TensorFlow机器学习项目实战.pdf

PDF: https://github.com/jash-git/Jash-good-idea-20200304-001

本书的代码同时维护于GitHub 上 https://github.com/PacktPublishing/Building-Machine-Learning-Projects-with-TensorFlow

第1 章 探索和转换数据………………………… 1

1.1 TensorFlow 的主要数据结构—
张量…………………………………………. 1
1.1.1 张量的属性—阶、形状和
类型…………………………………… 1
1.1.2 创建新的张量…………………….. 3
1.1.3 动手工作—与TensorFlow
交互…………………………………… 4
1.2 处理计算工作流—TensorFlow
的数据流图………………………………. 5
1.2.1 建立计算图………………………… 5
1.2.2 数据供给……………………………. 6
1.2.3 变量…………………………………… 6
1.2.4 保存数据流图…………………….. 6
1.3 运行我们的程序—会话…………. 8
1.4 基本张量方法…………………………… 8
1.4.1 简单矩阵运算…………………….. 8
1.4.2 序列…………………………………. 11
1.4.3 张量形状变换…………………… 12
1.4.4 数据流结构和结果可视化—
TensorBoard………………………. 14
1.5 从磁盘读取信息……………………… 18
1.5.1 列表格式—CSV ……………. 18
1.5.2 读取图像数据…………………… 19
1.5.3 加载和处理图像……………….. 20
1.5.4 读取标准TensorFlow 格式… 21
1.6 小结……………………………………….. 21
第2 章 聚类………………………………………… 22
2.1 从数据中学习—无监督学习… 22
2.2 聚类的概念…………………………….. 22
2.3 k 均值…………………………………….. 23
2.3.1 k 均值的机制……………………. 23
2.3.2 算法迭代判据…………………… 23
2.3.3 k 均值算法拆解………………… 24
2.3.4 k 均值的优缺点………………… 25
2.4 k 最近邻…………………………………. 25
2.4.1 k 最近邻算法的机制…………. 26
2.4.2 k-nn 的优点和缺点……………. 26
2.5 有用的库和使用示例………………. 27
2.5.1 matplotlib 绘图库………………. 27
2.5.2 scikit-learn 数据集模块……… 28
2.5.3 人工数据集类型……………….. 28
2.6 例1—对人工数据集的k 均值
聚类……………………………………….. 29
2.6.1 数据集描述和加载……………. 29
2.6.2 模型架构………………………….. 30
2.6.3 损失函数描述和优化循环…. 31
2.6.4 停止条件………………………….. 31
异步社区Kensuke(18319066421) 专享 请尊重版权
2 目录
2.6.5 结果描述………………………….. 31
2.6.6 每次迭代中的质心变化…….. 32
2.6.7 完整源代码………………………. 32
2.6.8 k 均值用于环状数据集……… 34
2.7 例2—对人工数据集使用最近
邻算法……………………………………. 36
2.7.1 数据集生成………………………. 36
2.7.2 模型结构………………………….. 36
2.7.3 损失函数描述…………………… 37
2.7.4 停止条件………………………….. 37
2.7.5 结果描述………………………….. 37
2.7.6 完整源代码………………………. 37
2.8 小结……………………………………….. 39
第3 章 线性回归…………………………………. 40
3.1 单变量线性模型方程………………. 40
3.2 选择损失函数…………………………. 41
3.3 最小化损失函数……………………… 42
3.3.1 最小方差的全局最小值…….. 42
3.3.2 迭代方法：梯度下降………… 42
3.4 示例部分………………………………… 43
3.4.1 TensorFlow 中的优化方法—
训练模块………………………….. 43
3.4.2 tf.train.Optimizer 类…………… 43
3.4.3 其他Optimizer 实例类型…… 44
3.5 例1—单变量线性回归………… 44
3.5.1 数据集描述………………………. 45
3.5.2 模型结构………………………….. 45
3.5.3 损失函数描述和Optimizer … 46
3.5.4 停止条件………………………….. 48
3.5.5 结果描述………………………….. 48
3.5.6 完整源代码………………………. 49
3.6 例2—多变量线性回归………… 51
3.6.1 有用的库和方法……………….. 51
3.6.2 Pandas 库………………………….. 51
3.6.3 数据集描述………………………. 51
3.6.4 模型结构………………………….. 53
3.6.5 损失函数和Optimizer ……….. 54
3.6.6 停止条件………………………….. 55
3.6.7 结果描述………………………….. 55
3.6.8 完整源代码………………………. 56
3.7 小结……………………………………….. 57
第4 章 逻辑回归…………………………………. 58
4.1 问题描述………………………………… 58
4.2 Logistic 函数的逆函数—Logit
函数……………………………………….. 59
4.2.1 伯努利分布………………………. 59
4.2.2 联系函数………………………….. 60
4.2.3 Logit 函数………………………… 60
4.2.4 对数几率函数的逆函数—
Logistic 函数…………………….. 60
4.2.5 多类分类应用—Softmax
回归…………………………………. 62
4.3 例1—单变量逻辑回归………… 64
4.3.1 有用的库和方法……………….. 64
4.3.2 数据集描述和加载……………. 65
4.3.3 模型结构………………………….. 67
4.3.4 损失函数描述和优化器
循环…………………………………. 67
4.3.5 停止条件………………………….. 68
4.3.6 结果描述………………………….. 68
4.3.7 完整源代码………………………. 69
4.3.8 图像化表示………………………. 71
4.4 例2—基于skflow 单变量逻辑
回归……………………………………….. 72
4.4.1 有用的库和方法……………….. 72
4.4.2 数据集描述………………………. 72
4.4.3 模型结构………………………….. 72
4.4.4 结果描述………………………….. 73
4.4.5 完整源代码………………………. 74
4.5 小结……………………………………….. 74
异步社区Kensuke(18319066421) 专享 请尊重版权
目录 3
第5 章 简单的前向神经网络……………….. 75
5.1 基本概念………………………………… 75
5.1.1 人工神经元………………………. 75
5.1.2 神经网络层………………………. 76
5.1.3 有用的库和方法……………….. 78
5.2 例1—非线性模拟数据
回归……………………………………….. 79
5.2.1 数据集描述和加载……………. 79
5.2.2 数据集预处理…………………… 80
5.2.3 模型结构—损失函数
描述…………………………………. 80
5.2.4 损失函数优化器……………….. 80
5.2.5 准确度和收敛测试……………. 80
5.2.6 完整源代码………………………. 80
5.2.7 结果描述………………………….. 81
5.3 例2—通过非线性回归，对
汽车燃料效率建模………………….. 82
5.3.1 数据集描述和加载……………. 82
5.3.2 数据预处理………………………. 83
5.3.3 模型架构………………………….. 83
5.3.4 准确度测试………………………. 84
5.3.5 结果描述………………………….. 84
5.3.6 完整源代码………………………. 84
5.4 例3—多类分类：葡萄酒
分类……………………………………….. 86
5.4.1 数据集描述和
加载…………………………………. 86
5.4.2 数据集预处理…………………… 86
5.4.3 模型架构………………………….. 87
5.4.4 损失函数描述…………………… 87
5.4.5 损失函数优化器……………….. 87
5.4.6 收敛性测试………………………. 88
5.4.7 结果描述………………………….. 88
5.4.8 完整源代码………………………. 88
5.5 小结……………………………………….. 89
第6 章 卷积神经网络………………………….. 90
6.1 卷积神经网络的起源………………. 90
6.1.1 卷积初探………………………….. 90
6.1.2 降采样操作—池化………… 95
6.1.3 提高效率—dropout
操作…………………………………. 98
6.1.4 卷积类型层构建办法………… 99
6.2 例1—MNIST 数字分类……… 100
6.2.1 数据集描述和加载………….. 100
6.2.2 数据预处理…………………….. 102
6.2.3 模型结构………………………… 102
6.2.4 损失函数描述…………………. 103
6.2.5 损失函数优化器……………… 103
6.2.6 准确性测试…………………….. 103
6.2.7 结果描述………………………… 103
6.2.8 完整源代码…………………….. 104
6.3 例2—CIFAR10 数据集的图像
分类……………………………………… 106
6.3.1 数据集描述和加载………….. 107
6.3.2 数据集预处理…………………. 107
6.3.3 模型结构………………………… 108
6.3.4 损失函数描述和
优化器……………………………. 108
6.3.5 训练和准确性测试………….. 108
6.3.6 结果描述………………………… 108
6.3.7 完整源代码…………………….. 109
6.4 小结……………………………………….110
第7 章 循环神经网络和LSTM ……………111
7.1 循环神经网络…………………………111
7.1.1 梯度爆炸和梯度消失………..112
7.1.2 LSTM 神经网络……………….112
7.1.3 其他RNN 结构…………………116
7.1.4 TensorFlow LSTM 有用的类和
方法…………………………………116
异步社区Kensuke(18319066421) 专享 请尊重版权
4 目录
7.2 例1—能量消耗、单变量时间序
列数据预测…………………………… 117
7.2.1 数据集描述和加载………….. 117
7.2.2 数据预处理…………………….. 118
7.2.3 模型结构………………………… 119
7.2.4 损失函数描述…………………. 121
7.2.5 收敛检测………………………… 121
7.2.6 结果描述………………………… 122
7.2.7 完整源代码…………………….. 122
7.3 例2—创作巴赫风格的
曲目……………………………………… 125
7.3.1 字符级模型…………………….. 125
7.3.2 字符串序列和概率表示…… 126
7.3.3 使用字符对音乐编码—
ABC 音乐格式………………… 126
7.3.4 有用的库和方法……………… 128
7.3.5 数据集描述和加载………….. 129
7.3.6 网络训练………………………… 129
7.3.7 数据集预处理…………………. 130
7.3.8 损失函数描述…………………. 131
7.3.9 停止条件………………………… 131
7.3.10 结果描述………………………. 131
7.3.11 完整源代码…………………… 132
7.4 小结……………………………………… 137
第8 章 深度神经网络………………………… 138
8.1 深度神经网络的定义…………….. 138
8.2 深度网络结构的历史变迁……… 138
8.2.1 LeNet 5 …………………………… 138
8.2.2 Alexnet …………………………… 139
8.2.3 VGG 模型……………………….. 139
8.2.4 第一代Inception 模型……… 140
8.2.5 第二代Inception 模型……… 141
8.2.6 第三代Inception 模型……… 141
8.2.7 残差网络（ResNet） ………. 142
8.2.8 其他的深度神经网络
结构……………………………….. 143
8.3 例子—VGG 艺术风格转移…. 143
8.3.1 有用的库和方法……………… 143
8.3.2 数据集描述和加载………….. 143
8.3.3 数据集预处理…………………. 144
8.3.4 模型结构………………………… 144
8.3.5 损失函数………………………… 144
8.3.6 收敛性测试…………………….. 145
8.3.7 程序执行………………………… 145
8.3.8 完整源代码…………………….. 146
8.4 小结……………………………………… 153
第9 章 规模化运行模型—GPU 和
服务………………………………………. 154
9.1 TensorFlow 中的GPU 支持……. 154
9.2 打印可用资源和设备参数……… 155
9.2.1 计算能力查询…………………. 155
9.2.2 选择CPU 用于计算………… 156
9.2.3 设备名称………………………… 156
9.3 例1—将一个操作指派给
GPU ……………………………………… 156
9.4 例2—并行计算Pi 的数值….. 157
9.4.1 实现方法………………………… 158
9.4.2 源代码……………………………. 158
9.5 分布式TensorFlow ………………… 159
9.5.1 分布式计算组件……………… 159
9.5.2 创建TensorFlow 集群……… 160
9.5.3 集群操作—发送计算方法
到任务……………………………. 161
9.5.4 分布式编码结构示例………. 162
9.6 例3—分布式Pi 计算…………. 163
9.6.1 服务器端脚本…………………. 163
9.6.2 客户端脚本…………………….. 164
9.7 例4—在集群上运行分布式
模型……………………………………… 165
9.8 小结……………………………………… 168
异步社区Kensuke(18319066421) 专享 请尊重版权
目录 5
第10 章 库的安装和其他技巧……………. 169
10.1 Linux 安装…………………………… 169
10.1.1 安装要求………………………. 170
10.1.2 Ubuntu 安装准备（安装操作的
前期操作）…………………… 170
10.1.3 Linux 下通过pip 安装
TensorFlow……………………. 170
10.1.4 Linux 下从源码安装
TensorFlow……………………. 175
10.2 Windows 安装……………………… 179
10.2.1 经典的Docker 工具箱
方法……………………………… 180
10.2.2 安装步骤………………………. 180
10.3 MacOS X 安装…………………….. 183
10.4 小结……………………………………. 185
异步

—

第1 章 探索和轉換資料………………………… 1
1.1 TensorFlow 的主要資料結構—
張量…………………………………………. 1
1.1.1 張量的屬性—階、形狀和
類型…………………………………… 1
1.1.2 創建新的張量…………………….. 3
1.1.3 動手工作—與TensorFlow
交互…………………………………… 4
1.2 處理計算工作流—TensorFlow
的資料流程圖………………………………. 5
1.2.1 建立計算圖………………………… 5
1.2.2 資料供給……………………………. 6
1.2.3 變數…………………………………… 6
1.2.4 保存資料流程圖…………………….. 6
1.3 運行我們的程式—會話…………. 8
1.4 基本張量方法…………………………… 8
1.4.1 簡單矩陣運算…………………….. 8
1.4.2 序列…………………………………. 11
1.4.3 張量形狀變換…………………… 12
1.4.4 資料流程結構和結果視覺化—
TensorBoard………………………. 14
1.5 從磁片讀取資訊……………………… 18
1.5.1 列表格式—CSV ……………. 18
1.5.2 讀取圖像資料…………………… 19
1.5.3 載入和處理圖像……………….. 20
1.5.4 讀取標準TensorFlow 格式… 21
1.6 小結……………………………………….. 21
第2 章 聚類………………………………………… 22
2.1 從資料中學習—無監督學習… 22
2.2 聚類的概念…………………………….. 22
2.3 k 均值…………………………………….. 23
2.3.1 k 均值的機制……………………. 23
2.3.2 演算法反覆運算判據…………………… 23
2.3.3 k 均值演算法拆解………………… 24
2.3.4 k 均值的優缺點………………… 25
2.4 k 最近鄰…………………………………. 25
2.4.1 k 最近鄰演算法的機制…………. 26
2.4.2 k-nn 的優點和缺點……………. 26
2.5 有用的庫和使用示例………………. 27
2.5.1 matplotlib 繪圖庫………………. 27
2.5.2 scikit-learn 資料集模組……… 28
2.5.3 人工資料集類型……………….. 28
2.6 例1—對人工資料集的k 均值
聚類……………………………………….. 29
2.6.1 資料集描述和載入……………. 29
2.6.2 模型架構………………………….. 30
2.6.3 損失函數描述和優化迴圈…. 31
2.6.4 停止條件………………………….. 31
非同步社區Kensuke(18319066421) 專享 請尊重版權
2 目錄
2.6.5 結果描述………………………….. 31
2.6.6 每次反覆運算中的質心變化…….. 32
2.6.7 完整原始程式碼………………………. 32
2.6.8 k 均值用於環狀資料集……… 34
2.7 例2—對人工資料集使用最近
鄰演算法……………………………………. 36
2.7.1 資料集生成………………………. 36
2.7.2 模型結構………………………….. 36
2.7.3 損失函數描述…………………… 37
2.7.4 停止條件………………………….. 37
2.7.5 結果描述………………………….. 37
2.7.6 完整原始程式碼………………………. 37
2.8 小結……………………………………….. 39
第3 章 線性回歸…………………………………. 40
3.1 單變數線性模型方程………………. 40
3.2 選擇損失函數…………………………. 41
3.3 最小化損失函數……………………… 42
3.3.1 最小方差的全域最小值…….. 42
3.3.2 反覆運算方法：梯度下降………… 42
3.4 示例部分………………………………… 43
3.4.1 TensorFlow 中的優化方法—
訓練模組………………………….. 43
3.4.2 tf.train.Optimizer 類…………… 43
3.4.3 其他Optimizer 實例類型…… 44
3.5 例1—單變數線性回歸………… 44
3.5.1 資料集描述………………………. 45
3.5.2 模型結構………………………….. 45
3.5.3 損失函數描述和Optimizer … 46
3.5.4 停止條件………………………….. 48
3.5.5 結果描述………………………….. 48
3.5.6 完整原始程式碼………………………. 49
3.6 例2—多變數線性回歸………… 51
3.6.1 有用的庫和方法……………….. 51
3.6.2 Pandas 庫………………………….. 51
3.6.3 資料集描述………………………. 51
3.6.4 模型結構………………………….. 53
3.6.5 損失函數和Optimizer ……….. 54
3.6.6 停止條件………………………….. 55
3.6.7 結果描述………………………….. 55
3.6.8 完整原始程式碼………………………. 56
3.7 小結……………………………………….. 57
第4 章 邏輯回歸…………………………………. 58
4.1 問題描述………………………………… 58
4.2 Logistic 函數的逆函數—Logit
函數……………………………………….. 59
4.2.1 伯努利分佈………………………. 59
4.2.2 聯繫函數………………………….. 60
4.2.3 Logit 函數………………………… 60
4.2.4 對數幾率函數的逆函數—
Logistic 函數…………………….. 60
4.2.5 多類分類應用—Softmax
回歸…………………………………. 62
4.3 例1—單變數邏輯回歸………… 64
4.3.1 有用的庫和方法……………….. 64
4.3.2 資料集描述和載入……………. 65
4.3.3 模型結構………………………….. 67
4.3.4 損失函數描述和優化器
迴圈…………………………………. 67
4.3.5 停止條件………………………….. 68
4.3.6 結果描述………………………….. 68
4.3.7 完整原始程式碼………………………. 69
4.3.8 圖像化表示………………………. 71
4.4 例2—基於skflow 單變數邏輯
回歸……………………………………….. 72
4.4.1 有用的庫和方法……………….. 72
4.4.2 資料集描述………………………. 72
4.4.3 模型結構………………………….. 72
4.4.4 結果描述………………………….. 73
4.4.5 完整原始程式碼………………………. 74
4.5 小結……………………………………….. 74
非同步社區Kensuke(18319066421) 專享 請尊重版權
目錄 3
第5 章 簡單的前向神經網路……………….. 75
5.1 基本概念………………………………… 75
5.1.1 人工神經元………………………. 75
5.1.2 神經網路層………………………. 76
5.1.3 有用的庫和方法……………….. 78
5.2 例1—非線性類比資料
回歸……………………………………….. 79
5.2.1 資料集描述和載入……………. 79
5.2.2 資料集預處理…………………… 80
5.2.3 模型結構—損失函數
描述…………………………………. 80
5.2.4 損失函數優化器……………….. 80
5.2.5 準確度和收斂測試……………. 80
5.2.6 完整原始程式碼………………………. 80
5.2.7 結果描述………………………….. 81
5.3 例2—通過非線性回歸，對
汽車燃料效率建模………………….. 82
5.3.1 資料集描述和載入……………. 82
5.3.2 數據預處理………………………. 83
5.3.3 模型架構………………………….. 83
5.3.4 準確度測試………………………. 84
5.3.5 結果描述………………………….. 84
5.3.6 完整原始程式碼………………………. 84
5.4 例3—多類分類：葡萄酒
分類……………………………………….. 86
5.4.1 資料集描述和
載入…………………………………. 86
5.4.2 資料集預處理…………………… 86
5.4.3 模型架構………………………….. 87
5.4.4 損失函數描述…………………… 87
5.4.5 損失函數優化器……………….. 87
5.4.6 收斂性測試………………………. 88
5.4.7 結果描述………………………….. 88
5.4.8 完整原始程式碼………………………. 88
5.5 小結……………………………………….. 89
第6 章 卷積神經網路………………………….. 90
6.1 卷積神經網路的起源………………. 90
6.1.1 卷積初探………………………….. 90
6.1.2 降採樣操作—池化………… 95
6.1.3 提高效率—dropout
操作…………………………………. 98
6.1.4 卷積類型層構建辦法………… 99
6.2 例1—MNIST 數字分類……… 100
6.2.1 資料集描述和載入………….. 100
6.2.2 數據預處理…………………….. 102
6.2.3 模型結構………………………… 102
6.2.4 損失函數描述…………………. 103
6.2.5 損失函數優化器……………… 103
6.2.6 準確性測試…………………….. 103
6.2.7 結果描述………………………… 103
6.2.8 完整原始程式碼…………………….. 104
6.3 例2—CIFAR10 資料集的圖像
分類……………………………………… 106
6.3.1 資料集描述和載入………….. 107
6.3.2 資料集預處理…………………. 107
6.3.3 模型結構………………………… 108
6.3.4 損失函數描述和
優化器……………………………. 108
6.3.5 訓練和準確性測試………….. 108
6.3.6 結果描述………………………… 108
6.3.7 完整原始程式碼…………………….. 109
6.4 小結……………………………………….110
第7 章 迴圈神經網路和LSTM ……………111
7.1 迴圈神經網路…………………………111
7.1.1 梯度爆炸和梯度消失………..112
7.1.2 LSTM 神經網路……………….112
7.1.3 其他RNN 結構…………………116
7.1.4 TensorFlow LSTM 有用的類和
方法…………………………………116
非同步社區Kensuke(18319066421) 專享 請尊重版權
4 目錄
7.2 例1—能量消耗、單變數時間序
列資料預測…………………………… 117
7.2.1 資料集描述和載入………….. 117
7.2.2 數據預處理…………………….. 118
7.2.3 模型結構………………………… 119
7.2.4 損失函數描述…………………. 121
7.2.5 收斂檢測………………………… 121
7.2.6 結果描述………………………… 122
7.2.7 完整原始程式碼…………………….. 122
7.3 例2—創作巴赫風格的
曲目……………………………………… 125
7.3.1 字元級模型…………………….. 125
7.3.2 字串序列和概率表示…… 126
7.3.3 使用字元對音樂編碼—
ABC 音樂格式………………… 126
7.3.4 有用的庫和方法……………… 128
7.3.5 資料集描述和載入………….. 129
7.3.6 網路訓練………………………… 129
7.3.7 資料集預處理…………………. 130
7.3.8 損失函數描述…………………. 131
7.3.9 停止條件………………………… 131
7.3.10 結果描述………………………. 131
7.3.11 完整原始程式碼…………………… 132
7.4 小結……………………………………… 137
第8 章 深度神經網路………………………… 138
8.1 深度神經網路的定義…………….. 138
8.2 深度網路結構的歷史變遷……… 138
8.2.1 LeNet 5 …………………………… 138
8.2.2 Alexnet …………………………… 139
8.2.3 VGG 模型……………………….. 139
8.2.4 第一代Inception 模型……… 140
8.2.5 第二代Inception 模型……… 141
8.2.6 第三代Inception 模型……… 141
8.2.7 殘差網路（ResNet） ………. 142
8.2.8 其他的深度神經網路
結構……………………………….. 143
8.3 例子—VGG 藝術風格轉移…. 143
8.3.1 有用的庫和方法……………… 143
8.3.2 資料集描述和載入………….. 143
8.3.3 資料集預處理…………………. 144
8.3.4 模型結構………………………… 144
8.3.5 損失函數………………………… 144
8.3.6 收斂性測試…………………….. 145
8.3.7 程式執行………………………… 145
8.3.8 完整原始程式碼…………………….. 146
8.4 小結……………………………………… 153
第9 章 規模化運行模型—GPU 和
服務………………………………………. 154
9.1 TensorFlow 中的GPU 支持……. 154
9.2 列印可用資源和設備參數……… 155
9.2.1 計算能力查詢…………………. 155
9.2.2 選擇CPU 用於計算………… 156
9.2.3 設備名稱………………………… 156
9.3 例1—將一個操作指派給
GPU ……………………………………… 156
9.4 例2—平行計算Pi 的數值….. 157
9.4.1 實現方法………………………… 158
9.4.2 原始程式碼……………………………. 158
9.5 分散式TensorFlow ………………… 159
9.5.1 分散式運算組件……………… 159
9.5.2 創建TensorFlow 集群……… 160
9.5.3 集群操作—發送計算方法
到任務……………………………. 161
9.5.4 分散式編碼結構示例………. 162
9.6 例3—分散式Pi 計算…………. 163
9.6.1 伺服器端腳本…………………. 163
9.6.2 用戶端指令碼…………………….. 164
9.7 例4—在集群上運行分散式
模型……………………………………… 165
9.8 小結……………………………………… 168
非同步社區Kensuke(18319066421) 專享 請尊重版權
目錄 5
第10 章 庫的安裝和其他技巧……………. 169
10.1 Linux 安裝…………………………… 169
10.1.1 安裝要求………………………. 170
10.1.2 Ubuntu 安裝準備（安裝操作的
前期操作）…………………… 170
10.1.3 Linux 下通過pip 安裝
TensorFlow……………………. 170
10.1.4 Linux 下從源碼安裝
TensorFlow……………………. 175
10.2 Windows 安裝……………………… 179
10.2.1 經典的Docker 工具箱
方法……………………………… 180
10.2.2 安裝步驟………………………. 180
10.3 MacOS X 安裝…………………….. 183
10.4 小結……………………………………. 185
非同步