型　164

11.1　分类与循环神经网络　165

11.2　序列到序列模型架构　167

11.3　符号的向量表示　171

11.4　把所有都放到一起　173

11.5　收集对话数据　179

11.6　小结　181

第12章 效用场景　182

12.1　偏好模型　184

12.2　图像嵌入　189

12.3　图像排序　192

12.4　小结　196

12.5　下一步　196

附录　安装　197