TensorFlow机器学习项目实战课件.pptx

1、2020TensorFlow机器学习项目实战演讲人2025-11-111 探索和转换数据1 探索和转换数据AEDFBC1.2 处理计算工作流TensorFlow的数据流图1.3 运行我们的程序会话1.5 从磁盘读取信息1.4 基本张量方法1.6 小结1.1 TensorFlow的主要数据结构张量1 探索和转换数据1.1 TensorFlow的主要数据结构张量1.1.2 创建新的张量1.1.1 张量的属性阶、形状和类型1.1.3 动手工作与TensorFlow交互1 探索和转换数据1.2 处 理 计 算 工 作 流 TensorFlow的数据流图1.2.1 建立计算图1.2.2 数据供给1.2.

2、3 变量1.2.4 保存数据流图1.4 基本张量方法1 探索和转换数据1.4.2 序列1.4.1 简单矩阵运算1.4.3 张量形状变换1.4.4 数据流结构和结果可视化TensorBoard1 探索和转换数据1.5 从磁盘读取信息1.5.1 列表格式CSV1.5.2 读取图像数据1.5.3 加载和处理图像1.5.4 读取标准TensorFlow格式2 聚类2 聚类2.2 聚类的概念2.4 k最近邻2.6 例1对人工数据集的k均值聚类2.1 从数据中学习无监督学习2.3 k均值2.5 有用的库和使用示例2 聚类2.7 例2对人工数据集使用最近邻算法2.8 小结2.3 k均值2 聚类2.3.1 k

3、均值的机制2.3.2 算法迭代判据2.3.3 k均值算法拆解2.3.4 k均值的优缺点DCAB2 聚类2.4 k最近邻A2.4.1 k最近邻算法的机制2.4.2 k-nn的优点和缺点B2.5 有用的库和使用示例2 聚类2.5.2 scikit-learn数据集模块2.5.1 matplotlib绘图库2.5.3 人工数据集类型2 聚类2.6 例1对人工数据集的k均值聚类2.6.1 数据集描述和加载012.6.2 模型架构022.6.3 损失函数描述和优化循环032.6.4 停止条件042.6.5 结果描述052.6.6 每次迭代中的质心变化062 聚类2.6 例1对人工数据集的k均值聚类2.6

4、.7 完整源代码2.6.8 k均值用于环状数据集2 聚类2.7 例2对人工数据集使用最近邻算法2.7.1 数据集生成2.7.2 模型结构2.7.3 损失函数描述2.7.4 停止条件2.7.5 结果描述2.7.6 完整源代码3 线性回归3 线性回归013.1 单变量线性模型方程023.2 选择损失函数033.3 最小化损失函数043.4 示例部分053.5 例1单变量线性回归063.6 例2多变量线性回归3 线性回归3.7 小结3 线性回归3.3 最小化损失函数A3.3.1 最小方差的全局最小值3.3.2 迭代方法：梯度下降B3 线性回归3.4 示例部分3.4.2 tf.train.Optimi

5、zer类贰3.4.1 TensorFlow中的优化方法训练模块壹3.4.3 其他Optimizer实例类型叁3.5 例1单变量线性回归3 线性回归3.5.2 模型结构3.5.4 停止条件3.5.6 完整源代码3.5.1 数据集描述3.5.3 损失函数描述和Optimizer3.5.5 结果描述3.6 例2多变量线性回归3 线性回归3.6.2 Pandas库3.6.4 模型结构3.6.6 停止条件3.6.1 有用的库和方法3.6.3 数据集描述3.6.5 损失函数和OptimizerLOGOM.94275.CN3 线性回归3.6 例2多变量线性回归3.6.7 结果描述3.6.8 完整源代码4 逻

6、辑回归4 逻辑回归4.1 问题描述4.3 例1单变量逻辑回归4.5 小结4.2 Logistic函数的逆函数Logit函数4.4 例2基于skflow单变量逻辑回归4 逻辑回归4.2 Logistic函数的逆函数Logit函数014.2.1 伯努利分布024.2.2 联系函数034.2.3 Logit函数044.2.4 对数几率函数的逆函数Logistic函数054.2.5 多类分类应用Softmax回归4.3 例1单变量逻辑回归4 逻辑回归4.3.2 数据集描述和加载4.3.4 损失函数描述和优化器循环4.3.6 结果描述4.3.1 有用的库和方法4.3.3 模型结构4.3.5 停止条件LO

7、GOM.94275.CN4 逻辑回归4.3 例1单变量逻辑回归4.3.7 完整源代码4.3.8 图像化表示4 逻辑回归4.4 例2基于skflow单变量逻辑回归014.4.1 有用的库和方法4.4.2 数据集描述020304054.4.3 模型结构4.4.4 结果描述4.4.5 完整源代码5 简单的前向神经网络5 简单的前向神经网络5.1 基本概念5.2 例1非线性模拟数据回归5.3 例2通过非线性回归，对汽车燃料效率建模5.4 例3多类分类：葡萄酒分类5.5 小结5 简单的前向神经网络5.1 基本概念5.1.2 神经网络层1325.1.1 人工神经元5.1.3 有用的库和方法5 简单的前向神

8、经网络5.2 例1非线性模拟数据回归5.2.1 数据集描述和加载015.2.2 数据集预处理025.2.3 模型结构损失函数描述035.2.4 损失函数优化器045.2.5 准确度和收敛测试055.2.6 完整源代码065 简单的前向神经网络5.2 例1非线性模拟数据回归5.2.7 结果描述5 简单的前向神经网络5.3 例2通过非线性回归，对汽车燃料效率建模0102030405065.3.1 数 据集 描 述 和 加 载5.3.2 数据预处理5.3.3 模型架构5.3.4 准确度测试5.3.5 结果描述5.3.6 完整源代码5.4 例3多类分类：葡萄酒分类5 简单的前向神经网络5.4.1 数据

9、集描述和加载5.4.2 数据集预处理5.4.3 模型架构5.4.6 收敛性测试5.4.5 损失函数优化器5.4.4 损失函数描述5 简单的前向神经网络5.4 例3多类分类：葡萄酒分类5.4.7 结果描述5.4.8 完整源代码6 卷积神经网络6 卷积神经网络6.2 例1MNIST数字分类6.4 小结6.1 卷积神经网络的起源6.3 例2CIFAR10数据集的图像分类6 卷积神经网络6.1 卷积神经网络的起源016.1.1 卷积初探026.1.2 降采样操作池化036.1.3 提高效率dropout操作046.1.4 卷积类型层构建办法6.2 例1MNIST数字分类6 卷积神经网络6.2.1 数据

10、集描述和加载6.2.2 数据预处理6.2.3 模型结构6.2.6 准确性测试6.2.5 损失函数优化器6.2.4 损失函数描述6 卷积神经网络6.2 例1MNIST数字分类6.2.7 结果描述016.2.8 完整源代码026 卷积神经网络6.3 例2CIFAR10数据集的图像分类6.3.1 数据集描述和加载016.3.2 数据集预处理026.3.3 模型结构036.3.4 损失函数描述和优化器046.3.5 训练和准确性测试056.3.6 结果描述066 卷积神经网络6.3 例2CIFAR10数据集的图像分类6.3.7 完整源代码7 循环神经网络和LSTM7 循环神经网络和LSTM17.1 循

11、环神经网络27.2 例1能量消耗、单变量时间序列数据预测37.3 例2创作巴赫风格的曲目47.4 小结7.1 循环神经网络7 循环神经网络和LSTMADBC7.1.2 LSTM神经网络7.1.3 其他RNN结构7.1.4 TensorFlow LSTM有用的类和方法7.1.1 梯度爆炸和梯度消失7 循环神经网络和LSTM7.2 例1能量消耗、单变量时间序列数据预测0102030405067.2.1 数 据集 描 述 和 加 载7.2.2 数据预处理7.2.3 模型结构7.2.4 损失函数描述7.2.5 收敛检测7.2.6 结果描述7 循环神经网络和LSTM7.2 例1能量消耗、单变量时间序列数

12、据预测7.2.7 完整源代码7.3 例2创作巴赫风格的曲目7 循环神经网络和LSTMDCBA7.3.7 数据集预处理7.3.8 损失函数描述7.3.9 停止条件7.3.10 结果描述E7.3.11 完整源代码8 深度神经网络8 深度神经网络8.1 深度神经网络的定义8.2 深度网络结构的历史变迁8.3 例子VGG艺术风格转移8.4 小结DCAB8.2 深度网络结构的历史变迁8 深度神经网络8.2.2 Alexnet8.2.4 第一代Inception模型8.2.6 第三代Inception模型8.2.1 LeNet 58.2.3 VGG模型8.2.5 第二代Inception模型LOGOM.9

13、4275.CN8 深度神经网络8.2 深度网络结构的历史变迁18.2.7 残差网络（ResNet）28.2.8 其他的深度神经网络结构8 深度神经网络8.3 例子VGG艺术风格转移01038.3.1 有用的库和方法8.3.2 数据集描述和加载8.3.3 数据集预处理020405068.3.4 模型结构8.3.5 损失函数8.3.6 收敛性测试8 深度神经网络8.3 例子VGG艺术风格转移8.3.7 程序执行18.3.8 完整源代码29 规模化运行模型GPU和服务9 规模化运行模型GPU和服务AEDFBC9.2 打印可用资源和设备参数9.3 例1将一个操作指派给GPU9.5 分布式TensorF

14、low9.4 例2并行计算Pi的数值9.6 例3分布式Pi计算9.1 TensorFlow中的GPU支持9 规模化运行模型GPU和服务9.7 例4在集群上运行分布式模型9.8 小结9 规模化运行模型GPU和服务9.2 打印可用资源和设备参数9.2.2 选择CPU用于计算9.2.3 设备名称9.2.1 计算能力查询9 规模化运行模型GPU和服务9.4 例2并行计算Pi的数值9.4.1 实现方法9.4.2 源代码9.5 分布式TensorFlow9 规模化运行模型GPU和服务9.5.2 创建TensorFlow集群9.5.4 分布式编码结构示例9.5.1 分布式计算组件9.5.3 集群操作发送计算方法到任务LOGOM.94275.CN9 规模化运行模型GPU和服务9.6 例3分布式Pi计算A9.6.1 服务器端脚本9.6.2 客户端脚本B10 库的安装和其他技巧10 库的安装和其他技巧10.1.1 安装要求10.1.2 Ubuntu安装准备（安装操作的前期操作）10.1.4 Linux下从源码安装TensorFlow10.2.1 经典的Docker工具箱方法10.2.2 安装步骤 10.2 Windows安装10.1 Linux安装10.3 MacOS X安装10.4 小结01020403 感谢聆听2020