TensorFlow für Dummies
1st Edition
Published on 19. November 2018
320 pages
978-3-527-81896-9 (ISBN)
Description
TensorFlow ist Googles herausragendes Werkzeug für das maschinelle Lernen, und dieses Buch macht es zugänglich, selbst wenn Sie bisher wenig über neuronale Netze und Deep Learning wissen. Sie erfahren, auf welchen Prinzipien TensorFlow basiert und wie Sie mit TensorFlow Anwendungen 1.0 schreiben. Gleichzeitig lernen Sie die Konzepte des maschinellen Lernens kennen. Wenn Sie Softwareentwickler sind und TensorFlow in Zukunft einsetzen möchten, dann ist dieses Buch der richtige Einstieg für Sie. Greifen Sie auch zu, wenn Sie einfach mehr über das maschinelle Lernen erfahren wollen.
Reviews / Votes
"... Das Buch versteht sich als Einführung in TensorFlow als vielseitig einsetzbares universelles Werkzeug mit den Schwerpunkten Bilderkennung und Textanalyse, das sich aus zahlreichen sog. Klassen aufbaut. ..."(EKZ im Dezember 2018)
More details
Other editions
Additional editions
Matthew Scarpino
TensorFlow für Dummies
Book
09/2018
1st Edition
Wiley-VCH
€27.99
Article exhausted; check different version
Persons
Matthew Scarpino arbeitet seit mehr als 20 Jahren als Programmierer und Ingenieur. Er hat in dieser Zeit ausgiebig Erfahrungen mit Methoden des maschinellen Lernens gesammelt, insbesondere bei der Finanzanalyse, der kognitiven Modellierung und der Bilderkennung.
Content
- Intro
- Titelei
- Über den Autor
- Widmung
- Danksagung des Autors
- Einführung
- Über dieses Buch
- Törichte Annahmen über die Leser
- Symbole, die in diesem Buch verwendet werden
- Über das Buch hinaus
- Wie es weitergeht
- Teil I: Erste Schritte mit TensorFlow
- Kapitel 1: Maschinelles Lernen und TensorFlow
- Was ist maschinelles Lernen?
- Geschichte des maschinellen Lernens
- Statistische Regression
- Nachahmung des Gehirns
- Steter Fortschritt
- Revolutionäre Rechenkapazitäten
- Big Data und Deep Learning
- Frameworks für maschinelles Lernen
- Torch
- Theano
- Caffe
- Keras
- TensorFlow
- Kapitel 2: Ihr erstes TensorFlow-Programm
- Installation von TensorFlow
- Python und pip/pip3
- Installation unter Mac OS
- Installation unter Linux
- Installation unter Windows
- Das TensorFlow-Verzeichnis
- Ausführung Ihres ersten Programms
- Ein Blick auf die Codebeispiele
- Hallo TensorFlow!
- Stilvorgaben
- Kapitel 3: Tensoren und Operationen
- Tensoren erzeugen
- Tensoren mit bekannten Werten erzeugen
- Die constant-Funktion
- zeros, ones und fill
- Tensoren mit Wertsequenzen
- Tensoren mit zufälligen Werten erzeugen
- Transformation von Tensoren
- Operationen erzeugen
- Grundlegende mathematische Operationen
- Rundungen und Vergleiche
- Exponenten und Logarithmen
- Vektor- und Matrixoperationen
- Von der Theorie zur Praxis
- Kapitel 4: Graphen und Sitzungen
- Aufbau von Graphen
- Zugriff auf Daten eines Graphen
- GraphDef-Objekte erzeugen
- Sitzungen erzeugen und ausführen
- Sitzungen erzeugen
- Sitzungen ausführen
- Interaktive Sitzungen
- Protokolle (Logs) erstellen
- Daten mit TensorBoard visualisieren
- TensorBoard ausführen
- Zusammenfassungsdaten generieren
- Benutzerdefinierte Zusammenfassungen
- Zusammenfassungsdaten schreiben
- Von der Theorie zur Praxis
- Kapitel 5: Training
- Training in TensorFlow
- Entwurf des Modells
- Variablen und ihre Nutzung
- Variablen erzeugen
- Variablen initialisieren
- Den Verlust berechnen
- Verlustminimierung durch Optimierung
- Die Optimizer-Klasse
- Der GradientDescentOptimizer
- Der MomentumOptimizer
- Der AdagradOptimizer
- Der AdamOptimizer
- Daten in eine Sitzung einspeisen
- Platzhalter erzeugen
- Das Dictionary für die Dateneinspeisung erstellen
- Stochastizität
- Steps und Epochen
- Variablen speichern und wiederherstellen
- Variablen speichern
- Variablen wiederherstellen
- SavedModels nutzen
- Eine SavedModel-Instanz speichern
- Eine SavedModel-Instanz laden
- Von der Theorie zur Praxis
- Den Trainingsprozess visualisieren
- Session-Hooks
- Hooks erzeugen
- Eine MonitoredSession erzeugen
- Von der Theorie zur Praxis
- Teil II: Maschinelles Lernen implementieren
- Kapitel 6: Datenanalyse mit statistischer Regression
- Analyse von Systemen mittels Regression
- Lineare Regression: Eine Gerade für Datenpunkte
- Polynomielle Regression: Ein Polynom für Datenpunkte
- Binäre logistische Regression: Daten in zwei Kategorien
- Beschreibung des Problems
- Definition von Modellen mit der logistischen Funktion
- Den Verlust mittels Maximum-Likelihood-Schätzung berechnen
- Von der Theorie zur Praxis
- Multinomiale logistische Regression: Daten in mehreren Kategorien
- Der MNIST-Datensatz
- Definition des Modells mit der Softmax-Funktion
- Den Verlust mithilfe der Kreuzentropie berechnen
- Von der Theorie zur Praxis
- Kapitel 7: Neuronale Netze und Deep Learning
- Von Neuronen zu Perzeptronen
- Neuronen
- Perzeptronen
- Verbesserung des Modells
- Gewichte
- Bias
- Aktivierungsfunktionen
- Schichten und Deep Learning
- Schichten
- Deep Learning
- Training mit Backpropagation
- Deep Learning implementieren
- Feinabstimmung des neuronalen Netzes
- Eingaben standardisieren
- Gewichte initialisieren
- Den Batch normalisieren
- Regularisierung
- Variablen mittels Scope verwalten
- Scope von Variablen
- Variablen aus Sammlungen abrufen
- Scopes für Namen und Argumente
- Den Deep-Learning-Prozess verbessern
- Feinabgestimmte Schichten erzeugen
- Von der Theorie zur Praxis
- Kapitel 8: Bilder mit konvolutionellen neuronalen Netzen klassifizieren
- Filter für Bilder
- Faltung (Konvolution)
- Filter zur Durchschnittsbildung
- Filter und Merkmale
- Die Merkmalssuche praktisch erklärt
- Faltungsparameter festlegen
- Konvolutionelle neuronale Netze
- Faltungsschichten erzeugen
- Pooling-Schichten erzeugen
- Von der Theorie zur Praxis
- CIFAR-Bilder verarbeiten
- CIFAR-Bilder in einem Programm klassifizieren
- Bildbearbeitungsoperationen
- Bilder konvertieren
- Bildfarben bearbeiten
- Drehen und Spiegeln
- Skalieren und Zuschneiden
- Falten
- Von der Theorie zur Praxis
- Kapitel 9: Sequenzielle Daten mit rekurrenten neuronalen Netzen analysieren
- Rekurrente neuronale Netze (RNN)
- RNN und rekursive Funktionen
- Training eines RNN
- RNN-Zellen erzeugen
- Ein einfaches RNN erzeugen
- Text mit einem RNN vorhersagen
- Mehrschichtige Zellen erzeugen
- Ein dynamisches RNN erzeugen
- Long Short-Term Memory (LSTM)
- LSTM-Zellen im Programmcode erzeugen
- Text mit LSTM vorhersagen
- Gated Recurrent Units (GRU)
- GRU-Zellen im Programmcode erzeugen
- Text mit GRU vorhersagen
- Teil III: TensorFlow vereinfachen und beschleunigen
- Kapitel 10: Auf Daten mit Datasets und Iteratoren zugreifen
- Datasets
- Datasets erzeugen
- Datasets verarbeiten
- Iteratoren
- One-Shot-Iteratoren
- Initialisierbare Iteratoren
- Reinitialisierbare Iteratoren
- Flexible Iteratoren
- Von der Theorie zur Praxis
- Bizarro-Datasets
- Daten aus CSV-Dateien laden
- Die Schwertlilien- und Boston-Datensätze laden
- Kapitel 11: Threads, Geräte und Cluster
- Ausführung mit mehreren Threads
- Konfiguration einer neuen Sitzung
- Konfiguration einer laufenden Sitzung
- Konfiguration von Geräten
- Kompilieren von TensorFlow mit dem Quelltext
- Zuweisung von Operationen zu Geräten
- Konfiguration der GPU-Nutzung
- TensorFlow in einem Cluster ausführen
- Ein ClusterSpec erzeugen
- Einen Server erzeugen
- Spezifikation von Jobs und Tasks
- Einen einfachen Cluster realisieren
- Kapitel 12: Anwendungen mit Schätzern
- Was sind Schätzer?
- Training eines Schätzers
- Testen eines Schätzers
- Ausführung eines Schätzers
- Erzeugung von Eingabefunktionen
- Konfiguration eines Schätzers
- Merkmalsspalten verwenden
- Schätzer erzeugen und verwenden
- Lineare Regressoren
- DNN-Klassifikatoren
- Kombinierte Schätzer
- Wide and Deep Learning
- Volkszählungsdaten analysieren
- Schätzer in einem Cluster ausführen
- Die Experiment-Klasse
- Ein Experiment erzeugen
- Methoden der Experiment-Klasse
- Ein Experiment ausführen
- Von der Theorie zur Praxis
- Kapitel 13: Programme auf der Google Cloud Platform ausführen
- Überblick
- Die Arbeit mit GCP-Projekten
- Ein neues Projekt erstellen
- Abrechnung
- Zugriff auf die Machine Learning Engine
- Das Cloud Software Development Kit
- Das gcloud-Dienstprogramm
- Google Cloud Storage
- Buckets
- Objekte und virtuelle Hierarchie
- Das gsutil-Tool
- Bereitstellung vorbereiten
- Argumente übergeben
- TensorFlow-Code als Paket
- Anwendungsausführung mit dem Cloud SDK
- Lokale Ausführung
- Bereitstellung in der Cloud
- Konfiguration eines Clusters in der Cloud
- Einstellungen für die Trainingseingaben
- Trainingsausgaben
- Einstellungen für die Vorhersageeingaben
- Vorhersageausgaben
- Teil IV: Der Top-Ten-Teil
- Kapitel 14: Die zehn wichtigsten Klassen
- Tensor
- Operation
- Graph
- Sitzung
- Variable
- Optimierer
- Schätzer
- Dataset
- Iterator
- Saver
- Kapitel 15: Zehn Tipps für das Training von neuronalen Netzen
- Repräsentative Datensätze auswählen
- Daten standardisieren
- Gewichte angemessen initialisieren
- Mit wenigen Schichten beginnen
- Dropout-Schichten hinzufügen
- Modelle mit kleinen, zufälligen Batches trainieren
- Batch-Daten normalisieren
- Unterschiedliche Optimierungsalgorithmen testen
- Die Lernrate richtig wählen
- Gewichte und Gradienten überprüfen
- Stichwortverzeichnis
- Wiley End User License Agreement
Abbildungsverzeichnis
- Kapitel 1
- Kapitel 3
- Kapitel 4
- Kapitel 5
- Abbildung 5.1: Die Ableitung an einem Punkt entspricht der Steigung der Kurve an jenem Punkt.
- Abbildung 5.2: Der Gradient gibt die Richtung der steilsten Steigung an.
- Abbildung 5.3: Eine Funktion kann mehrere lokale Minima besitzen, aber nur ein globales Minimum.
- Abbildung 5.4: Der Verlust erreicht ein Minimum, wenn x gleich 2 ist.
- Abbildung 5.5: TensorBoard veranschaulicht das Training, indem der Variablenwert bei jedem Schritt angezeigt wird.
- Kapitel 6
- Abbildung 6.1: Der Wert des Comichefts nimmt im Laufe der Zeit zu.
- Abbildung 6.2: Bei der statistischen Regression werden Datenpunkte mit einer Polynomfunktion näherungsweise erfasst.
- Abbildung 6.3: Mit zunehmender Lautstärke des Weckers steigt die Wahrscheinlichkeit, dass ich aufstehe.
- Abbildung 6.4: Die Funktionswerte der logistischen Funktion liegen alle zwischen 0 und 1.
- Abbildung 6.5: Nach dem Training findet die Sigmoidfunktion eine Näherung für die Experimentdaten.
- Abbildung 6.6: MNIST-Bild »8«
- Kapitel 7
- Abbildung 7.1: Eine Nervenzelle empfängt eingehende Signale über ihre Dendriten und erzeugt ein abgehendes Signal, das über das Axon weitergeleitet wird.
- Abbildung 7.2: Perzeptronen sind Neuronen in vielerlei Hinsicht ähnlich.
- Abbildung 7.3: Perzeptronen werden in einer baumartigen Struktur kombiniert.
- Abbildung 7.4: Jede Eingabe ist mit einem Gewicht versehen.
- Abbildung 7.5: Dieser Knoten hat eine konstante Bias-Eingabe.
- Abbildung 7.6: Die ReLU-Funktion (Rectified Linear Unit) leitet nur positive Werte weiter.
- Abbildung 7.7: Die tf.nn.relu6-Funktion lässt keine Ausgaben größer als 6 zu.
- Abbildung 7.8: Die ELU-Funktion (Exponential Linear Unit) geht stufenlos von negativen zu positiven Werten über.
- Abbildung 7.9: Die Sigmoidfunktion wird häufig zur Darstellung von Klassifikationswahrscheinlichkeiten genutzt.
- Abbildung 7.10: Die tanh-Funktion ähnelt der Sigmoidfunktion, liefert aber Werte zwischen -1 und 1.
- Abbildung 7.11: Die Softsign-Funktion ähnelt tanh, hat aber fast überall einen höheren Gradienten.
- Abbildung 7.12: Dieses neuronale Netz hat vier Schichten mit jeweils drei Knoten.
- Abbildung 7.13: Jedes neuronale Netz repräsentiert eine mathematische Beziehung.
- Kapitel 8
- Abbildung 8.1: Das Bild wirkt durch Rauschen sehr grobkörnig.
- Abbildung 8.2: Die Faltung mit einem Mittelwertfilter verringert das Rauschen im Bild.
- Abbildung 8.3: Die Elemente des Filters entsprechen den Pixeln des Smileys.
- Abbildung 8.4: Konvolutionelle neuronale Netze bestehen aus Faltungsschichten, Pooling-Schichten und mindestens einer vollständig vernetzten Schicht.
- Abbildung 8.5: Eine Pooling-Schicht nimmt ein Eingabebild entgegen, zerlegt es in Blöcke, verarbeitet jeden Block und liefert als Ausgabe ein komprimiertes Bild.
- Abbildung 8.6: Jedes CIFAR-10-Bild hat 1.024 Pixel (32 x 32).
- Abbildung 8.7: Mit den Funktionen in TensorFlow können Bilder gedreht, gespiegelt und transponiert werden.
- Abbildung 8.8: Die lineare Interpolation berechnet Zwischenpunkte anhand der linearen Kombination vorhandener Punkte.
- Abbildung 8.9: Bilineare Interpolation mit zwei Interpolationsparametern
- Abbildung 8.10: Mit den Bildverarbeitungsroutinen von TensorFlow können die Ausrichtung und die Farben eines Bilds modifiziert werden.
- Kapitel 9
- Abbildung 9.1: Ein RNN speist frühere Daten erneut in einen oder mehrere Knoten ein.
- Abbildung 9.2: Durch Entfaltung eines RNN können seine Operationen besser visualisiert werden.
- Abbildung 9.3: Jede Subklasse von RNNCell stellt eine andere RNN-Zellart dar.
- Abbildung 9.4: TensorFlow erzeugt eine RNN-Zelle für jede...
