第1章 TensorFlow 101

1.1什么是TensorFlow

1.2 TensorFlow内核

1.2.1简单的示例代码-HelloTensorFlow

1.2.2张量

1.2.3常量

1.2.4操作

1.2.5占位符

1.2.6从Python对象创建张量

1.2.7变量

1.2.8由库函数生成的张量

1.2.9通过tf.get_variable（）获取变量

1.3数据流图或计算图

1.3.1执行顺序和延迟加载

1.3.2跨计算设备执行计算图-CPU和GPU

1.3.3多个计算图

1.4 TensorBoard

1.4.1 TensorBoard最小的例子

1.4.2 TensorBoard的细节

1.5总结

第2章 TensorFlow的高级库

2.1 TF Estimator

2.2 TF Slim

2.3 TFLearn

2.3.1创建TFLearn层

2.3.2创建TFLearn模型

2.3.3 训练TFLearn模型

2.3.4使用TFLearn模型

2.4 PrettyTensor

2.5 Sonnet

2.6总结

第3章 Keras101

3.1安装Keras

3.2 Keras的神经网络模型

3.2.1在Keras中创建模型的过程

3.3创建Keras模型

3.3.1用于创建Keras模型的序列化API

3.3.2用于创建Keras模型的功能性API

3.4 Keras的层

3.4.1 Keras内核层

3.4.2 Keras卷积层

3.4.3 Keras池化层

3.4.4 Keras局连接层

3.4.5 Keras循环层

3.4.6 Keras嵌入层

3.4.7 Keras合并层

3.4.8 Keras高级激活层

3.4.9 Keras归一化层

3.4.10 Keras噪声层

3.5将网络层添加到Keras模型中

3.5.1利用序列化API将网络层添加到Keras模型中

3.5.2利用功能性API将网络层添加到Keras模型中

3.6编译Keras模型

3.7训练Keras模型

3.8使用Keras模型进行预测

3.9 Keras中的其他模块

3.10基于MNIST数据集的Keras顺序模型示例

3.11总结

第4章 基于TensorFlow的经典机器学习算法

4.1简单的线性回归

4.1.1数据准备

4.1.2建立简单的回归模型

4.1.3使用训练好的模型进行预测

4.2多元回归

4.3正则化回归

4.3.1 Lasso正则化

4.3.2岭正则化

4.3.3弹性网正则化

4.4使用Logistic回归进行分类

4.4.1二分类的Logistic回归

4.4.2多类分类的Logistic回归

4.5二分类

4.6多分类

4.7总结

第5章 基于TensorFlow和Keras的神经网络和多层感知机

5.1感知机

5.2多层感知机

5.3用于图像分类的多层感知机

5.3.1通过TensorFlow构建用于MNIST分类的多层感知机

5.3.2通过Keras构建用于MNIST分类的多层感知机

5.3.3通过TFLearn构建用于MNIST分类的多层感知机

5.3.4多层感知机与TensorFlow、Keras和TFLearn的总结

5.4用于时间序列回归的多层感知机

5.5总结

第6章 基于TensorFlow和Keras的RNN

6.1简单RNN

6.2 RNN改进版本

6.3 LSTM网络

6.4 GRU网络

6.5基于TensorFlow的RNN

6.5.1 TensorFlow的RNN单元类

6.5.2 TensorFlow的RNN模型构造类

6.5.3 TensorFlow的RNN单元封装类

6.6基于Keras的RNN

6.7 RNN的应用领域

6.8将基于Keras的RNN用于MNIST数据

6.9总结

第7章 基于TensorFlow和Keras的RNN在时间序列数据中的应用

7.1航空公司乘客数据集

7.1.1加载airpass数据集

7.1.2可视化airpass数据集

7.2使用TensorFlow为RNN模型预处理数据集

7.3 TensorFlow中的简单RNN

7.4 TensorFlow中的LSTM网络

7.5 TensorFlow中的GRU网络

7.6使用Keras为RNN模型预处理数据集

7.7基于Keras的简单RNN

7.8基于Keras的LSTM网络

7.9基于Keras的GRU网络

7.10总结

第8章 基于TensorFlow和Keras的RNN在文本数据中的应用

8.1词向量表示

8.2为word2vec模型准备数据

8.2.1加载和准备PTB数据集

8.2.2加载和准备text8数据集

8.2.3准备小的验证集

8.3使用TensorFlow的skip-gram模型

8.4使用t-SNE可视化单词嵌入

8.5基于Keras的skip-gram模型

8.6使用TensorFlow和Keras中的RNN模型生成文本

8.6.1使用TensorFlow中的LSTM模型生成文本

8.6.2使用Keras中的LSTM模型生成文本

8.7总结

第9章 基于TensorFlow和Keras的CNN

9.1理解卷积

9.2理解池化

9.3 CNN架构模式-LeNet

9.4在MNIST数据集上构建LeNet

9.4.1使用TensorFlow的LeNet CNN对MNIST数据集进行分类

9.4.2使用Keras的LeNet CNN对MNIST数据集进行分类

9.5在CIFAR10数据集上构建LeNet

9.5.1使用TensorFlow的CNN对CIFAR 10数据集进行分类

9.5.2使用Keras的CNN对CIFAR 10数据集进行分类

9.6总结

第10章 基于TensorFlow和Keras的自编码器

10.1自编码器类型

10.2基于TensorFlow的堆叠自编码器

10.3基于Keras的堆叠自编码器

10.4基于TensorFlow的去噪自编码器

10.5基于Keras的去噪自编码器

10.6基于TensorFlow的变分自编码器

10.7基于Keras的变分自编码器

10.8总结

第11章 使用TF服务提供生成环境下的TensorFlow模型

11.1在TensorFlow中保存和恢复模型

11.1.1使用saver类保存和恢复所有网络计算图变量

11.1.2使用saver类保存和恢复所选变量

11.2保存和恢复Keras模型

11.3 TensorFlow服务

11.3.1安装TF服务

11.3.2保存TF服务的模型

11.3.3使用TF服务提供服务模型

11.4在Docker容器中提供TF服务

11.4.1安装Docker

11.4.2为TF服务构建Docker镜像

11.4.3在Docker容器中提供模型

11.5基于Kubernetes的TF服务

11.5.1安装Kubernetes

11.5.2将Docker镜像上传到dockerhub

11.5.3在Kubernetes中部署

11.6总结

第12章 迁移学习模型和预训练模型

12.1 ImageNet数据集

12.2重新训练或微调模型

12.3 COCO动物数据集和预处理图像

12.4 TensorFlow中的VGG16

12.4.1使用TensorFlow中预先训练的VGG 16进行图像分类

12.5将TensorFlow中的图像预处理用于预先训练的VGG

12.5.1使用TensorFlow中重新训练的VGG16进行图像分类

12.6 Keras中的VGG16

12.6.1使用Keras中预先训练的VGG16进行图像分类

12.6.2使用Keras中重新训练的VGG16进行图像分类

12.7 TensorFlow中的Inception v3

12.7.1使用TensorFlow中Inception v3进行图像分类

12.7.2使用TensorFlow中重新训练的Inception v3进行图像分类

12.8总结

第13章 深度强化学习

13.1 OpenAl Gym 101

13.2将简单的策略应用于cartpole游戏

13.3强化学习101

13.3.1 Q函数（在模型无效时学习优化）

13.3.2强化学习算法的探索与开发

13.3.3 V函数（在模型可用时学习优化）

13.3.4强化学习技巧

13.4强化学习的朴素神经网络策略

13.5实施Q-Learning

13.5.1 Q-Learning的初始化和离散化

13.5.2基于Q表的Q-Learning

13.5.3使用Q网络或深度Q网络（DQN）进行Q-Learning

13.6总结

第14章 生成对抗网络（GAN）

14.1 GAN

14.2建立和训练GAN的最佳实践

14.3基于TensorFlow的简单GAN

14.4基于Keras的简单GAN

14.5基于TensorFlow和Keras的深度卷积GAN

14.6总结

第15章 基于TensorFlow集群的分布式模型

15.1分布式执行策略

15.2 TensorFlow集群

15.2.1定义集群规范

15.2.2创建服务器实例

15.2.3定义服务器和设备之间的参数和操作

15.2.4定义并训练计算图以进行异步更新

15.2.5定义并训练计算图以进行同步更新

15.3总结

第16章 移动和嵌入式平台上的TensorFlow模型

16.1移动平台上的TensorFlow

16.2 Android应用程序中的TF Mobile

16.3演示Android上的TF Mobile

16.4 iOS应用程序中的TF Mobile

16.5演示iOS上的TF Mobile

16.6TensorFlow Lite

16.7演示Android上的TF Lite应用程序

16.8演示iOS上的TF Lite应用程序

16.9总结

第17章 R中的TensorFlow和Keras

17.1在R中安装TensorFlow和Keras软件包

17.2 R中的TF核心API

17.3 R中的TF Estimator API

17.4 R中的Keras API

17.5 R中的TensorBoard

17.6 R中的tfruns包

17.7总结

第18章 调试TenSorFIOW模型

18.1使用tf.Session.run（）获取张量值

18.2使用tf.Print（）输出张量值

18.3使用tf.Assert（）断言条件

18.4使用TensorFlow调试器（tfdbg）进行调试

18.5总结

附录 张量处理单元