TensorFlow機(jī)器學(xué)習(xí)實(shí)戰(zhàn)指南（原書第2版）

譯者序
審校者簡(jiǎn)介
前言
第1章　TensorFlow基礎(chǔ) 1
1.1　簡(jiǎn)介 1
1.2　TensorFlow如何工作 1
1.2.1　開(kāi)始 1
1.2.2　動(dòng)手做 2
1.2.3　工作原理 3
1.2.4　參考 3
1.3　聲明變量和張量 4
1.3.1　開(kāi)始 4
1.3.2　動(dòng)手做 4
1.3.3　工作原理 6
1.3.4　延伸學(xué)習(xí) 6
1.4　使用占位符和變量 6
1.4.1　開(kāi)始 6
1.4.2　動(dòng)手做 6
1.4.3　工作原理 7
1.4.4　延伸學(xué)習(xí) 7
1.5　操作（計(jì)算）矩陣 8
1.5.1　開(kāi)始 8
1.5.2　動(dòng)手做 8
1.5.3　工作原理 10
1.6　聲明操作 10
1.6.1　開(kāi)始 10
1.6.2　動(dòng)手做 10
1.6.3　工作原理 12
1.6.4　延伸學(xué)習(xí) 12
1.7　實(shí)現(xiàn)激勵(lì)函數(shù) 12
1.7.1　開(kāi)始 12
1.7.2　動(dòng)手做 12
1.7.3　工作原理 14
1.7.4　延伸學(xué)習(xí) 14
1.8　讀取數(shù)據(jù)源 14
1.8.1　開(kāi)始 15
1.8.2　動(dòng)手做 15
1.8.3　工作原理 18
1.8.4　參考 18
1.9　其他資源 19
1.9.1　開(kāi)始 19
1.9.2　動(dòng)手做 19
第2章　TensorFlow進(jìn)階 20
2.1　簡(jiǎn)介 20
2.2　計(jì)算圖中的操作 20
2.2.1　開(kāi)始 20
2.2.2　動(dòng)手做 21
2.2.3　工作原理 21
2.3　TensorFlow的嵌入Layer 21
2.3.1　開(kāi)始 21
2.3.2　動(dòng)手做 22
2.3.3　工作原理 22
2.3.4　延伸學(xué)習(xí) 22
2.4　TensorFlow的多層Layer 23
2.4.1　開(kāi)始 23
2.4.2　動(dòng)手做 23
2.4.3　工作原理 24
2.5　TensorFlow實(shí)現(xiàn)損失函數(shù) 24
2.5.1　開(kāi)始 25
2.5.2　動(dòng)手做 26
2.5.3　工作原理 28
2.5.4　延伸學(xué)習(xí) 28
2.6　TensorFlow實(shí)現(xiàn)反向傳播 29
2.6.1　開(kāi)始 29
2.6.2　動(dòng)手做 30
2.6.3　工作原理 33
2.6.4　延伸學(xué)習(xí) 33
2.6.5　參考 33
2.7　TensorFlow實(shí)現(xiàn)批量訓(xùn)練和隨機(jī)訓(xùn)練 34
2.7.1　開(kāi)始 34
2.7.2　動(dòng)手做 34
2.7.3　工作原理 35
2.7.4　延伸學(xué)習(xí) 36
2.8　TensorFlow實(shí)現(xiàn)創(chuàng)建分類器 36
2.8.1　開(kāi)始 36
2.8.2　動(dòng)手做 37
2.8.3　工作原理 38
2.8.4　延伸學(xué)習(xí) 39
2.8.5　參考 39
2.9　TensorFlow實(shí)現(xiàn)模型評(píng)估 39
2.9.1　開(kāi)始 39
2.9.2　動(dòng)手做 40
2.9.3　工作原理 43
第3章　基于TensorFlow的線性回歸 44
3.1　簡(jiǎn)介 44
3.2　用TensorFlow求逆矩陣 44
3.2.1　開(kāi)始 45
3.2.2　動(dòng)手做 45
3.2.3　工作原理 46
3.3　用TensorFlow實(shí)現(xiàn)矩陣分解 46
3.3.1　開(kāi)始 46
3.3.2　動(dòng)手做 46
3.3.3　工作原理 47
3.4　用TensorFlow實(shí)現(xiàn)線性回歸算法 47
3.4.1　開(kāi)始 48
3.4.2　動(dòng)手做 48
3.4.3　工作原理 50
3.5　理解線性回歸中的損失函數(shù) 51
3.5.1　開(kāi)始 51
3.5.2　動(dòng)手做 51
3.5.3　工作原理 52
3.5.4　延伸學(xué)習(xí) 53
3.6　用TensorFlow實(shí)現(xiàn)戴明回歸算法 53
3.6.1　開(kāi)始 54
3.6.2　動(dòng)手做 54
3.6.3　工作原理 55
3.7　用TensorFlow實(shí)現(xiàn)lasso回歸和嶺回歸算法 56
3.7.1　開(kāi)始 56
3.7.2　動(dòng)手做 56
3.7.3　工作原理 58
3.7.4　延伸學(xué)習(xí) 58
3.8　用TensorFlow實(shí)現(xiàn)彈性網(wǎng)絡(luò)回歸算法 58
3.8.1　開(kāi)始 58
3.8.2　動(dòng)手做 58
3.8.3　工作原理 60
3.9　用TensorFlow實(shí)現(xiàn)邏輯回歸算法 60
3.9.1　開(kāi)始 60
3.9.2　動(dòng)手做 61
3.9.3　工作原理 63
第4章　基于TensorFlow的支持向量機(jī) 65
4.1　簡(jiǎn)介 65
4.2　線性支持向量機(jī)的使用 67
4.2.1　開(kāi)始 67
4.2.2　動(dòng)手做 67
4.2.3　工作原理 70
4.3　弱化為線性回歸 71
4.3.1　開(kāi)始 71
4.3.2　動(dòng)手做 72
4.3.3　工作原理 74
4.4　TensorFlow上核函數(shù)的使用 75
4.4.1　開(kāi)始 75
4.4.2　動(dòng)手做 76
4.4.3　工作原理 80
4.4.4　延伸學(xué)習(xí) 80
4.5　用TensorFlow實(shí)現(xiàn)非線性支持向量機(jī) 80
4.5.1　開(kāi)始 80
4.5.2　動(dòng)手做 80
4.5.3　工作原理 83
4.6　用TensorFlow實(shí)現(xiàn)多類支持向量機(jī) 83
4.6.1　開(kāi)始 83
4.6.2　動(dòng)手做 84
4.6.3　工作原理 87
第5章　最近鄰域法 88
5.1　簡(jiǎn)介 88
5.2　最近鄰域法的使用 89
5.2.1　開(kāi)始 89
5.2.2　動(dòng)手做 89
5.2.3　工作原理 92
5.2.4　延伸學(xué)習(xí) 92
5.3　如何度量文本距離 92
5.3.1　開(kāi)始 93
5.3.2　動(dòng)手做 93
5.3.3　工作原理 95
5.3.4　延伸學(xué)習(xí) 95
5.4　用TensorFlow實(shí)現(xiàn)混合距離計(jì)算 95
5.4.1　開(kāi)始 96
5.4.2　動(dòng)手做 96
5.4.3　工作原理 98
5.4.4　延伸學(xué)習(xí) 98
5.5　用TensorFlow實(shí)現(xiàn)地址匹配 99
5.5.1　開(kāi)始 99
5.5.2　動(dòng)手做 99
5.5.3　工作原理 101
5.6　用TensorFlow實(shí)現(xiàn)圖像識(shí)別 102
5.6.1　開(kāi)始 102
5.6.2　動(dòng)手做 102
5.6.3　工作原理 104
5.6.4　延伸學(xué)習(xí) 105
第6章　神經(jīng)網(wǎng)絡(luò)算法 106
6.1　簡(jiǎn)介 106
6.2　用TensorFlow實(shí)現(xiàn)門函數(shù) 107
6.2.1　開(kāi)始 107
6.2.2　動(dòng)手做 108
6.2.3　工作原理 110
6.3　使用門函數(shù)和激勵(lì)函數(shù) 110
6.3.1　開(kāi)始 111
6.3.2　動(dòng)手做 111
6.3.3　工作原理 113
6.3.4　延伸學(xué)習(xí) 113
6.4　用TensorFlow實(shí)現(xiàn)單層神經(jīng)網(wǎng)絡(luò) 114
6.4.1　開(kāi)始 114
6.4.2　動(dòng)手做 114
6.4.3　工作原理 116
6.4.4　延伸學(xué)習(xí) 117
6.5　用TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)常見(jiàn)層 117
6.5.1　開(kāi)始 117