嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300
本次赞助数额为： 4 元微信扫码支付：4 元
请留下您的邮箱，我们将在2小时内将文件发到您的邮箱
Tensorflow for dummies
一本不错的学习tensorflow的英文书籍
Table of Contents
INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
About This Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1
Foolish Assumptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
Icons Used in This Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
Beyond the Book . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
Where to Go from Here . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
PART 1: GETTING TO KNOW TENSORFLOW . . . . . . . . . . . . . . . . . . 5
CHAPTER 1: Introducing Machine Learning with
TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Understanding Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
The Development of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . .8
Statistical regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
Reverse engineering the brain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10
Steady progress . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11
The computing revolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
The rise of big data and deep learning . . . . . . . . . . . . . . . . . . . . . . . .12
Machine Learning Frameworks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13
Torch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Theano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Caffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15
TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15
CHAPTER 2: Getting Your Feet Wet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Installing TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
Python and pip/pip3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
Installing on Mac OS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
Installing on Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20
Installing on Windows . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20
Exploring the TensorFlow Installation . . . . . . . . . . . . . . . . . . . . . . . . . . .21
Running Your First Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
Exploring the example code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
Launching Hello TensorFlow! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
Setting the Style . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
vi TensorFlow For Dummies
CHAPTER 3: Creating Tensors and Operations . . . . . . . . . . . . . . . . . . . . 27
Creating Tensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
Creating Tensors with Known Values . . . . . . . . . . . . . . . . . . . . . . . . . . . .28
The constant function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
zeros, ones, and fill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
Creating sequences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
Creating Tensors with Random Values . . . . . . . . . . . . . . . . . . . . . . . . . .31
Transforming Tensors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
Creating Operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
Basic math operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
Rounding and comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37
Exponents and logarithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .38
Vector and matrix operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .39
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .42
CHAPTER 4: Executing Graphs in Sessions . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Forming Graphs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46
Accessing graph data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .47
Creating GraphDefs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .49
Creating and Running Sessions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51
Creating sessions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .51
Executing a session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .52
Interactive sessions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53
Writing Messages to the Log . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54
Visualizing Data with TensorBoard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .56
Running TensorBoard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .57
Generating summary data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .57
Creating custom summaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59
Writing summary data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62
CHAPTER 5: Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Training in TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66
Formulating the Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66
Looking at Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .67
Creating variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .68
Initializing variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .68
Determining Loss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69
Minimizing Loss with Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70
The Optimizer class . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70
The GradientDescentOptimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .71
The MomentumOptimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .75
The AdagradOptimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76
The AdamOptimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77
Table of Contents vii
Feeding Data into a Session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78
Creating placeholders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .79
Defining the feed dictionary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .79
Stochasticity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .80
Monitoring Steps, Global Steps, and Epochs . . . . . . . . . . . . . . . . . . . . . .80
Saving and Restoring Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .82
Saving variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .82
Restoring variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .83
Working with SavedModels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84
Saving a SavedModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85
Loading a SavedModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86
Visualizing the Training Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .89
Session Hooks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .90
Creating a session hook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91
Creating a MonitoredSession . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93
Putting theory into practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .94
PART 2: IMPLEMENTING MACHINE LEARNING . . . . . . . . . . . . . 97
CHAPTER 6: Analyzing Data with Statistical Regression . . . . . . . . . 99
Analyzing Systems Using Regression . . . . . . . . . . . . . . . . . . . . . . . . . . .100
Linear Regression: Fitting Lines to Data . . . . . . . . . . . . . . . . . . . . . . . . .100
Polynomial Regression: Fitting Polynomials to Data . . . . . . . . . . . . . .103
Binary Logistic Regression: Classifying Data into
Two Categories . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .105
Setting up the problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .105
Defining models with the logistic function . . . . . . . . . . . . . . . . . . .106
Computing loss with maximum likelihood estimation . . . . . . . . .107
Putting theory into practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .108
Multinomial Logistic Regression: Classifying Data into
Multiple Categories . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .110
The Modified National Institute of Science and
Technology (MNIST) Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .110
Defining the model with the softmax function . . . . . . . . . . . . . . . .113
Computing loss with cross entropy . . . . . . . . . . . . . . . . . . . . . . . . .114
Putting theory into practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
CHAPTER 7: Introducing Neural Networks and
Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117
From Neurons to Perceptrons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117
Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .118
Perceptrons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .119
viii TensorFlow For Dummies
Improving the Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .121
Weights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .121
Bias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .122
Activation functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
Layers and Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .127
Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .128
Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .129
Training with Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .129
Implementing Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131
Tuning the Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133
Input standardization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .134
Weight initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .135
Batch normalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .136
Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139
Managing Variables with Scope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .141
Variable scope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .141
Retrieving variables from collections . . . . . . . . . . . . . . . . . . . . . . . .142
Scopes for names and arguments . . . . . . . . . . . . . . . . . . . . . . . . . .143
Improving the Deep Learning Process . . . . . . . . . . . . . . . . . . . . . . . . . .143
Creating tuned layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .144
Putting theory into practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .145
CHAPTER 8: Classifying Images with Convolutional
Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .149
Filtering Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .149
Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .150
Averaging Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .151
Filters and features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .152
Feature detection analogy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .153
Setting convolution parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . .153
Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . . . . . . . .155
Creating convolution layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .156
Creating pooling layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .158
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .160
Processing CIFAR images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .160
Classifying CIFAR images in code . . . . . . . . . . . . . . . . . . . . . . . . . . .162
Performing Image Operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .166
Converting images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .166
Color processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .169
Rotating and mirroring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .170
Resizing and cropping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .172
Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .174
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .175
Table of Contents ix
CHAPTER 9: Analyzing Sequential Data with Recurrent
Neural Networks (RNNs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179
Recurrent Neural Networks (RNNs) . . . . . . . . . . . . . . . . . . . . . . . . . . . .180
RNNs and recursive functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .181
Training RNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .182
Creating RNN Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .183
Creating a basic RNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .185
Predicting text with RNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .188
Creating multilayered cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .190
Creating dynamic RNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .191
Long Short-Term Memory (LSTM) Cells . . . . . . . . . . . . . . . . . . . . . . . . .192
Creating LSTMs in code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .194
Predicting text with LSTMs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .196
Gated Recurrent Units (GRUs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .196
Creating GRUs in code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .197
Predicting text with GRUs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .198
PART 3: SIMPLIFYING AND ACCELERATING
TENSORFLOW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .199
CHAPTER 10: Accessing Data with Datasets and Iterators . . . . . . .201
Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .201
Creating datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .202
Processing datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .208
Iterators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .213
One-shot iterators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .213
Initializable iterators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .215
Reinitializable iterators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .216
Feedable iterators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .217
Putting Theory into Practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .218
Bizarro Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .221
Loading data from CSV files . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .222
Loading the Iris and Boston datasets . . . . . . . . . . . . . . . . . . . . . . . .223
CHAPTER 11: Using Threads, Devices, and Clusters . . . . . . . . . . . . . . .225
Executing with Multiple Threads . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .226
Configuring a new session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .226
Configuring a running session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .228
Configuring Devices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .229
Building TensorFlow from source . . . . . . . . . . . . . . . . . . . . . . . . . . .229
Assigning operations to devices . . . . . . . . . . . . . . . . . . . . . . . . . . . .235
Configuring GPU usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .237
x TensorFlow For Dummies
Executing TensorFlow in a Cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . .238
Creating a ClusterSpec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .239
Creating a server . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .240
Specifying jobs and tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .241
Running a simple cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .244
CHAPTER 12: Developing Applications with Estimators . . . . . . . . . .247
Introducing Estimators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .248
Training an Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .248
Testing an Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .250
Running an Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .250
Creating Input Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .251
Configuring an Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .252
Using Feature Columns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .253
Creating and Using Estimators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .256
Linear regressors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .257
DNN classifiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .260
Combined linear-DNN classifiers . . . . . . . . . . . . . . . . . . . . . . . . . . .262
Wide and deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .263
Analyzing census data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .264
Running Estimators in a Cluster . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .269
Accessing Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .270
Creating an experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .271
Methods of the experiment class . . . . . . . . . . . . . . . . . . . . . . . . . . .272
Running an experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .273
Putting theory into practice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .274
CHAPTER 13: Running Applications on the Google
Cloud Platform (GCP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .277
Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .278
Working with GCP projects . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .278
Creating a new project . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .279
Billing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .279
Accessing the machine learning engine . . . . . . . . . . . . . . . . . . . . . .280
The Cloud Software Development Kit (SDK) . . . . . . . . . . . . . . . . . . . . .280
The gcloud Utility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .281
Google Cloud Storage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .283
Buckets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .283
Objects and virtual hierarchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .285
The gsutil utility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .286
Preparing for Deployment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .290
Receiving arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .290
Packaging TensorFlow code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .291
Table of Contents xi
Executing Applications with the Cloud SDK . . . . . . . . . . . . . . . . . . . . . .293
Local execution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .294
Deploying to the cloud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .295
Configuring a Cluster in the Cloud . . . . . . . . . . . . . . . . . . . . . . . . . . . . .299
Setting the training input . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .300
Obtaining the training output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .303
Setting the prediction input . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .304
Obtaining the prediction output . . . . . . . . . . . . . . . . . . . . . . . . . . . .305
PART 4: THE PART OF TENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .307
CHAPTER 14: The Ten Most Important Classes . . . . . . . . . . . . . . . . . . . . .309
Tensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .309
Operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .310
Graph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .310
Session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .311
Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .311
Optimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .312
Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .312
Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .312
Iterator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .313
Saver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .313
CHAPTER 15: Ten Recommendations for Training
Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .315
Select a Representative Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .315
Standardize Your Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .316
Use Proper Weight Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .316
Start with a Small Number of Layers . . . . . . . . . . . . . . . . . . . . . . . . . . .316
Add Dropout Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .317
Train with Small, Random Batches . . . . . . . . . . . . . . . . . . . . . . . . . . . . .317
Normalize Batch Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .317
Try Different Optimization Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . .318
Set the Right Learning Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .318
Check Weights and Gradients . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .318
INDEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .319