本书主要介绍TensorFlow及其在各种深度学习神经网络中的应用。全书共5章，首先介绍了TensorFlow的入门知识，包括其相关技术与模型以及安装配置，然后分别介绍了TensorFlow在深度神经网络、卷积神经网络、递归神经网络中的应用，并通过具体示例进行了详细分析与应用。后，对上述TensorFlow模型进行了总结分析，并核验了模型精度。

本书特色
本书是在作者Dan的TensorFlow畅销视频课程基础上编著完成的。随着深度学习逐步成为主流，使得利用深度神经网络来理解数据并得到准确结果成为可能。Dan Van Boxel将引导读者探索深度学习的可能，会让读者前所未有地了解数据。根据TensorFlow的高效性和简易性，读者能够处理数据并获得改变对数据看法的新见解。
在作者的引导下，读者将利用原始数据深入挖掘抽象的隐层。随后作者介绍了各种复杂的深度学习算法以及各种深度神经网络的应用案例。另外，读者还将学习到如何训练所建立的模型来生成新的特征，从而了解更深层次的数据意义。
在本书中，作者分享了其宝贵的经验和知识，如逻辑回归、卷积神经网络、递归神经网络、深度网络训练、高级接口等内容。在一些全新的实践示例帮助下，读者将成为在先进多层神经网络、图像识别以及其他方面的高手。

关于本书
阅读本书将会学到的内容：
配置计算环境和安装TensorFlow；
构建日常计算的简单TensorFlow图；
基于TensorFlow的逻辑回归分类应用；
利用TensorFlow设计和训练多层神经网络；
直观理解卷积神经网络在图像识别中的应用；
神经网络从简单模型到更精准模型的改进；
TensorFlow在其他类型神经网络中的应用；
基于一种TensorFlow高级接口SciKit Flow的神经网络编程。

TensorFlow是一种用于机器学习和训练神经网络的开源软件库。 TensorFlow最初是由 Google公司开发，并于 2015年开放源码。
通过本书，您将学习到如何使用 TensorFlow解决新的研究问题。同时，会利用其中一种基于 TensorFlow的最常用的机器学习方法和神经网络方法。本书的研究工作主要是致力于通过简单和深度神经网络来改进模型。
在此，研究各种字体的字母和数字图像，其目的是根据一个字母的特定图像来识别字体。这是一个简单的分类问题。
不仅单个像素或位置，而且像素间的局部结构也是非常重要的，这对于基于 TensorFlow的深度学习是一个理想问题。尽管是从简单模型开始，但将逐步介绍更加细微的方法，并逐行解释代码。在本书的结尾处，将可构建出自己的字体识别先进模型。
所以请准备好：利用 TensorFlow深入挖掘数据资源。
本书主要内容
第 1章入门知识，介绍了使用 TensorFlow的技术和模型。在本章，将介绍在计算机上安装 TensorFlow。经过简单计算的一些步骤，将进入机器学习问题，并成功构建包含逻辑回归和几行 TensorFlow代码的适当模型。
第 2章深度神经网络，介绍了 TensorFlow在深度神经网络中的主要原理。在此，将学习单隐层和多隐层模型。同时还将了解不同类型的神经网络，并利用 TensorFlow构建和训练第一个神经网络。
第 3章卷积神经网络，阐述了深度学习方面最强大的发展潜力，并将卷积概念应用于 TensorFlow的一个简单示例中。在此将着重处理卷积理解的实际问题。另外，还通过一个 TensorFlow示例解释神经网络中的卷积层和池化层。
第 4章递归神经网络，介绍了递归神经网络（ RNN）模型的概念，及其在 TensorFlow中的实现。在此重点分析称为 TensorFlow学习（ TensorFlow learn）的一个 TensorFlow的简单界面。另外，还简单演示了密集连接神经网络（ DNN）以及卷积神经网络（ CNN），并详细介绍了提取权重过程。
第 5章总结整理，完成所考虑的 TensorFlow。重新分析字体分类的 TensorFlow模型，并核验其模型精度。

学习本书所需的准备工作
本书将介绍如何安装 TensorFlow，因此需要准备一些依赖软件。至少需要一个最新版本的 Python2或 Python3以及 NumPy。为更好地学习本书，还应具有 Matplotlib和 IPython。

本书读者对象
随着深度学习逐渐成为主流，利用深度学习网络获取数据并得到准确结果变得可能。 Dan Van Boxel可指导读者探索深度学习中的各种可能性。它将使读者能够从未像过去那样理解数据。依据 TensorFlow的效率和简单性，读者可以有效处理数据，并获得可改变看待数据的洞察力。

约定惯例
在本书中，读者会发现许多可区分不同信息类型的文本风格。下面给出上述风格的一些示例，并解释其相应的含义。
在文本、数据表名称、文件夹名称、文件名、文件扩展名、路径名称、虚拟 URL、用户输入和 Twitter句柄等中的代码如下所示：首先需要做的第一件事是下载本书的源码包，并打开 simple.py文件。
一段代码设置如下：
import tensorflow as tf
# You can create constants in TF to hold specific values
a = tf.constant(1)
b = tf.constant(2)

若希望强调一段代码中的特定部分，则设置相关的行或项为粗体：
import tensorflow as tf # You can create constants in TF to hold specific values
a = tf.constant(1)
b = tf.constant(2)
任何命令行的输入或输出都如下：
sudo pip3 install ./tensorflow-1.2.1-cp35-cp35m-linux_x86_64.
Whl
新项和关键词用黑体显示。读者在屏幕上看到的单词，如菜单或对话框中，会显示为如下文本格式：单击 New创建一个新文件。在此将创建一个 Jupyter笔记本。


提示和技巧会这样显示

读者反馈
欢迎读者反馈意见。让作者了解读者对本书的看法，喜欢什么或不喜欢什么。读者反馈对于作者开发真正让读者受益的主题非常重要。
若要给作者反馈意见，只需发送邮件到 feedback@packtpub.com，并在邮件标题中注明书名。
如果有读者擅长的主题或有兴趣参与撰写或出版的书，请查看 www.packtpub.com/ authors上的作者指南。

用户支持
既然读者购买了 Packt出版社出版的书，那么出版社将会帮助读者获得最大收益。

示例代码下载
读者可以在 http://www.packtpub.com上根据账户下载本书的示例代码。如果想要购买本书电子版，可以访问 http://www.packtpub.com/support并注册，将直接通过电子邮件发送给读者。
下载代码文件步骤如下：
1
）通过邮件地址和密码在网站上登录或注册。

2）鼠标指向顶部的
SUPPORT选项。

3）单击
Code Downloads & Errata。

4）在 Search框中输入书名。

5
）选择想要下载代码文件的书。

6
）在下拉菜单中选择购买本书的方式。

7）单击
Code Download。读者也可以通过单击 Packt出版社网站上本书网页的 Code Files按钮来下载代码文件。


通过在 Search框中输入书名来访问该页面。需要注意的是，应首先通过 Packt账户登录。下载完成后，请用以下软件最新版本来解压文件夹：
. WinRAR / 7-Zip for Windows。

. Zipeg / iZip / UnRarX for Mac。

. 7-Zip / PeaZip for Linux。


本书的代码包还托管在 GitHub上，https://github.com/PacktPublishing/Hands-On-Deep-Learning-with-TensorFlow。另外在 https://github.com/PacktPublishing/上的大量图书和视频目录中还有其他代码包。请查阅！

下载本书彩页
本书还提供了书中截图 /图表的彩色 PDF文件，这些彩页将有助于读者更好地理解输出变化，可从 https://www.packtpub.com/sites/default/.les/HandsOnDeepLearningwithTensorFl
ow.pdf下载该文件。

勘误
尽管已尽力确保内容准确，但仍然难免会有错误。如果读者在书中发现了错误、文本或代码错误，如果能及时告知，将不胜感激。这样会帮助其他读者，并有助于在本书的后续版本中进行完善。如果读者发现任何错误，请访问 http://www.packtpub.com/submit-errata告知。首先选择书名，点击勘误提交表单链接，然后输入详细的勘误内容。一旦通过验证，将会接受读者的提交并将勘误表上传网站，或在该标题的勘误部分下添加到现有的勘误表中。
若要查看已提交的勘误表，请访问 https://www.packtpub.com/books/content/support，并在搜索栏中输入书名。相关信息将会显示在 Errata部分中。

版权保护
在互联网上受版权保护的资料，涉及的盗版问题是一个存在于所有媒体的严重问题。 Packt出版社非常重视保护版权和许可。如果读者在网上发现任何非法复制的作品，请立即提供地址和网址，以便追踪索赔。请通过 copyright@packtpub.com联系我们，并提供疑似盗版材料的链接。非常感谢您在保护作者和为您提供宝贵内容方面的帮助。

问题
如果读者对本书有任何问题，请通过 questions@packtpub.com联系我们，我们将竭尽全力为读者解决。

关于作者
Dan Van Boxel是一位拥有 10多年开发经验的数据分析师和机器学习工程师，其最具代表性的工作是 Dan Dose Data，这是一个在 YouTube上演示神经网络强大功能和缺陷的直播平台。作者已开发出多种有关机器学习的新统计模型，并应用于高速运输货车计费、行程时间异常检验等领域。另外，作者还在美国交通研究委员会和其他学术期刊上发表了学术论文并给出了研究结果。
www.PacktPub.com

电子书、折扣优惠等
下载本书相关的文件资料，请访问 www.PacktPub.com。
您是否知道 Packt出版社为每本出版发行的书都提供了电子书版本，其中包括 PDF和 ePub文件？您可以通过 www.PacktPub.com升级电子书版本，作为纸质版用户，还可以享受电子书的折扣。有关更多详细信息，请通过 customercare@packtpub.com与我们联系。
在 www.PacktPub.com，读者还可以阅读免费技术文章，订阅一系列免费时事通信，并获得 Packt出版社纸制书和电子书的独家折扣和优惠。
使用 Mapt可获得最需要的软件技能。 Mapt可让读者充分访问所有 Packt出版社的图书和视频课程，以及行业领先的工具，帮助读者规划个人发展并推动读者的事业发展。
为什么订阅？
. 可以在 Packt出版社发行的每本书中全面搜索。

. 复制、粘贴、打印和标注内容。

. 可通过 web浏览器访问。

译者简介：◆

---

连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。

译者序
原书前言
第1 章　入门知识 // 1
1.1　TensorFlow 安装 // 1
1.1.1　TensorFlow- 主界面 // 1
1.1.2　TensorFlow- 安装页面 // 1
1.1.3　通过pip 安装 // 1
1.1.4　通过CoCalc 安装 // 4
1.2　简单计算 // 6
1.2.1　定义标量和张量 // 6
1.2.2　张量计算 // 7
1.2.3　执行计算 // 7
1.2.4　张量变量 // 8
1.2.5　查看和替换中间值 // 9
1.3　逻辑回归模型建模 // 10
1.3.1　导入字体分类数据集 // 11
1.3.2　逻辑回归分析 // 13
1.3.3　数据准备 // 13
1.3.4　构建TensorFlow 模型 // 14
1.4　逻辑回归模型训练 // 15
1.4.1　编写损失函数 // 15
1.4.2　训练模型 // 16
1.4.3　评估模型精度 // 17
1.5　小结 // 19
第2 章　深度神经网络 // 20
2.1　基本神经网络 // 20
2.1.1　log 函数 // 21
2.1.2　sigmoid 函数 // 22
2.2　单隐层模型 // 23
2.2.1　单隐层模型探讨 // 24
2.2.2　反向传播算法 // 25
2.3　单隐层模型解释 // 26
2.3.1　理解模型权重 // 28
2.4　多隐层模型 // 29
2.4.1　多隐层模型探讨 // 30
2.5　多隐层模型结果 // 32
2.5.1　多隐层模型图理解 // 33
2.6　小结 // 36
第3 章　卷积神经网络 // 37
3.1　卷积层激励 // 37
3.1.1　多特征提取 // 40
3.2　卷积层应用 // 41
3.2.1　卷积层探讨 // 41
3.3　池化层激励 // 46
3.3.1　最大池化层 // 46
3.4　池化层应用 // 49
3.5　深度卷积神经网络 // 51
3.5.1　添加卷积层和池化层组合 // 51
3.5.2　应用卷积神经网络进行字体分类 // 53
3.6　更深度卷积神经网络 // 57
3.6.1　 对卷积神经网络中的一层添加另
一层 // 57
基于TensorFlow 的深度学习：
揭示数据隐含的奥秘
X
3.7　整理总结深度卷积神经网络 // 60
3.8　小结 // 64
第4 章　递归神经网络 // 65
4.1　递归神经网络探讨 // 65
4.1.1　权重建模 // 66
4.1.2　递归神经网络理解 // 67
4.2　TensorFlow Learn // 70
4.2.1　设置 // 71
4.2.2　逻辑回归 // 72
4.3　深度神经网络 // 73
4.3.1　 卷积神经网络在Learn 中的
应用 // 74
4.3.2　权重提取 // 77
4.4　小结 // 78
第5 章　总结整理 // 79
5.1　研究评价 // 79
5.2　所有模型的快速回顾 // 80
5.2.1　逻辑回归模型 // 80
5.2.2　单隐层神经网络模型 // 81
5.2.3　深度神经网络 // 83
5.2.4　卷积神经网络 // 84
5.2.5　深度卷积神经网络 // 85
5.3　TensorFlow 的展望 // 87
5.3.1　一些TensorFlow 工程项目 // 88
5.4　小结 // 90