《TensorFlow深度學習及實踐》內容由淺入深，既有原理介紹，又有實戰操作，使讀者在實踐中掌握相關知識，並為解決實際問題提供詳細的方法；具有超強的實用性，實例豐富，不僅給出了70多個實例幫助讀者理解概念，還提供了綜合案例，如圖像識別、語音識別、自然語言處理等方面的應用；使用TensorFlow庫實現各種模型，這樣可以降低學習門檻，即使沒有深度學習基礎的讀者也可以快速上手。

●第1章人工智能簡介
1.1什麼是人工智能
1.2AlphaGo的原理簡介
1.2.1MCTS算法
1.2.2AlphaGo的基本原理
1.3什麼是深度學習
1.4深度學習的方法
1.5TensorFlow是什麼
1.5.1TensorFlow的特點
1.5.2TensorFlow的使用公司和使用對像
1.5.3為什麼Google要開源這個利器
1.6其他深度學習框架
1.7小結
1.8習題
第2章TensorFlow環境搭建
2.1安裝環境介紹
2.1.1CUDA簡介
2.1.2cuDNN簡介
2.1.3查看GPU信息
2.2安裝TensorFlow
2.2.1下載TensorFlow
2.2.2基於pip的安裝
2.2.3基於Java的安裝
2.2.4從源代碼安裝
2.3其他模塊
2.3.1numpy模塊
2.3.2matplotlib模塊
2.3.3jupyter模塊
2.3.4scikitimage模塊
2.3.5librosa模塊
2.3.6nltk模塊
2.3.7keras模塊
2.3.8tflearn模塊
2.4文本編輯器
2.4.1Geany
2.4.2Sublime Text
2.4.3IDLE
2.4.4PyCharm
2.5TensorFlow測試樣本
2.6小結
2.7習題
第3章TensorFlow可視化
3.1PlayGround
3.1.1數據
3.1.2特征
3.1.3隱藏層
3.1.4輸出
3.2TensorBoard
3.3TensorBoard代碼
3.4小結
3.5習題
第4章TensorFlow基礎知識
4.1張量
4.1.1張量的屬性
4.1.2張量的創建
4.1.3TensorFlow的交互式運行
4.2數據流圖
4.3操作
4.4會話
4.5變量
4.5.1初始化
4.5.2形變
4.5.3數據類型與維度
4.5.4其他操作
4.5.5共享變量
4.6矩陣的創建與操作
4.7模型的保存與讀取
4.7.1保存模型
4.7.2載入模型
4.7.3從磁盤讀取信息
4.8批標準化
4.9使用GPU
4.9.1指定GPU設備
4.9.2指定GPU的顯存占用
4.1函數
4.10.1激活函數
4.10.2卷積函數
4.10.3分類函數
4.11優化方法
4.12隊列與線程
4.12.1隊列
4.12.2隊列管理器
4.12.3線程和協調器
4.13讀取數據源
4.13.1placeholder填充數據
4.13.2文件讀入數據
4.13.3預先讀入內存方式
4.14創建分類器
4.15小結
4.16習題
第5章TensorFlow聚類分析
5.1無監督學習
5.2聚類的概念
5.3k均值聚類算法
5.3.1k均值聚類算法迭代判據
5.3.2k均值聚類算法的機制
5.3.3k均值聚類算法的優缺點
5.3.4k均值聚類算法的實現
5.4k最近鄰算法
5.4.1實例分析
5.4.2k最近鄰算法概述
5.4.3模型和三要素
5.4.4kNN算法的不足
5.5k均值聚類算法的典型應用
5.5.1實例：對人工數據集使用k均值聚類算法
5.5.2實例：對人工數據集使用k最近鄰算法
5.5.3實例：對圖像識別使用k最近鄰算法
5.6小結
5.7習題
第6章TensorFlow回歸分析
6.1求逆矩陣
6.2矩陣分解
6.3實例：TensorFlow實現線性回歸算法
6.4選擇損失函數
6.4.1最小化損失函數
6.4.2實例：TensorFlow實現線性回歸損失函數
6.5TensorFlow的其他回歸算法
6.5.1戴明回歸算法
6.5.2嶺回歸與lasso回歸算法
6.5.3彈性網絡回歸算法
6.6邏輯回歸分析
6.6.1邏輯回歸
6.6.2損失函數
6.6.3實例：TensorFlow實現邏輯回歸算法
6.7小結
6.8習題
第7章TensorFlow支持向量機
7.1支持向量機簡介
7.1.1幾何間隔和函數間隔
7.1.2優選化間隔
7.1.3軟間隔
7.1.4SMO算法
7.1.5核函數
7.1.6實例：TensorFlow實現支持向量機
7.2非線性支持向量機
7.2.1風險最小化
7.2.2VC維
7.2.3結構風險最小化
7.2.4松弛變量
7.2.5實例：TensorFlow實現非線性支持向量機
7.3實例：TensorFlow實現多類支持向量機
7.4小結
7.5習題
第8章深度神經網絡基礎知識
8.
8.1.的結構
8.1.的功能
8.2簡單神經網絡
8.3深度神經網絡
8.4梯度下降
8.4.1批量梯度下降法
8.4.2隨機梯度下降法
8.4.3小批量梯度下降法
8.4.4實例：梯度下降法
8.5前向傳播
8.5.1前向傳播算法數學原理
8.5.2DNN的前向傳播算法
8.6後向傳播
8.6.1求導鏈式法則
8.6.2後向傳播算法思路
8.6.3後向傳播算法的計算過程
8.6.4實例：實現一個簡單的二值分類算法
8.7優化函數
8.7.1隨機梯度下降優化法
8.7.2動量優化法
8.7.3Adagrad優化法
8.7.4Adadelta優化法
8.7.5Adam優化法
8.8實例：TensorFlow實現簡單深度神經網絡
8.9小結
8.10習題
第9章TensorFlow實現卷積神經網絡
9.1卷積神經網絡的概述
9.1.1什麼是卷積神經網絡
9.1.2為什麼要用卷積神經網絡
9.1.3卷積神經網絡的結構
9.1.4實例：簡單卷積神經網絡的實現
9.2卷積神經網絡的函數
9.3AlexNet
9.4TensorFlow實現ResNet
9.4.1ResNet的基本原理
9.4.2實例：TensorFlow實現ResNet
9.5TesnorFlow卷積神經網絡的典型應用
9.6反卷積神經網絡
9.6.1反卷積原理
9.6.2反卷積操作
9.6.3實例：TensorFlow實現反卷積
9.6.4反池化原理
9.6.5實例：TensorFlow實現反池化
9.6.6偏導計算
9.6.7梯度停止
9.7深度學習的訓練技巧
9.7.1優化卷積核技術
9.7.2多通道卷積技術
9.8小結
9.9習題
第10章TensorFlow實現循環神經網絡
10.1循環神經網絡的概述
10.1.1循環神經網絡的結構
10.1.2實例：簡單循環神經網絡的實現
10.2長短時記憶網絡
10.2.1LSTM的網絡結構
10.2.2LSTM的前向計算
10.2.3實例：LSTM的實現
10.3自然語言建模
10.4實例：BiRNN實現語音識別
10.4.1語音識別背景
10.4.2獲取並整理樣本
10.4.3訓練模型
10.5Seq2Seq任務
10.5.1Seq2Seq任務介紹
10.5.2EncoderDecoder框架
10.5.3實例：TensorFlow實現Seq2Seq翻譯
10.5.4實例：比特幣市場的分析與預測
10.6小結
10.7習題
第11章TensorFlow實現深度神經網絡
11.1深度神經網絡的起源
11.2模型介紹
11.2.1AlexNet模型
11.2.2VGG模型
11.2.3GoogleNet模型
11.2.4殘差網絡
11.2.5InceptionResNetv2結構
11.2.6其他的深度神經網絡結構
11.3實例：VGG藝術風格轉移
11.4生成式對抗網絡
11.4.1GAN的理論知識
11.4.2生成式模型的應用
11.4.3discriminator和generator損失計算
11.4.4基於深度卷積的GAN
11.4.5指定類別生成模擬樣本的GAN
11.5實例：構建InfoGAN生成MNIST模擬數據
11.6小結
11.7習題
參考文獻

TensorFlow是2015年年底開源的一套深度學習框架，也是目前最活躍的深度學習框架之一。《TensorFlow深度學習及實踐》從深度學習的基礎講起，深入TensorFlow的基本框架、原理、源代碼和實現等各個方面，其目的在於降低學習門檻，為讀者解決問題提供詳細的方法和指導。《TensorFlow深度學習及實踐》主要內容包括：人工智能簡介，TesnorFlow的環境搭建、可視化、基礎知識、聚類分析、回歸分析、支持向量機，TensorFlow實現卷積神經網絡、循環神經網絡、深度神經網絡等。《TensorFlow深度學習及實踐》適合作為對深度學習感興趣的初學者的參考用書，也適合作為人工智能、計算機等相關專業深度學習課程的教材。