作者：何海群
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
零起点TensorFlow快速入门试读：
前言
感谢梁忠先生在百忙之中为本书撰写序言，以TensorFlow为代表的神经网络，被视为互联网以来唯一的“黑科技”，无远弗届，无分行业领域，对社会各界从上至下带来彻底的颠覆与革命。
梁忠先生作为非IT领域的学者、专家，从第三方角度，冷静地观察这场数字革命，同时可以向更多的大众介绍这场革命的火花，推动行业变革，功莫大焉。
TensorFlow黑科技与泰坦尼克
经典大片《泰坦尼克》（Titanic），以1912年泰坦尼克号邮轮在其处女航行时撞击冰山而沉没的事件为背景，描述了处于不同阶层的两个人——穷画家杰克和贵族女露丝之间的爱情故事。
在机器学习领域，《Titanic数据集》是与《IRIS数据集》并列的经典数据集。《Titanic数据集》是根据泰坦尼克号上的人员是否存活而生成的数据集，是国际著名的机器学习大赛Kaggle的入门练手题。《泰坦尼克》案例就是通过使用神经网络算法，根据《Titanic 数据集》，计算两位主人公：穷画家杰克和贵族女露丝的生存概率。
初看这个问题，似乎是“不可能完成的任务”，不过，神经网络既然被誉为自Internet以来唯一的黑科技，自然有其解决的办法。
其中的一个案例，计算结果表明：杰克获救的机会是16.7%，露丝是95.8%。
曾经有历史学者，通过研究历史数据中的食盐、布匹消费量，而推断当时相关国家的人口、经济、军事等实力，并衍生出计量历史学这样一个学科。
马云曾经说过：“要么电子商务，要么无商可务。”
也许，未来的学术领域，也会“要么AI，要么NO-A。”这里的A，代表Anything。
相信随着类似《Titanic 数据集》案例、梵高画风等一系列基于神经网络、深度学习项目的不断涌现，未来的各个学科都会基于AI人工智能进行新的学术重组。
更好的TensorFlow入门教程
本书是目前较好的TensorFlow机器学习入门教程：
· 无需任何理论基础，全程采用MBA案例模式，懂Excel就可看懂。
· 独创的逆向式课件模式，结合TensorBoard可视化系统，图表优先，层层剖析。
· 率先系统介绍 TensorFlow 经典入门案例合集，Pkmital 帕拉格·库马尔案例合集。
· 率先系统介绍TensorFlow三大简化接口Keras、TFLearn和TensorLayer，并提供多组配套案例。
· 三位一体的课件模式：图书+开发平台+成套的教学案例，系统讲解，逐步深入。
本书采用独创的黑箱模式，MBA 案例教学机制，结合大量经典案例，介绍TensorFlow系统和常用的深度学习算法。“Python量化三部曲”“Python量化三部曲”包括：
·《零起点Python大数据与量化交易》（入门课程）；
·《零起点Python机器学习与量化交易》（重点分析SKLearn）；
·《零起点TensorFlow与量化交易》（重点分析TensorFlow）。
此外还有几部补充作品：
·《零起点Python足彩大数据与机器学习实盘分析》；
·《零起点Python机器学习快速入门》；
·《零起点TensorFlow快速入门》。
本书是《零起点Python机器学习快速入门》的后续之作，为了省略篇幅，省略了Python基础教程，以及SKLearn等机器学习方面的入门内容，没有经验的读者，建议先阅读《零起点 Python 机器学习快速入门》，再开始本书的学习，这样会收到事半功倍的效果。
本书原本是 TopQuant.vip 极宽量化培训课程高级班的教学课件，建议“Python量化三部曲”的读者，在读完入门课程后，先阅读本书和《零起点Python机器学习快速入门》，再阅读后面两部作品。
网络资源
本书的案例程序已经做过优化处理，无需 GPU显卡，全部支持单 CPU 平台，不过为避免版本冲突，请尽量使用zwPython 2017m6版本运行本书的案例程序。
使用其他Python运行环境的读者，如Linux、Mac平台的用户，请尽量使用Python 3.5 和 TensorFlow 1.1 版本，请自行安装其他所需的模块库，如 NumPy、Pandas、TuShare等第三方模块库。
此外需要注意的是，大家运行本书案例得到的结果可能与书中略有差别，甚至大家多次运行同一案例，每次运行的结果可能都有所差异，这属于正常情况。
这是因为TensorFlow等深度学习系统内部都使用了随机数作为种子数，用于系统变量初始化等操作，致使每次运行中间参数有所不同造成的。
本书的读者 QQ总群是：124134140（zwPython 量化交易&大数据），还有两个QQ群分别为650924099（Top极宽量化2群）和450853713（Top极宽量化3群）。大家可以自行加入。
本书有关的程序和数据下载，请浏览网站：TopQuant.vip 极宽量化社区，网站【下载中心】有最新的程序和数据下载地址。
本书在 TopQuant.vip极宽量化社区设有专栏，对本书、人工智能和机器学习有任何建议的，请在社区相关专栏发布信息，我们会在第一时间进行反馈和答复。
TopQuant极宽量化社区【下载中心】
网址1：http：//TopQuant.vip/forum.php？mod=viewthread&tid=7。
网址2：http：//ziwang.com/forum.php？mod=viewthread&tid=7。
目录设置
为运行本书课件程序，用户需要下载以下3个软件，并设置好目录。
· zwPython，必须是根目录、Python 开发平台，为避免版本冲突，请尽量使用zwPython 2017m6版本。
· ailib，也必须是根目录、AI智能模型和TnensorBoard可视化日志数据目录。
· TensorFlow深度学习课件，本书配套教学课件Python程序源码，请尽量下载最新版本，目录不必是根目录，但必须与 Ailib 在同一个硬盘，可以直接复制到Ailib目录之下。
以上软件、程序最好保存在SSD固态硬盘，此做法可以加快程序运行速度；目录名称不要使用中文名称，压缩文件中的中文名称只是为了便于用户下载。
致谢
本书的出版要特别感谢电子工业出版社的黄爱萍编辑，感谢她在选题策划和稿件整理方面做出的大量工作。
同时，在本书创作过程中，极宽开源量化团队和培训班的全体成员，提出很多宝贵的意见，并对部分课件程序做了中文注解。
特别是吴娜、余勤、孙洋、王硕、邢梦来、郜晶几位成员，为 Top极宽开源量化文库和TopQuant极宽量化开源软件编写文档，并且在团队成员管理方面做了大量工作，为他们的付出表示感谢！
本书完稿时，恰逢小女星语20岁生日。
谨以本书，献给我聪明美丽的女儿，作为她的成年礼。
愿她的一生，幸福安康。
何海群（字王）
北京极宽科技有限公司CTO
2017年6月18日
轻松注册成为博文视点社区用户（www.broadview.com.cn），扫码直达本书页面。
· 提交勘误：您对书中内容的修改意见可在 提交勘误 处提交，若被采纳，将获赠博文视点社区积分（在您购买电子书时，积分可用来抵扣相应金额）。
· 交流互动：在页面下方 读者评论 处留下您的疑问或观点，与我们和其他读者一同学习交流。
页面入口：http：//www.broadview.com.cn/32333。第1章不朽的梵高1.1星夜传奇
经典永远是经典，传奇永远是传奇。
如图1-1所示是梵高的不朽名画《向日葵》，泡沫经济高峰的日本商人，曾经以一亿美元的拍卖价格，刷新了名画的拍卖纪录。图1-1 世界名画《向日葵》与梵高自画像
以下内容摘自百度艺术百科词条：向日葵。《向日葵》是荷兰画家梵高在阳光灿烂的法国南部所作。梵高用简练的笔法表现出植物形貌，充满了律动感及生命力。向日葵是梵高最典型最具代表性的作品。一位英国评论家说：“他用全部精力追求了一件世界上最简单、最普通的东西，这就是太阳。”
他的画面上不单充满了阳光下的鲜艳色彩，而且不止一次地描绘出令人无法逼视的太阳本身，并且多次描绘向日葵。在梵高看来，向日葵象征着一种激情和生命的永存。
几十年过去了，当年狂傲到要收购整个美国的日本经济泡沫早已破灭，日本“失去的三十年”也过去了多年。
2008 年的全球经济危机，一直持续到 2016 年，当全世界都感觉科技发展、技术进步已经停滞的时候，人工智能、深度学习异军突起，成为自“Internet以来真正的黑科技”，互联网+、人工智能+，为整个世界带来了新的活力。
神经网络梵高画风案例（Neural-Style）与 AlphaGo（阿尔法狗）围棋大师，可以说是2016年度TensorFlow深度学习领域最成功，也是最经典的两个案例。
与庞大复杂的阿尔法狗（AlphaGo）系统不同，梵高案例（Neural-Style）只需要一台笔记本电脑即可运行，甚至连GPU加速卡都不需要，成为许多人工智能创业团队的hello入门案例。
目前，Github已经涌现了大量的相关衍生版本，甚至淹没了最早的Torch原始版本。
不过，梵高案例（Neural-Style）对于初学者而言，还是过于复杂，故此，Top极宽量化开源团队特意推出了一个更加简单的入门版本。
以文内容摘自《极宽版·梵高神经网络算法·深度学习案例》。
网址：http：//ziwang.com/forum.php？mod=viewthread&tid=17807。
如图1-2所示是上述介绍的梵高风格案例程序，通过TensorFlow神经网络算法，模拟梵高风格，电脑自动生成的绘画作品。图1-2 通过TensorFlow神经网络算法生成的梵高风格绘画作品
如图 1-3 所示是原始照片素材，如图 1-4 所示是电脑学习使用模板，梵高名画《星夜》。图1-3 原始照片素材图1-4 电脑学习模板
以下内容摘自百度艺术百科词条：星夜。《星夜》，也被译为《星月夜》（The Starry Night，荷兰语：De sterrennacht），是荷兰后印象派画家文森特·梵高于1889年在法国圣雷米的一家精神病院里创作的一幅著名油画，是梵高的代表作之一，现藏于纽约现代艺术博物馆。有一种普遍的说法，由于这是梵高在精神病时期所作，世人普遍认为这是梵高想象出来的美妙情景。
梵高风格案例程序，不仅能够学习梵高的风格，把风景、人物照片自动变成梵高风格的艺术图片，还能够学习其他大师的作品，如莫奈的点彩画艺术，毕加索的立体派画风，后现代的野兽派画风。
除了西洋画，这套程序也可以学习中国的水墨山水画风格、工笔画风格，以及《清明上河图》的风格，生成类似的艺术风格图像。
梵高风格案例程序，除了学习名家绘画，也能根据中国的传统书法，生成各种风格的书法衍生作品。
这些艺术和书法衍生作品，虽然有的还很粗糙，但感兴趣的读者，可以不断优化、调整，提高电脑的创作水平。
本章稍后的一系列案例，将会陆续介绍部分相关程序，让大家有更深的感受。1.2TensorFlow简介
TensorFlow是谷歌公司研发的第二代人工智能学习系统，简称TF。
2011 年，谷歌开始研发第一代深度学习基础架构 DistBelief 系统，多年来，谷歌公司对其进行了各方面的改进。
2017年，谷歌公司宣布系统改名为TensorFlow，并采用开源模式，对外进行了发布。
如图1-5所示是2017年谷歌公司TensorFlow发布会的宣传海报。图1-5 TensorFlow宣传海报
TensorFlow 的命名来源于本身的运行原理，Tensor（张量）意味着 N 维数组，Flow（流）意味着基于数据流图的计算。TensorFlow，就是张量从数据图的一端流动到另一端的计算过程。
TensorFlow 是一种人工智能系统，可以将复杂的数据结构传输至人工智能神经网中，进行分析和处理。TensorFlow支持CNN卷积神经网络算法、RNN循环神经网络算法和LSTM长短时记忆算法，这都是目前在Image图像处理、Speech语音分析和NLP语义分析等领域，最流行的深度神经网络模型。
TensorFlow 表达了高层次的机器学习计算，大幅度简化了第一代系统，并且具备更好的灵活性和可延展性；大大降低了深度学习在各个行业中的应用难度，已经成为新一代人工智能系统的主流开发平台。
TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用 TensorFlow。任何基于梯度的机器学习算法，都能够受益于 TensorFlow的自动求解算法（Auto-Differentiation）。
TensorFlow 可应用于众多领域，如语音识别、自然语言理解、计算机视觉、广告受众分析等。如图1-6所示是TensorFlow运行时，神经网络算法的内部示意图。图1-6 TensorFlow算法示意图
如图 1-6 所示，这些算法结构图把人工智能的研究从传统的数据分析、程序代码提升到更加现代的可视化分析阶段，可以大幅度提高人工智能的研究和学习效率。
TensorFlow 和神经网络模型、深度学习涉及的运算，通常是非常复杂而又难以理解的。
幸运的是，系统内置的 TensorBoard 可视化工具，是一套完整的 AI 可视化 log日志数据分析系统，可以更加方便用户对于TensorFlow程序的理解、调试与优化。
用户可以使用TensorBoard可视化工具来显示、分析TensorFlow的Graph运算结构图，生成相关的权重指标图及附加数据的可视化图像。案例1-1：星夜传奇实战编程
需要说明的是，本节案例远远超出各位读者目前的入门水平，笔者放在全书前面，只是为了展现TensorFlow神经网络算法的强大威力，以增加读者的体验与感受，这也是逆向式学习方法的特色。
有关程序，大家能够运行通过就可以了，其中的源码细节暂时无须了解，有兴趣的读者可以等以后水平提高了再深入研究。
案例1-1星夜传奇，文件名是tf101van.py，文件名中需要说明的是：
· 文件名中的tf，是TensorFlow的缩写。
· 101表示案例序号，不同章节编码略有不同。
· van是简单的说明，案例1-1当中的van是梵高英文名称的开头。
案例1-1说明如下。
案例 1-1 是源自极宽量化开源社区的《极宽版·梵高神经网络算法·深度学习·案例》，网址是：TopQuant.vip/forum.php？mod=viewthread&tid=17807。
大家在学习案例 1-1 的过程中，如果有心得体会或者疑难问题，都可以在社区该帖子后留言，与其他人进行交流沟通。
TensorFlow神经网络的Neural-Style案例。（1）案例源自 github 经典的 TensorFlow 神经网络 Neural-Style 案例：https：//github.com/anishathalye/neural-style。（2）考虑初学者的水平情况，对源码stylize.py进行了高度精简。（3）本案例经过多处优化，可直接运行于纯CPU平台，i7笔记本默认参数3分钟左右。（4）参数Iterations是迭代次数，默认是迭代50，效果很差，500次迭代的效果，基本接近原案例。（5）为提高运行速度，对图片进行了缩减，只有原图的1/3，理论上可以提速9倍，原始图像文件保存在pic00目录。（6）输出文件和图像文件都保存在pic目录，输出文件名是'tg_n'+迭代次数。（7）模型库文件名为imagenet-vgg-verydeep-19.mat，大约550MB。
案例1-1主要源码如下：
案例1-1看起来很简单，就一个main函数，代码也不长，但是其中的原理非常复杂，远远超出各位读者目前的入门水平，所以建议大家不要过于纠结细节，能够运行通过就可以了。
案例1-1的文件头有一行代码：
这行代码，表示案例 1-1使用的是现有的 VGG19模型，模型文件位于 ailib智能模型数据目录。
TensorFlow案例，往往涉及很多不同的人工智能算法模型，以及测试学习数据，这些模型和数据通常都很大，如案例1-1中的VGG19模型为500多兆。
工程实践上，通常把代码文件和模型数据文件分开，便于用户下载，通常，模型数据目录是 ailib，必须是根目录，建议使用 ssd 固态硬盘。这也是源自工程一线的编程习惯，请大家尽量沿用。
案例1-1当中使用的VGG19模型是VGG模型的一个变种。
VGG 模型是比较稳定和经典的深度学习模型，有很多版本和变种，VGG 模型的特点是连续转换多，计算量大，一般都使用预先计算好的模型。
VGG算法模型和 Googlenet模型是2014年Imagenet竞赛的双雄，这两类模型结构有一个共同特点是 Go Deeper。与 Googlenet 不同的是，VGG 继承了 Lenet 及Alexnet的一些框架，尤其与Alexnet框架很像。
案例 1-1 中，大家需要注意的代码主要是最后几行，为了便于说明，我们特意对代码进行了分组，下面分别进行说明。
第1组代码如下：
该组代码的主要功能是设置参数：
· rss，图像数据目录为pic。
· fsr0，原照片的简化文件名，模板图像的简化文件名。
· nloop迭代次数，建议不要低于200次。
· fsr，fsty，选代路径的真实图像。
· ftg，结果图像文件名，采用的是合成模式，细节大家请参看源码。
第2组代码如下：
为了方便学习，我们特意增加了计时功能，使用的是新一代的arrow时间模块，细节大家请参看“零起点系列丛书”前面几部的有关章节，本书就不再重复介绍了。
第3组代码如下：
调用main主函数，注意，mian函数接口地址nloop迭代次数默认值是200次。
第4组代码如下：
计算结束时间和运行总时间，单位是秒。
笔者在e5-2683台式机测试，运行时间分别是：
· 100次迭代，778秒。
· 200次迭代，1510秒。
这个结果是 CPU 版本的运算结果，虽然原作者说支持 GPU 加速，但笔者在GTX1080+cuda8的运行环境下，这个案例几次都没有运行通过，大家可以在自己的GPU平台测试一下。
因为案例1-1和本书相关案例以教学为主，所以本书尽量采用CPU版本的案例，通过简化数据，来缩短案例运行时间。
需要注意的是，TensorFlow案例无论是CPU版本，还是GPU版本，在Spyder+IPython环境运行时，经常需要右下角的reset复位Python控制台，不然会出现一些意外的bug，导致无法运行。
所以在运行本书案例时，如果出现非案例源码的错误，通常都是因为需要reset复位Python控制台。
如图1-7和图1-8所示，分别是案例1-1中使用的照片和模板图像，模板使用的是梵高的经典名画《星夜》。
如图1-9和图1-10所示，分别是迭代100次和迭代200次的输出图片。图1-7 案例1-1照片原图图1-8 案例模板——梵高《星夜》图1-9 案例1-1迭代100次效果图图1-10 案例1-1迭代200次效果图案例1-2：星夜传奇批量编程
本书案例，考虑到读者的实际情况，TensorFlow案例尽量采用CPU版本，理论上，CPU版本的TensorFlow案例程序无须修改就可以直接运行于GPU平台。
案例1-1中，笔者在e5-2683台式机测试，运行时间分别是：
· 100次迭代，778秒。
· 200次迭代，1510秒。
每100次迭代大概需要10多分钟，一般默认参数是200次迭代，需要20多分钟，此为单张图像的时间，如果是多张图像，需要的时间更长。
案例 1-2 采用批量处理模式，虽然无法缩短运行时间，但是可以利用晚上的空闲时间，批量生成结果图片。
这种操作模式，也是TensorFlow神经网络程序、电脑三维特技渲染等工程一线经常采用的工作模式。
案例1-2星夜传奇批量版，文件名是tf102van_ext.py，文件名中需要说明的是：案例 1-2 与案例 1-1 代码基本一样，只是文件尾部数据定义有所不同，为了方便讲解，我们对main主程序源码进行了分组。
第1组代码如下：
定义图像目录名称，迭代次数nloop变量的初始值。
第2组代码如下：
定义原始图像名称和模板名称。
需要注意的是，案例 1-2 虽然简单，但采用的是双路批量模式，既支持批量原始图片，也支持批量模板文件。
其中的有关参数说明如下：
· rlst，原始图像文件名简称列表。
♦ p1，汉字楷体图像。
♦ p2，建筑物照片。
♦ p3，美国总统特朗普照片。
♦ p4，蒙娜丽莎图像。
♦ csty1，中国水墨山水画。
♦ csty2，中国古典彩色山水画。
♦ csty3，《清明上河图》局部。
· xlst，模板图像文件名简称列表。
♦ sty1，立体派风格模板。
♦ sty2，梵高《星夜》模板1。
♦ sty3，梵高《星夜》模板1。
♦ sty4，蒙娜丽莎图像。
♦ sty5，印象派画家莫奈名画《干草垛》。
♦ sty6，印象派画家莫奈名画《日出》。
♦ sty7，日本浮世绘作品。
需要注意的是，案例中的蒙娜丽莎一图既是图像，也是模板，我们希望测试图像与模板相同时的运行效果，遗憾的是，结果不是很理想，大家可以自己参看 pic目录下的图片。
第3组代码如下：
第3组代码采用双循环模式，循环内部代码分为两组：
· 3.a组，设置照片、模板文件及输出文件的文件名。
· 3.b组，调用主函数，进行图像转换。
如图1-11～图1-14所示是部分输出效果。图1-11 输出效果图1图1-12 输出效果图2图1-13 输出效果图3图1-14 输出效果图41.3十万次迭代
前面我们说过，神经网络梵高画风案例（Neural-Style）与AlphaGo（阿尔法狗）围棋大师可以说是 2016 年度 TensorFlow 深度学习领域最成功、也是最经典的两个案例。
梵高案例，也是目前很多人工智能初创团队和学者的研究课题，在写作本书时，笔者在网络上发现《梵高油画用深度卷积神经网络迭代十万次是什么效果？》这篇文章，（链接：http：//www.36dsj.com/archives/75870）。
这篇文章中不光有类似的案例，还有非常专业的分析，大家可以作为参考。当然，这篇文章中的内容，远远超出了初学者的水平，大家可以收藏，以便日后学习参考。
如图1-15所示是本书首先提到的梵高画风的算法流程图。图1-15 梵高画风的算法流程图
如图 1-16 和图 1-17 所示是照片和模板图，照片是天安门，模板也是梵高的名画《星夜》。图1-16 天安门照片
试读结束[说明：试读内容隐藏了图片]