TensorFlow是近年来影响最大的神经网络和深度学习平台，本书以生动活泼的语言，从入门者的角度，对TensorFlow进行介绍，书中包含大量简单风趣的实际案例，如孤独的神经元、梵高画风等，让广大初学者快速掌握神经网络的基本编程，为进一步学习人工智能奠定扎实的基础。

推 荐 序 ——梁忠 近日AlphaGo和柯洁的黑白大战，因为对阵的一方是中国顶级围棋高手柯洁，所以引起国人的高度关注。如果利用百度搜索引擎，输入AlphaGo，可以得出7000多万条搜索结果，远远高于其他热门词条。 事实上，AlphaGo只是Google拥有的两套人工智能系统中的一套，是Google 2014年收购DeepMind的人工智能系统，专注于棋赛开发。Google另外一套人工智能系统就是本书介绍的TensorFlow系统。 在TensorFlow等人工智能系统出现之前，计算机所做的事情最多就是按照人类编好的既定程序，简单重复地、按部就班地运行，没有超越人类事先为计算机设定的思维边界。 计算机与人类大脑相比，根本的区别在于不具备学习和创新能力。 计算机最多是记忆的信息多，重复计算的速度快，不受情绪的影响等。但是，在TensorFlow等人工智能系统出现之后，计算机所做的事情除了简单重复运行之外，更重要的是其具备了一定的自我学习和创新能力。 TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习，自我提高，总结过去的经验，汲取以往的教训，具备一定的创新性。这一点从AlphaGo与柯洁对垒的3场棋局的结果中不难看出。 这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在，也是为什么TensorFlow被称为互联网以来唯一的“黑科技”项目的原因。 具备了一定的自我学习和创造能力的人工智能系统的出现，将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历，将从一个侧面分享人工智能对金融领域的影响。 从整个金融业的历史沿革来看，大致经历了四个阶段：纯人工阶段、单机电脑阶段、互联网（含移动互联网）阶段和人工智能阶段。 随着每个阶段的渐次演进，提供金融服务一方的人力成本投入在逐渐减少，提供金融服务的效率在提高；对于接受金融服务的一方来说，金融服务的可获得性以及便捷程度在逐渐增加，金融服务越来越围绕着人进行，以人为中心的全方位的社会经济服务体系正在形成。 金融服务体系中银行服务、证券服务、保险服务等的内部界限开始变得模糊，金融服务与其他非金融的社会经济服务之间的界限开始变得不清。 特别是金融业进入人工智能阶段之后，人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据，进行实时分析和动态跟踪，以远低于人工成本的成本，为每个人建立一个基于生命周期的综合金融模型，对每个人未来的金融行为进行预测，自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作，并根据模型预测结果与实际情况相比对，自主学习和修正模型，以便更加贴合接受金融服务一方的真实金融意图，使得人工智能模型的预测建议和人的实际金融行为无限接近。 由此人类将从日常繁杂的各种金融交易中解放出来，投身到更需要自己或自己更感兴趣的方面去。 展望未来，人工智能的应用前景无限美好。探寻当下，人工智能在世界各地的各行各业方兴未艾。 千里之行，始于足下，何海群先生的《零起点TensorFlow快速入门》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。 祝愿人工智能在华夏大地生根发芽，开花结果。 梁忠：中国人民大学财政金融系博士，曾任里昂证券CLSA分析员；瑞银证券UBSS董事，财富管理中国研究部主管；瑞士信贷（香港）有限公司中国研究部董事；瑞信方正证券执行董事，研究部主管，具有20年国际顶级金融机构从业经历。 前 言 感谢梁忠先生在百忙之中为本书撰写序言，TensorFlow神经网络作为互联网以来唯一的“黑科技”项目，无远弗届，无分行业领域，对社会各界都会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抛弃世俗的偏见坠入爱河，最终杰克把生存的机会让给了露丝的感人故事。 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。 Titanic数据集共有1237个数据，其中包括819个训练集和418个测试集。数据集中共有12个字段，包括年龄、性别、船厂等级等12个属性。 《泰坦尼克》案例就是通过使用神经网络算法，根据Titanic数据集，计算经典大片《泰坦尼克》（Titanic）的男女两位主人公：穷画家杰克和贵族女露丝，每个人的生存概率。 初看这个问题，似乎是“不可能完成的任务”，不过，TensorFlow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TensorFlow等神经网络、深度学习项目的不断涌现，未来的各个学科会基于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，案例、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。 ? 业内率先发布系统化的TensorFlow函数和API中文文档、神经网络算法模型汇编，可作为案头工具书随时查阅。 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机器学习与量代交易》（重点分析sklean）； ? 《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，致使每次分析的起点或者中间参数有所不同造成的。 本书的读者QQ群是：124134140（zwPython量化交易＆大数据）。 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，此做法可以让速度快很多；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、王硕几位成员，为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

目 录 第1章 不朽的梵高 1 1.1 星夜传奇 1 1.2 TensorFlow简介 3 案例1-1：星夜传奇实战编程 5 案例1-2：星夜传奇批量编程 11 1.3 十万次迭代 14 1.4 黑箱大法 16 1.5 超级KISS法则与大智若愚 17 第2章 TensorFlow安装 22 2.1 目录结构 22 2.2 化繁为简 23 2.3 CPU版本安装 25 2.4 GPU版本安装 25 案例2-1：GPU开发环境测试 28 第3章 可视化AI图表 33 3.1 TensorBoard可视化工具 33 案例3-1：hello，爱丽丝 34 3.1.1 TensorBoard主界面 36 3.1.2 快速启动脚本 38 3.2 加法器 41 案例3-2：加法器的算法结构图 41 案例3-3：加法器的变化版本 43 案例3-4：乘法器的算法结构图 44 第4章 快速入门 47 4.1 你好，神经网络 47 案例4-1：字符串表达式 47 案例4-2：hello，TensorFlow 48 4.2 图运算与Session 49 案例4-3：缺省图运算 49 案例4-4：可视化Session 52 4.3 常量、变量与占位符 56 案例4-5：常量加法 57 案例4-6：加法与占位符 58 案例4-7：加法与变量 59 4.4 TensorFlow常用数值运算 62 第5章 TensorFlow总览 63 5.1 TensorFlow产业链关系图 65 5.2 TensorFlow模块列表 66 5.2.1 源码目录结构 66 案例5-1：内置模块列表 68 5.2.2 模块结构图 70 5.2.3 API抽象接口示意图 71 5.2.4 神经网络三大模块 71 5.3 数据类型 72 5.4 TensorFlow常用术语 73 5.5 TensorFlow简化接口 77 第6章 基础知识 79 6.1 数据流图 79 6.2 设备切换Device 81 6.3 三大数据类型 82 案例6-1：变量操作 86 6.4 Feed数据提交 89 案例6-2：Feed提交数据 90 案例6-3：批量Feed提交数据 92 案例6-4：批量Feed提交多维数据 92 6.5 Fetch获取数据 93 案例6-5：Fetch获取数据 93 案例6-6：Fetch获取多维数组 95 案例6-7：会话Session 97 6.6 批尺寸Batch_Size 99 第7章 孤独的神经元 101 7.1 神经元模型 101 案例7-1：单细胞算法 102 7.2 可视化分析 107 案例7-2：单细胞算法优化版 108 第8章 归来吧，数据 112 8.1 分类——机器学习的核心 112 8.2 万物皆回归 112 案例8-1：传统机器学习 114 案例8-2：TensorFlow线性回归模型 117 8.3 模型简理 124 案例8-3：TensorFlow模型保存 125 案例8-4：TensorFlow模型读取 126 第9章 Pkmital入门案例套餐（上） 128 9.1 Halcon简介 128 9.2 帕拉格?库马尔案例合集简介 129 9.3 Pkmital案例集合详解 131 9.4 TensorFlow基础 132 案例9-1：TensorFlow基础权重设置和图形计算 132 案例9-2：图像的卷积计算 140 9.5 回归算法 145 案例9-3：线性回归 145 案例9-4：线性回归修正版 150 9.6 多项式回归 151 案例9-5：多项式回归 151 案例9-6：多项式回归修正版 153 9.7 逻辑回归模型 154 案例9-7：逻辑回归模型 154 9.8 CNN卷积神经网络算法 159 案例9-8：CNN卷积神经网络 159 第10章 Pkmital入门案例套餐（下） 165 10.1 自编码算法 165 案例10-1：自编码算法 165 10.2 dAE降噪自编码算法 170 案例10-2：dAE降噪自编码算法 170 10.3 CAE卷积编码算法 177 案例10-3：CAE卷积编码算法 177 10.4 DRN深度残差网络 183 案例10-4：DRN深度残差网络 183 10.5 VAE变分自编码算法 189 案例10-5：VAE变分自编码算法 189 10.6 TDV联合矩阵模型 199 第11章 TensorFlow内置案例分析 201 11.1 预备知识 202 11.2 Mnist手写数字识别 211 案例11-1：Mnist初级案例 211 案例11-2：Mnist专业版本 215 11.3 FFNNs前馈神经网络模型 224 案例11-3：FFNNs前馈神经网络模型 224 第12章 TensorLayer案例分析 234 12.1 手写识别算法 234 案例12-1：Mnist手写识别 234 12.2 Mnist神经网络模型合集 242 案例12-2：Dropout网络模型 243 案例12-3：DropConnect网络模型 253 可视化数据 256 案例12-4：dAE降噪自编码算法1 257 可视化数据 260 案例12-5：dAE降噪自编码算法2 260 可视化数据 262 案例12-6：CNN卷积神经网络算法 263 可视化数据 266 第13章 TFLearn案例分析 267 13.1 生存游戏 268 13.1.1 泰坦尼克数据集 268 13.1.2 Kaggle机器学习公开赛 269 案例13-1：泰坦尼克号生存与死亡 270 13.2 线性回归 274 案例13-2：线性回归模型 275 13.3 模型管理 278 案例13-3：保存读取模型数据 278 13.4 超智能体 283 案例13-4：超智能体：NOT取反运算 284 案例13-5：超智能体：OR或运算 286 案例13-6：超智能体：AND（与）运算 288 案例13-7：超智能体：XOR（异或）运算 289 13.5 CNN卷积神经网络算法 292 案例13-8：CNN卷积神经网络算法 292 第14章 Keras案例分析 297 14.1 Keras模型 298 14.2 Keras使用流程 299 14.3 Keras常用模块 300 14.4 Keras模型可视化 301 案例14-1：MLP多层神经网络 303 案例14-2：CNN卷积神经网络 309 案例14-3：IRNN修正循环神经网络 316 案例14-4：HRNN分层循环神经网络 322 第15章 TensorFlow常用运行模式 327 15.1 深度学习三大要素 327 15.2 神经网络基本结构 328 15.3 基本神经元层 329 15.4 神经网络通用流程 335 15.5 Loss损失函数 338 15.6 TensorFlow常用优化算法 340

何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，出版书籍20余部，在人工智能、数据分析等方面具有20年一线专业经验；zwPython开发平台、zwQuant量化软件设计师，中国“Python创客”项目和“Python产业联盟”发起人，国内首个Python量化课程：《Python量化实盘·魔鬼训练营》创始人，极宽量化开源团队的创始人。__eol__1990年，发明国内第一个VR数据手套并获得专利授权，被业界称为“中国VR之父”；1992年，论文《人工智能与中文字型设计》入选《广东青年科学家文集》，现已成为中文字库行业三大基础建模理论之一；1997年，出版国内首部网络经济专著《网络商战》；2008年，在北京联合创办国内首家4A级网络公关公司，服务过200余家国际五百强企业，被公关协会誉为：中国网络公关事业的开创者与启蒙者；2012年，发布国内首个自主研发的智能中文字库设计软件《x2ttf涂鸦造字》，全功能全免费公益软件；2016年，推出国内首套纯python开源量化软件：zwQuant，以及国内首个Tick级别开源金融大数据项目：zwDat金融数据包。