标签分类
当前位置:首页 > 行业软件及应用电子书 > TensorFlow电子书网盘下载
零起点TensorFlow快速入门 零起点TensorFlow快速入门
码小辫

码小辫 提供上传

资源
21
粉丝
36
喜欢
55
评论
1

    零起点TensorFlow快速入门 PDF 全书超清版

    TensorFlow电子书
    • 发布时间:

    给大家带来的一篇关于TensorFlow相关的电子书资源,介绍了关于零起点、TensorFlow方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小50.9MB,何海群编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.1,更多相关的学习资源可以参阅 行业软件及应用电子书、等栏目。

  • 零起点TensorFlow快速入门 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1ER5QxufFn1tpblUH2B-acQ
  • 分享码:ts64
  • 零起点TensorFlow快速入门 PDF

    选用MBA个例方式,相互配合Python课堂教学编码,循序渐进,融合实盘实例,触类旁通。不必技术专业代码,懂Excel就能刚开始学习培训。

    TensorFlow是近些年危害*的神经元网络和深度神经网络服务平台,这书以生动有趣的語言,从入门者的视角,对TensorFlow开展详细介绍,书中包括很多简易幽默的具体实例,如孤单的神经细胞、梵高风格等,让众多新手迅速把握神经元网络的基本编程,为深化学习培训人工智能技术确立扎扎实实的基本。

    目录

    • 第1章 不朽的梵高 1
    • 1.1 星夜传奇 1
    • 1.2 TensorFlow简介 3
    • 案例1-1:星夜传奇实战编程 5
    • 案例1-2:星夜传奇批量编程 11
    • 1.3 十万次迭代 14
    • 1.4 黑箱大法 16
    • 1.5 超级KISS法则与大智若愚 17
    • 第2章 TensorFlow安装 22
    • 2.1 目录结构 22
    • 2.2 化繁为简 23
    • 2.3 CPU版本安装 25
    • 2.4 GPU版本安装 25
    • 案例2-1:GPU开发环境测试 28
    • 第3章 可视化AI图表 33
    • 3.1 TensorBoard可视化工具 33
    • 案例3-1:hello,爱丽丝 34
    • 3.1.1 TensorBoard主界面 36
    • 3.1.2 快速启动脚本 38
    • 3.2 加法器 41
    • 案例3-2:加法器的算法结构图 41
    • 案例3-3:加法器的变化版本 43
    • 案例3-4:乘法器的算法结构图 44
    • 第4章 快速入门 47
    • 4.1 你好,神经网络 47
    • 案例4-1:字符串表达式 47
    • 案例4-2:hello,TensorFlow 48
    • 4.2 图运算与Session 49
    • 案例4-3:缺省图运算 49
    • 案例4-4:可视化Session 52
    • 4.3 常量、变量与占位符 56
    • 案例4-5:常量加法 57
    • 案例4-6:加法与占位符 58
    • 案例4-7:加法与变量 59
    • 4.4 TensorFlow常用数值运算 62
    • 第5章 TensorFlow总览 63
    • 5.1 TensorFlow产业链关系图 65
    • 5.2 TensorFlow模块列表 66
    • 5.2.1 源码目录结构 66
    • 案例5-1:内置模块列表 68
    • 5.2.2 模块结构图 70
    • 5.2.3 API抽象接口示意图 71
    • 5.2.4 神经网络三大模块 71
    • 5.3 数据类型 72
    • 5.4 TensorFlow常用术语 73
    • 5.5 TensorFlow简化接口 77
    • 第6章 基础知识 79
    • 6.1 数据流图 79
    • 6.2 设备切换Device 81
    • 6.3 三大数据类型 82
    • 案例6-1:变量操作 86
    • 6.4 Feed数据提交 89
    • 案例6-2:Feed提交数据 90
    • 案例6-3:批量Feed提交数据 92
    • 案例6-4:批量Feed提交多维数据 92
    • 6.5 Fetch获取数据 93
    • 案例6-5:Fetch获取数据 93
    • 案例6-6:Fetch获取多维数组 95
    • 案例6-7:会话Session 97
    • 6.6 批尺寸Batch_Size 99
    • 第7章 孤独的神经元 101
    • 7.1 神经元模型 101
    • 案例7-1:单细胞算法 102
    • 7.2 可视化分析 107
    • 案例7-2:单细胞算法优化版 108
    • 第8章 归来吧,数据 112
    • 8.1 分类——机器学习的核心 112
    • 8.2 万物皆回归 112
    • 案例8-1:传统机器学习 114
    • 案例8-2:TensorFlow线性回归模型 117
    • 8.3 模型简理 124
    • 案例8-3:TensorFlow模型保存 125
    • 案例8-4:TensorFlow模型读取 126
    • 第9章 Pkmital入门案例套餐(上) 128
    • 9.1 Halcon简介 128
    • 9.2 帕拉格?库马尔案例合集简介 129
    • 9.3 Pkmital案例集合详解 131
    • 9.4 TensorFlow基础 132
    • 案例9-1:TensorFlow基础权重设置和图形计算 132
    • 案例9-2:图像的卷积计算 140
    • 9.5 回归算法 145
    • 案例9-3:线性回归 145
    • 案例9-4:线性回归修正版 150
    • 9.6 多项式回归 151
    • 案例9-5:多项式回归 151
    • 案例9-6:多项式回归修正版 153
    • 9.7 逻辑回归模型 154
    • 案例9-7:逻辑回归模型 154
    • 9.8 CNN卷积神经网络算法 159
    • 案例9-8:CNN卷积神经网络 159
    • 第10章 Pkmital入门案例套餐(下) 165
    • 10.1 自编码算法 165
    • 案例10-1:自编码算法 165
    • 10.2 dAE降噪自编码算法 170
    • 案例10-2:dAE降噪自编码算法 170
    • 10.3 CAE卷积编码算法 177
    • 案例10-3:CAE卷积编码算法 177
    • 10.4 DRN深度残差网络 183
    • 案例10-4:DRN深度残差网络 183
    • 10.5 VAE变分自编码算法 189
    • 案例10-5:VAE变分自编码算法 189
    • 10.6 TDV联合矩阵模型 199
    • 第11章 TensorFlow内置案例分析 201
    • 11.1 预备知识 202
    • 11.2 Mnist手写数字识别 211
    • 案例11-1:Mnist初级案例 211
    • 案例11-2:Mnist专业版本 215
    • 11.3 FFNNs前馈神经网络模型 224
    • 案例11-3:FFNNs前馈神经网络模型 224
    • 第12章 TensorLayer案例分析 234
    • 12.1 手写识别算法 234
    • 案例12-1:Mnist手写识别 234
    • 12.2 Mnist神经网络模型合集 242
    • 案例12-2:Dropout网络模型 243
    • 案例12-3:DropConnect网络模型 253
    • 可视化数据 256
    • 案例12-4:dAE降噪自编码算法1 257
    • 可视化数据 260
    • 案例12-5:dAE降噪自编码算法2 260
    • 可视化数据 262
    • 案例12-6:CNN卷积神经网络算法 263
    • 可视化数据 266
    • 第13章 TFLearn案例分析 267
    • 13.1 生存游戏 268
    • 13.1.1 泰坦尼克数据集 268
    • 13.1.2 Kaggle机器学习公开赛 269
    • 案例13-1:泰坦尼克号生存与死亡 270
    • 13.2 线性回归 274
    • 案例13-2:线性回归模型 275
    • 13.3 模型管理 278
    • 案例13-3:保存读取模型数据 278
    • 13.4 超智能体 283
    • 案例13-4:超智能体:NOT取反运算 284
    • 案例13-5:超智能体:OR或运算 286
    • 案例13-6:超智能体:AND(与)运算 288
    • 案例13-7:超智能体:XOR(异或)运算 289
    • 13.5 CNN卷积神经网络算法 292
    • 案例13-8:CNN卷积神经网络算法 292
    • 第14章 Keras案例分析 297
    • 14.1 Keras模型 298
    • 14.2 Keras使用流程 299
    • 14.3 Keras常用模块 300
    • 14.4 Keras模型可视化 301
    • 案例14-1:MLP多层神经网络 303
    • 案例14-2:CNN卷积神经网络 309
    • 案例14-3:IRNN修正循环神经网络 316
    • 案例14-4:HRNN分层循环神经网络 322
    • 第15章 TensorFlow常用运行模式 327
    • 15.1 深度学习三大要素 327
    • 15.2 神经网络基本结构 328
    • 15.3 基本神经元层 329
    • 15.4 神经网络通用流程 335
    • 15.5 Loss损失函数 338
    • 15.6 TensorFlow常用优化算法 340

    上一篇:游戏开发之旅:初入游戏职场的必修课  下一篇:物联网大数据处理技术与实践

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    TensorFlow相关电子书
    学习笔记
    网友NO.607678

    tensorflow: 查看 tensor详细数值方法

    问题 tensor详细数值 不能直接print打印: import tensorflow as tfx = tf.constant(1)print x 输出: Tensor("Const:0", shape=(), dtype=int32) 原因: print只能打印输出shape的信息,而要打印输出tensor的值,需要借助 tf.Session,tf.InteractiveSession。 因为我们在建立graph的时候,只建立 tensor 的 结构形状信息 ,并没有 执行 数据的操作。 解决方法 法一: import tensorflow as tfx = tf.constant(1)with tf.Session() as sess: print sess.run(x) 输出: 1 法二: import tensorflow as tfx = tf.constant(1)sess = tf.InteractiveSession()print x.eval() 输出: 1 以上这篇tensorflow: 查看 tensor详细数值方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持码农之家。 ……

    网友NO.700787

    Tensorflow实现卷积神经网络用于人脸关键点识别

    今年来人工智能的概念越来越火,AlphaGo以4:1击败李世石更是起到推波助澜的作用。作为一个开挖掘机的菜鸟,深深感到不学习一下deep learning早晚要被淘汰。 既然要开始学,当然是搭一个深度神经网络跑几个数据集感受一下作为入门最直观了。自己写代码实现的话debug的过程和运行效率都会很忧伤,我也不知道怎么调用GPU… 所以还是站在巨人的肩膀上,用现成的框架吧。粗略了解一下,现在比较知名的有caffe、mxnet、tensorflow等等。选哪个呢?对我来说选择的标准就两个,第一要容易安装(想尽快入门的迫切心情实在难以忍受一大堆的配置安装…);第二文档要齐全(这应该是废话 - -)。这几个大名鼎鼎的框架文档都是比较齐全的,那就看最容易安装的。看了几个文档,tensorflow算是最容易安装的了。基本就是 pip intall 给定的URL 就可以了。安装方式的文档可以在tensorflow安装教程上查看。 tensorflow基本概念与用法 tensorflow直译过来就是张量流。去年google刚推出tensorflow的时候我就纳闷,为什么深度学习会牵扯到张量,以前学弹塑性力学的时候就是一大堆张量看的很烦…不过还好要理解tensorflow里的tensor完全不用理会那些。先来看一下官方文档的说明: class tf.Tensor Represents a value produced by an Operation. A Tensor is a symbolic handle to one of the ou……

    网友NO.883737

    Tensorflow的可视化工具Tensorboard的初步使用详解

    当使用Tensorflow训练大量深层的神经网络时,我们希望去跟踪神经网络的整个训练过程中的信息,比如迭代的过程中每一层参数是如何变化与分布的,比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的,比如损失值的变化情况,等等。如果能在训练的过程中将一些信息加以记录并可视化得表现出来,是不是对我们探索模型有更深的帮助与理解呢? Tensorflow官方推出了可视化工具Tensorboard,可以帮助我们实现以上功能,它可以将模型训练过程中的各种数据汇总起来存在自定义的路径与日志文件中,然后在指定的web端可视化地展现这些信息。 1. Tensorboard介绍 1.1 Tensorboard的数据形式 Tensorboard可以记录与展示以下数据形式: (1)标量Scalars (2)图片Images (3)音频Audio (4)计算图Graph (5)数据分布Distribution (6)直方图Histograms (7)嵌入向量Embeddings 1.2 Tensorboard的可视化过程 (1)首先肯定是先建立一个graph,你想从这个graph中获取某些数据的信息 (2)确定要在graph中的哪些节点放置summary operations以记录信息 使用tf.summary.scalar记录标量 使用tf.summary.histogram记录数据的直方图 使用tf.summary.distribution记录数据的分布图 使用tf.summary.image记录图像数据 …. (3)operations并不会去真的执行计算,除非你告诉他们需要去run,或者……

    网友NO.573318

    TensorFlow实现随机训练和批量训练的方法

    本篇文章主要介绍了TensorFlow实现随机训练和批量训练的方法,现在分享给大家,也给大家做个参考。一起过来看看吧 TensorFlow更新模型变量。它能一次操作一个数据点,也可以一次操作大量数据。一个训练例子上的操作可能导致比较“古怪”的学习过程,但使用大批量的训练会造成计算成本昂贵。到底选用哪种训练类型对机器学习算法的收敛非常关键。 为了TensorFlow计算变量梯度来让反向传播工作,我们必须度量一个或者多个样本的损失。 随机训练会一次随机抽样训练数据和目标数据对完成训练。另外一个可选项是,一次大批量训练取平均损失来进行梯度计算,批量训练大小可以一次上扩到整个数据集。这里将显示如何扩展前面的回归算法的例子——使用随机训练和批量训练。 批量训练和随机训练的不同之处在于它们的优化器方法和收敛。 # 随机训练和批量训练#----------------------------------## This python function illustrates two different training methods:# batch and stochastic training. For each model, we will use# a regression model that predicts one model variable.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom tensorflow.python.framework import opsops.reset_default_graph()# 随机训练:# Create graphsess = tf.Session()# 声明数据x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., ……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明