零起点TensorFlow快速入门 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

何海群 著

图书标签:

• TensorFlow
• 深度学习
• 机器学习
• Python
• 人工智能
• 神经网络
• 零基础
• 入门
• 数据科学
• 模型构建

出版社： 电子工业出版社

ISBN：9787121323331

版次：1

商品编码：12193991

品牌：Broadview

包装：平装

开本：16开

出版时间：2017-10-01

用纸：胶版纸

页数：360

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
1.2 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
9.1 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
案例12-4：dAE降噪自编码算法1 257
案例12-5：dAE降噪自编码算法2 260
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
13.1.2 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

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Google 2014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本书介绍的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
　

零起点 TensorFlow 快速入门 是否曾经对深度学习的世界充满好奇，却又被复杂的数学公式和庞大的代码库吓退？是否渴望掌握当下最热门的人工智能技术，却不知从何下手？《零起点 TensorFlow 快速入门》正是为你量身打造的理想之作。 本书并非一本传统意义上枯燥乏味的理论书籍，也不是一份罗列了无数API的“字典”。相反，它是一本以实践为导向，以理解为核心，以快速上手为目标的入门指南。我们深知，对于初学者而言，最大的障碍往往是“看不懂”和“不敢动”。因此，本书将摒弃那些不必要的学术堆砌，聚焦于TensorFlow最核心、最实用的概念和操作，让你在轻松愉快的学习过程中，逐步建立起对深度学习的直观认识，并能独立构建和训练自己的第一个深度学习模型。 谁适合阅读本书？ 对人工智能、机器学习、深度学习有浓厚兴趣，但缺乏相关技术背景的完全初学者。 你不需要任何编程经验，也无需担忧复杂的数学理论，我们将从最基础的概念讲起。 希望快速了解并掌握TensorFlow这一强大框架的使用方法，并将其应用于实际项目的开发者。 如果你是一名Python开发者，想要扩展技能栈，涉足AI领域，那么这本书将是你的绝佳跳板。 在学习其他深度学习框架时感到困难，希望寻求一种更直观、更易于理解的学习路径的同学。 对“神经网络”、“卷积”、“循环”等术语感到陌生，但渴望将其背后的原理和应用一探究竟的探索者。 本书能为你带来什么？ 本书的核心目标是让你在最短的时间内，理解TensorFlow的工作原理，掌握其基本用法，并能独立完成一些入门级的深度学习任务。我们将通过以下几个关键方面来实现这一目标： 1. 揭开深度学习的神秘面纱，建立直观认识： 你将不再是被动地记忆各种算法和模型，而是会理解深度学习背后的核心思想。我们会用生动形象的比喻，将抽象的概念具象化，让你明白神经网络是如何“学习”的，梯度下降是如何工作的，过拟合和欠拟合是如何产生的。你将了解深度学习是如何在图像识别、自然语言处理、推荐系统等领域发挥巨大作用的。 2. TensorFlow的“零基础”上手： 我们不会一开始就抛给你一堆代码。首先，我们会引导你完成TensorFlow的安装和环境配置，确保你的开发环境搭建顺畅。随后，我们将从最简单的TensorFlow操作开始，例如张量的创建、数学运算，让你熟悉TensorFlow的基本数据结构。你将学会如何利用TensorFlow来表达和计算数学公式，为后续更复杂的模型构建打下坚实基础。 3. 构建你的第一个神经网络： 这是本书的重头戏。我们将循序渐进地引导你构建一个简单的全连接神经网络。从数据预处理，到定义模型结构（层、激活函数），再到定义损失函数和优化器，最后是训练和评估模型，每一个步骤都会配以清晰的代码示例和详尽的解释。你将亲手编写代码，看着模型一步步学习，最终完成一个具备一定功能的模型。 4. 深入理解核心概念与实践技巧： 在掌握了基础模型之后，我们将逐步深入到更重要的概念。 数据处理与增强： 学习如何有效地加载、预处理和增强你的数据集，这是保证模型性能的关键。你将了解各种数据预处理技术，以及如何使用TensorFlow提供的高效工具来简化这些过程。 卷积神经网络（CNN）入门： 探索在图像识别领域大放异彩的CNN。我们将详细讲解卷积层、池化层、全连接层的作用，并带领你构建第一个CNN模型，用于图像分类任务。你将直观地理解CNN是如何提取图像特征的。 循环神经网络（RNN）初探： 了解RNN在处理序列数据（如文本、时间序列）方面的强大能力。我们将介绍RNN的基本原理，并展示如何使用RNN来完成一些简单的文本任务，例如情感分析。 模型保存与加载： 学会如何保存训练好的模型，以便后续复用或部署。 迁移学习的魅力： 介绍迁移学习的概念，以及如何利用预训练模型来加速你的学习过程，并取得更好的效果。 5. 丰富的实战案例与项目实践： 理论的学习离不开实践的巩固。本书精心设计了一系列由浅入深的实战项目，涵盖了： 手写数字识别： 使用MNIST数据集，构建并训练一个全连接神经网络，实现对手写数字的准确识别。 图像分类： 利用CNN模型，对常见的图像进行分类，例如识别猫狗。 文本情感分析： 使用RNN模型，分析文本的情感倾向（正面或负面）。 这些案例不仅能让你巩固所学知识，更能让你感受到深度学习解决实际问题的强大力量。每一个案例都提供了完整的代码实现，并附带详细的步骤说明，让你能够轻松复现和修改。 本书的独特之处： “零起点”理念贯穿始终： 我们承诺，即使你没有任何编程基础，也能在阅读本书后掌握TensorFlow的入门技能。 注重“为什么”而非“是什么”： 我们不仅告诉你怎么做，更重要的是解释为什么这样做。这种理解方式能帮助你举一反三，触类旁通。 代码示例精炼实用： 所有的代码都经过精心设计，力求简洁高效，易于理解和修改。 循序渐进的学习路径： 从最基础的概念到复杂的模型，学习曲线平缓，让你保持学习的动力和信心。 强调动手实践： 大量的练习和实战项目，让你在实践中不断成长。 学习TensorFlow，就是拥抱未来。 随着人工智能技术的飞速发展，TensorFlow已经成为众多科技公司和研究机构的首选深度学习框架。掌握TensorFlow，将为你打开通往人工智能领域的大门，让你有机会参与到改变世界的创新浪潮中。 《零起点 TensorFlow 快速入门》将是你开启这段激动人心的旅程的最佳伙伴。让我们一起，用代码描绘智能的未来，让深度学习不再遥不可及！ 准备好了吗？现在就翻开这本书，开启你的TensorFlow探索之旅吧！

评分☆☆☆☆☆

我是一个偏向于实践操作的学习者，理论对我来说是干巴巴的。这本书最契合我需求的一点是，它对代码的重视程度非常高。几乎每一个新的概念提出后，紧随其后的就是一长串可执行的代码示例。而且这些代码块设计得非常独立且聚焦，我常常是直接复制粘贴到我的Jupyter Notebook里运行，立刻就能看到效果，这种即时反馈极大地增强了我的学习动力。更重要的是，书中提供的代码都是当前稳定且推荐的最佳实践写法，这对于初学者避免养成坏习惯至关重要。对于那些想要通过项目驱动学习的读者来说，这本书提供的项目案例丰富多样，从基础的回归预测到稍微复杂的序列模型，覆盖面很广，真正体现了“动手出真知”的学习理念。

评分☆☆☆☆☆

这本书的结构安排简直是教科书级别的典范，对于想要系统学习深度学习框架的工程师来说，简直是一份宝贵的财富。我尤其欣赏作者在章节编排上的用心，逻辑链条清晰到令人赞叹。它不仅仅是教你如何使用API，更深层次地剖析了TensorFlow背后的设计哲学和工作原理。很多市面上的书籍只是停留在“如何调用”的层面，而这本书却花了大篇幅去解释“为什么这样设计”以及“如果出现错误应该从哪里入手排查”。书中对数据预处理模块的讲解极其详尽，对于处理真实世界中的脏数据，提供了非常实用的策略和技巧。读完后，我感觉自己对构建一个端到端的机器学习流程有了全面的认识，不再是东一榔头西一棒子地学知识点，而是形成了一个完整、可复用的知识体系。这种系统性和深度，是快速入门类书籍中非常罕见的。

评分☆☆☆☆☆

这本书的排版和细节处理展现出了极高的专业水准，这对于长时间阅读技术文档的读者来说，体验感提升巨大。字体的选择、代码块的配色、图表的清晰度，都达到了专业出版物的标准。我特别喜欢它在关键概念旁边的“知识点提炼”或“注意”小栏目，这些地方往往总结了最容易被忽略的陷阱或者是最核心的知识点，省去了我反复查阅文档的麻烦。此外，书中对不同版本的TensorFlow兼容性也有所考虑，虽然它侧重于最新的框架特性，但对历史遗留的一些API变化也做了简要说明，这让已经接触过旧版本框架的读者也能平稳过渡。总而言之，这是一本从内容深度到呈现质量都无可挑剔的优秀教程，绝对是进入TensorFlow世界的最佳起点之一。

评分☆☆☆☆☆

坦白说，我之前尝试过几本号称“快速入门”的TensorFlow书籍，结果要么是代码版本太旧，要么就是对核心概念一带而过，导致我看完后依然感觉抓不住重点。然而，这本让我耳目一新。它的语言风格非常平实，几乎没有那种故作高深的术语堆砌，读起来非常轻松愉快，完全没有传统技术书籍的枯燥感。作者似乎非常擅长把复杂问题拆解成易于消化的模块。比如，在讲解模型训练循环时，他不是简单地给出一个`fit()`函数的调用，而是细致地展示了前向传播、损失计算、梯度计算和参数更新的全过程，这对于理解梯度下降的实际运作至关重要。这种精细入微的讲解，让我在调试自己的模型时，能够迅速定位问题所在，而不是像无头苍蝇一样乱撞。

评分☆☆☆☆☆

这本书真是太适合我这种对深度学习一窍不通的新手了！我以前总觉得TensorFlow听起来高深莫测，各种复杂的概念和代码让我望而却步。但这本书的叙述方式非常亲切自然，就像一个经验丰富的导师在手把手地教你。它从最基础的构建块开始，循序渐进地引导读者理解TensorFlow的核心思想。最让我惊喜的是，它没有一上来就堆砌晦涩难懂的理论，而是将复杂的数学概念巧妙地融入到实际的代码示例中。通过一步步跟着书中的例子敲代码、运行结果，我竟然真的明白了那些看似玄乎的“计算图”和“会话”是怎么回事。特别是那些实战案例，比如简单的线性回归和更复杂的图像识别项目，都设计得非常巧妙，既有足够的挑战性，又不会让人感到无从下手。这本书真正做到了把复杂的工具平民化，让零基础的人也能快速建立起对TensorFlow的信心和实际操作能力。

评分☆☆☆☆☆

据说还可以这个书

评分☆☆☆☆☆

基础理论学习的好参考资料

评分☆☆☆☆☆

东西很好，快递很给力

评分☆☆☆☆☆

零起点TensorFlow快速入门

评分☆☆☆☆☆

和之气的python机器学习一样 书籍不错的 只是里面有很多错误的地方（这本还没看完 python机器学习那本有很多低级错误 ）但不影响学习

评分☆☆☆☆☆

很满意的很满意的一次购物

评分☆☆☆☆☆

很适合入门。

评分☆☆☆☆☆

这本不错，送货快

评分☆☆☆☆☆

好评好评，紫薯布丁，紫薯布丁。