tensorflow_cookbook--preface

Preface

        TensorFlow在2015年11月由Google开放，从此，它已经成为GitHub上最受欢迎的机器学习库。 TensorFlow的普及是由于创建计算图，自动区分和可定制性的方法。 由于这些功能，TensorFlow是一款功能强大且适应性强的工具，可用于解决许多不同的机器学习问题。

        本书涉及许多机器学习算法，将其应用于实际情况和数据，并显示如何解释结果。

What this book covers?

        第1章，TensorFlow入门，介绍了TensorFlow的主要对象和概念。 我们引入张量，变量和占位符。 我们还展示了如何使用TensorFlow中的矩阵和各种数学运算。 在本章末尾，我们将展示如何访问本书其余部分使用的数据源。

        第2章，“TensorFlow方法”建立了如何通过多种方式将第1章中的所有算法组件连接到计算图中，以创建简单的分类器。 一路上，我们涵盖了计算图，损失函数，反向传播和数据训练。

        第3章，线性回归，重点是使用TensorFlow来探索各种线性回归技术，如戴明，套索，脊，弹性网和逻辑回归。 我们演示如何在TensorFlow计算图中实现每个。

        第4章，支持向量机引入了支持向量机（SVM），并展示了如何使用TensorFlow来实现线性SVM，非线性SVM和多类SVM。

        第5章，最近邻方法显示了如何使用数字度量，文本度量和缩放距离函数实现最近邻技术。 我们使用最近邻技术在地址之间执行记录匹配，并从MNIST数据库中分类手写数字。

        第6章，神经网络涵盖了如何在TensorFlow中实现神经网络，从操作门和激活功能概念开始。然后我们显示一个浅层神经网络，并展示如何建立各种不同类型的图层。我们通过教导TensorFlow通过神经网络方法来实现tic-tac-toe来结束本章。

        第7章，自然语言处理，用TensorFlow说明了各种文本处理技术。我们展示如何实现文字技巧和TF-IDF文本。然后，我们用CBOW和skip-gram引入神经网络文本表示，并将这些技术用于Word2Vec和Doc2Vec进行现实世界的预测。
卷积神经网络。

        第8章，通过说明如何在具有卷积神经网络（CNN）的图像上使用神经网络来扩展我们对神经网络的知识。我们展示如何构建一个简单的CNN用于MNIST数字识别，并将其扩展到CIFAR-10任务中的彩色图像。我们还说明了如何扩展以前的训练过的图像识别模型，用于定制任务。我们通过解释和展示TensorFlow中的stylenet /神经风格和深层梦想算法来结束本章。

        第9章，循环神经网络解释了如何在TensorFlow中实现复发神经网络（RNN）。我们展示如何做文本垃圾邮件预测，并扩展RNN模型，以基于莎士比亚的文本生成。我们还训练一个序列到德文 - 英文翻译的序列模型。通过显示暹罗RNN网络在地址上进行记录匹配的用法，我们不用说这一章。

        第10章，采用TensorFlow进行生产，提供了将TensorFlow移植到生产环境以及如何利用多台处理设备（如GPU）和设置分布在多台机器上的TensorFlow的提示和示例。

        第11章，TensorFlow的更多内容，通过说明如何进行k均值，遗传算法和解决普通微分方程组（ODEs）来展示TensorFlow的多功能性。我们还展示了Tensorboard的各种用途，以及如何查看计算图表度量。