编辑推荐

采用MBA个案模式,配合Python教学代码,由浅入深,结合实盘案例,举一反三。无须专业编程基础,懂Excel即可开始学习。

内容简介

TensorFlow是近年来影响较大的神经网络和深度学习平台,《零起点TensorFlow快速入门》以生动活泼的语言,从入门者的角度,对TensorFlow进行介绍,书中包含大量简单风趣的实际案例,如孤独的神经元、梵高画风等,让广大初学者快速掌握神经网络的基本编程,为进一步学习人工智能奠定扎实的基础。

作者简介

何海群,网名:字王,CHRD前海智库CTO,《中华大字库》发明人,出版书籍20余部,在人工智能、数据分析等方面具有20年一线专业经验;zwPython开发平台、zwQuant量化软件设计师,中国“Python创客”项目和“Python产业联盟”发起人,国内**Python量化课程:《Python量化实盘·魔鬼训练营》创始人,极宽量化开源团队的创始人。1990年,发明国内**个VR数据手套并获得专利授权,被业界称为“中国VR之父”;1992年,论文《人工智能与中文字型设计》入选《广东青年科学家文集》,现已成为中文字库行业三大基础建模理论之一;1997年,出版国内首部网络经济专著《网络商战》;2008年,在北京联合创办国内**4A级网络公关公司,服务过200余家国际五百强企业,被公关协会誉为:中国网络公关事业的开创者与启蒙者;2012年,发布国内**自主研发的智能中文字库设计软件《x2ttf涂鸦造字》,全功能全免费公益软件;2016年,推出国内首套纯python开源量化软件:zwQuant,以及国内**Tick级别开源金融大数据项目:zwDat金融数据包。研究成果有:“小数据”理论,快数据模型,黑天鹅算法,GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等。

目录

第1章不朽的梵高1
1.1星夜传奇1
1.2TensorFlow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
2.3CPU版本安装25
2.4GPU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
3.1TensorBoard可视化工具33
案例3-1:hello,爱丽丝34
3.1.1TensorBoard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,TensorFlow48
4.2图运算与Session49
案例4-3:缺省图运算49
案例4-4:可视化Session52
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
4.4TensorFlow常用数值运算62
第5章TensorFlow总览63
5.1TensorFlow产业链关系图65
5.2TensorFlow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
5.2.3API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
5.4TensorFlow常用术语73
5.5TensorFlow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Device81
6.3三大数据类型82
案例6-1:变量操作86
6.4Feed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
6.5Fetch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Session97
6.6批尺寸Batch_Size99
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模型管理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
9.1Halcon简介128
9.2帕拉格?库马尔案例合集简介129
9.3Pkmital案例集合详解131
9.4TensorFlow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
9.8CNN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
10.2dAE降噪自编码算法170
案例10-2:dAE降噪自编码算法170
10.3CAE卷积编码算法177
案例10-3:CAE卷积编码算法177
10.4DRN深度残差网络183
案例10-4:DRN深度残差网络183
10.5VAE变分自编码算法189
案例10-5:VAE变分自编码算法189
10.6TDV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
11.2Mnist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
11.3FFNNs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
12.2Mnist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
案例12-4:dAE降噪自编码算法1257
案例12-5:dAE降噪自编码算法2260
案例12-6:CNN卷积神经网络算法263
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
13.1.2Kaggle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
13.5CNN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
14.1Keras模型298
14.2Keras使用流程299
14.3Keras常用模块300
14.4Keras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
15.5Loss损失函数338
15.6TensorFlow常用优化算法340

前言/序言

  推荐序
  近日AlphaGo和柯洁的黑白大战,因为对阵的一方是中国顶级围棋高手柯洁,所以引起国人的高度关注。如果利用百度搜索引擎,输入AlphaGo,可以得出7000多万条搜索结果,远远高于其他热门词条。
  事实上,AlphaGo只是Google拥有的两套人工智能系统中的一套,是Google2014年收购DeepMind的人工智能系统,专注于棋赛开发。Google另外一套人工智能系统就是《零起点TensorFlow快速入门》介绍的TensorFlow系统。
  在TensorFlow等人工智能系统出现之前,计算机所做的事情最多就是按照人类编好的既定程序,简单重复地、按部就班地运行,没有超越人类事先为计算机设定的思维边界。
  计算机与人类大脑相比,根本的区别在于不具备学习和创新能力。
  计算机最多是记忆的信息多,重复计算的速度快,不受情绪的影响等。但是,在TensorFlow等人工智能系统出现之后,计算机所做的事情除了简单重复运行之外,更重要的是其具备了一定的自我学习和创新能力。
  TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习,自我提高,总结过去的经验,汲取以往的教训,具备一定的创新性。这一点从AlphaGo与柯洁对垒的3场棋局的结果中不难看出。
  这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在,也是为什么TensorFlow被称为互联网以来唯一的“黑科技”项目的原因。
  具备了一定的自我学习和创造能力的人工智能系统的出现,将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历,将从一个侧面分享人工智能对金融领域的影响。
  从整个金融业的历史沿革来看,大致经历了四个阶段:纯人工阶段、单机电脑阶段、互联网(含移动互联网)阶段和人工智能阶段。
  随着每个阶段的渐次演进,提供金融服务一方的人力成本投入在逐渐减少,提供金融服务的效率在提高;对于接受金融服务的一方来说,金融服务的可获得性以及便捷程度在逐渐增加,金融服务越来越围绕着人进行,以人为中心的全方位的社会经济服务体系正在形成。
  金融服务体系中银行服务、证券服务、保险服务等的内部界限开始变得模糊,金融服务与其他非金融的社会经济服务之间的界限开始变得不清。
  特别是金融业进入人工智能阶段之后,人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据,进行实时分析和动态跟踪,以远低于人工成本的成本,为每个人建立一个基于生命周期的综合金融模型,对每个人未来的金融行为进行预测,自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作,并根据模型预测结果与实际情况相比对,自主学习和修正模型,以便更加贴合接受金融服务一方的真实金融意图,使得人工智能模型的预测建议和人的实际金融行为无限接近。
  由此人类将从日常繁杂的各种金融交易中解放出来,投身到更需要自己或自己更感兴趣的方面去。
  展望未来,人工智能的应用前景无限美好。探寻当下,人工智能在世界各地的各行各业方兴未艾。
  千里之行,始于足下,何海群先生的《零起点TensorFlow快速入门》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。
  祝愿人工智能在华夏大地生根发芽,开花结果。
  ——梁忠
 


其他推荐