前言

近年来，机器学习已经从科学和理论专家的技术资产转变为 IT 领域大多数大型企业日常运营中的常见主题。深度学习等相关技术开始用于应对数据量的爆炸问题，使得访问前所未有的大量信息成为可能。此外，硬件领域的限制促使研发人员开发大量的并行设备，这让用于训练同一模型的数据能够成倍增长。

硬件和数据可用性方面的进步使研究人员能够重新审视先驱者在基于视觉的神经网络架构（卷积神经网络等）方面开展的工作，将它们用于许多新的问题。这都归功于具备普遍可用性的数据以及现在计算机拥有的强悍的计算能力。

为了解决这些新的问题，机器学习的从业者创建了许多优秀的机器学习包，它们每个都拥有一个特定的目标来定义、训练和执行机器学习模型。2015年11月9日，谷歌公司进入了机器学习领域，决定开源自己的机器学习框架 TensorFlow，谷歌内部许多项目都以此为基础。

本书将机器学习背后的基本理论与应用实践联系起来，通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用 TensorFlow 强大的机器学习库和一系列统计模型来解决一系列的机器问题。不管你是数据科学领域的初学者，还是想进一步拓展对数据科学领域认知的进阶者，本书都是一个重要且不可错过的选择，它能帮助你了解如何使用TensorFlow解决数据爆炸问题。

之所以学习利用TensorFlow解决机器问题，是因为TensorFlow完全绑定兼容Python，即Python具有的特点，TensorFlow也具备，所以利用TensorFlow对大数据进行提取、分析、降维完全没有压力。

本书共分四大部分：

第一部分，介绍TensorFlow及深度学习的基础知识（第1～3章）。

这部分主要介绍深度学习的定义、优势、应用、TensorFlow的特点、环境搭建、张量、图、会话、变量、队列与线程等内容。通过本部分内容的学习，读者将对深度学习、TensorFlow 的特点、功能及其编程基础、进阶编程有全面的认识，可轻松掌握TensorFlow并认识深度学习。

第二部分，介绍TensorFlow在线性回归、逻辑回归、聚类分析等方面的机器应用（第4～6章）。

本部分内容主要介绍如何利用TensorFlow软件解决实现线性回归问题、戴明回归算法、岭回归与Lasso回归算法、弹性网络回归算法、逻辑函数的逆函数、Softmax回归、支持向量机、K-均值聚类法等问题。本部分每章节都采用理论、公式、应用实例相结合的方式，让读者领略利用TenosrFlow解决机器问题的方便、快捷。

第三部分，介绍神经网络等相关问题（第7～10章）。

本部分内容主要包括反向网络、激励函数、卷积网络、循环网络、自编码网络、对抗网络等内容，通过这部分内容的学习，读者将学会从各个方面利用TensorFlow软件深入透彻解决神经网络等机器问题，进一步领略TensorFlow的强大功能，感受到 TensorFlow可以成为现今流行软件的原因。

第四部分，介绍机器学习的综合实例（第11章）。

本部分主要是在前面介绍的机器学习相关知识的基础上，综合应用机器学习知识求解实际问题。其中有几个实例都用同一组数据集，利用不同的方法进行求解，比较各种方法的求解结果，通过对比学习，让读者更直观地感受各方法的优缺点，以使读者在以后的应用中根据需要选择合适的方法。

本书适合TensorFlow初学者阅读，也适合研究TensorFlow的广大科研人员、学者、工程技术人员学习参考。

由于作者水平有限，错误和疏漏之处在所难免。在此，诚恳地期望得到各领域专家和广大读者的批评指正。

张德丰