1.牛津大學物聯網課程創建者和首席數據科學家Ajit Jaokar為本書作序並傾情**。
2.通過閱讀本書，能夠深入了解和掌握TensorFlow，並能構建實用的機器學習和深度學習繫統。
3.本書涵蓋了TensorFlow 1.x的許多**功能，並涉及很多**的技術，如遷移學習、深度強化學習、生成對抗網絡等。
4.本書提供了大量示例，其代碼可以通過GitHub網址下載，具體地址見封面背面。

TensorFlow是目前流行的數值計算庫，專用於構建分布式、雲計算和移動環境。TensorFlow將數據表示為張量，將計算表示為計算圖。 《精通TensorFlow》是一本綜合指南，可讓您理解TensorFlow 1.x的高級功能，深入了解TensorFlow 內核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用遷移學習、生成對抗網絡和深度強化學習等概念來構建深度學習模型。通過本書，您將獲得在各種數據集（例如 MNIST、CIFAR-10、PTB、text8和COCO圖像）上的實踐經驗。 您還能夠學習TensorFlow1.x的高級功能，例如分布式TensorFlow，使用TensorFlow服務部署生產模型，以及在Android和iOS平臺上為移動和嵌入式設備構建和部署TensorFlow模型。您將看到如何在R統計軟件中調用 TensorFlow和Keras API，還能了解在TensorFlow的代碼無法按預期工作時所需的調試技術。 《精通TensorFlow》可幫助您深入了解TensorFlow，使您成為解決人工智能問題的專家。總之，在學習本書之後，可掌握TensorFlow和Keras的產品，並獲得構建更智能、更快速、更高效的機器學習和深度學習繫統所需的技能。

Armando Fandango利用自己在深度學習、計算方法和分布式計算方面的專業知識，創造了人工智能（AI）產品。他為Owen.ai公司在AI產品戰略方面提供建議。他創建了NeuraSights公司，其目標是利用神經網絡創建有技術深度的產品。他還創建了Vets2Data公司，這家非盈利機構主要幫助美國退役軍人掌握AI技能。 Armando出版了2本專著，並在國際期刊和會議上發表了他的研究成果。

譯者序
原書序
原書前言
第 1章　TensorFlow 101 // 1
1.1　什麼是 TensorFlow // 1
1.2　TensorFlow內核 // 2
1.2.1　簡單的示例代碼 -Hello TensorFlow // 2
1.2.2　張量 // 3
1.2.3　常量 // 4
1.2.4　操作 // 5
1.2.5　占位符 // 6
1.2.6　從 Python對像創建張量 // 7
1.2.7　變量 // 9
1.2.8　由庫函數生成的張量 // 10
1.2.9　通過 tf.get_variable( )獲取變量 // 13
1.3　數據流圖或計算圖 // 14
1.3.1　執行順序和延遲加載 // 15
1.3.2　跨計算設備執行計算圖 -CPU和 GPU // 15
1.3.3　多個計算圖 // 18
1.4　TensorBoard // 19
1.4.1　TensorBoard*小的例子 // 19
1.4.2　TensorBoard的細節 // 21
1.5　總結 // 21
第 2章　TensorFlow的**庫 // 22
2.1　TF Estimator // 22
2.2　TF Slim // 24
2.3　TFLearn // 25
2.3.1　創建 TFLearn層 // 26
2.3.2　創建 TFLearn模型 // 30
2.3.3　訓練 TFLearn模型 // 30
2.3.4　使用 TFLearn模型 // 30
2.4　PrettyTensor // 31
2.5　Sonnet // 32
2.6　總結 // 34
第 3章　Keras101 // 35
3.1　安裝 Keras // 35
3.2　Keras的神經網絡模型 // 36
3.2.1　在 Keras中創建模型的過程 // 36
3.3　創建 Keras模型 // 36
3.3.1　用於創建 Keras模型的序列化 API // 36
3.3.2　用於創建 Keras模型的功能性 API // 37
3.4　Keras的層 // 37
3.4.1　Keras內核層 // 37
3.4.2　Keras卷積層 // 38
3.4.3　Keras池化層 // 38
3.4.4　Keras局連接層 // 39
3.4.5　Keras循環層 // 39
3.4.6　Keras嵌入層 // 39
3.4.7　Keras合並層 // 39
3.4.8　Keras**激活層 // 40
3.4.9　Keras歸一化層 // 40
3.4.10　Keras噪聲層 // 40
3.5　將網絡層添加到 Keras模型中 // 40
3.5.1　利用序列化 API將網絡層添加到 Keras模型中 // 40
3.5.2　利用功能性 API將網絡層添加到 Keras模型中 // 41
3.6　編譯 Keras模型 // 41
3.7　訓練 Keras模型 // 42
3.8　使用 Keras模型進行預測 // 42
3.9　Keras中的其他模塊 // 43
3.10　基於 MNIST數據集的 Keras順序模型示例 // 43
3.11　總結 // 45
第 4章　基於TensorFlow的經典機器學習算法 // 47
4.1　簡單的線性回歸 // 48
4.1.1　數據準備 // 49
4.1.2　建立簡單的回歸模型 // 50
4.1.3　使用訓練好的模型進行預測 // 55
4.2　多元回歸 // 55
4.3　正則化回歸 // 58
4.3.1　Lasso正則化 // 59
4.3.2　嶺正則化 // 62
4.3.3　彈性網正則化 // 64
4.4　使用 Logistic回歸進行分類 // 65
4.4.1　二分類的 Logistic回歸 // 65
4.4.2　多類分類的 Logistic回歸 // 66
4.5　二分類 // 66
4.6　多分類 // 69
4.7　總結 // 73
第 5章　基於 TensorFlow和 Keras的神經網絡和多層感知機 // 74
5.1　感知機 // 74
5.2　多層感知機 // 76
5.3　用於圖像分類的多層感知機 // 77
5.3.1　通過 TensorFlow構建用於 MNIST分類的多層感知機 // 77
5.3.2　通過 Keras構建用於 MNIST分類的多層感知機 // 83
5.3.3　通過 TFLearn構建用於 MNIST分類的多層感知機 // 85
5.3.4　多層感知機與 TensorFlow、 Keras和 TFLearn的總結 // 86
5.4　用於時間序列回歸的多層感知機 // 86
5.5　總結 // 89
第 6章　基於TensorFlow和Keras的 RNN // 90
6.1　簡單 RNN // 90
6.2　RNN改進版本 // 92
6.3　LSTM網絡 // 93
6.4　GRU網絡 // 95
6.5　基於TensorFlow的 RNN // 96
6.5.1　TensorFlow的RNN單元類 // 96
6.5.2　 TensorFlow 的RNN模型構造類 // 97
6.5.3　 TensorFlow的 RNN單元封裝類 // 97
6.6　基於Keras的 RNN // 98
6.7　RNN的應用領域 // 98
6.8　將基於Keras的 RNN用於MNIST數據 // 99
6.9　總結 // 100
第 7章　基於TensorFlow和 Keras的 RNN在時間序列數據中的應用 //101
7.1　航空公司乘客數據集 // 101
7.1.1　加載 airpass數據集 // 102
7.1.2　可視化 airpass數據集 // 102
7.2　使用TensorFlow為 RNN模型預處理數據集 // 103
7.3　TensorFlow中的簡單 RNN // 104
7.4　TensorFlow中的 LSTM網絡 // 106
7.5　TensorFlow中的 GRU網絡 // 107
7.6　使用 Keras為 RNN模型預處理數據集 // 108
7.7　基於 Keras的簡單 RNN // 109
7.8　基於 Keras的 LSTM網絡 // 111
7.9　基於 Keras的 GRU網絡 // 112
7.10　總結 // 113
第 8章　基於TensorFlow和 Keras的RNN在文本數據中的應用 // 114
8.1　詞向量表示 // 114
8.2　為 word2vec模型準備數據 // 116
8.2.1　加載和準備PTB數據集 // 117
8.2.2　加載和準備text8數據集 // 118
8.2.3　準備小的驗證集 // 119
8.3　使用TensorFlow的 skip-gram模型 // 119
8.4　使用t-SNE可視化單詞嵌入 // 124
8.5　基於Keras的 skip-gram模型 // 126
8.6　使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1　使用TensorFlow中的 LSTM模型生成文本 // 131
8.6.2　使用Keras中的 LSTM模型生成文本 // 134
8.7　總結 // 137
第 9章　基於TensorFlow和Keras的 CNN // 138
9.1　理解卷積 // 138
9.2　理解池化 // 141
9.3　CNN架構模式 - LeNet // 142
9.4　在MNIST數據集上構建 LeNet // 143
9.4.1　使用 TensorFlow的 LeNet CNN對 MNIST數據集進行分類 // 143
9.4.2　使用 Keras的 LeNet CNN對MNIST數據集進行分類 // 146
9.5　在CIFAR10數據集上構建LeNet // 148
9.5.1　使用TensorFlow的 CNN對CIFAR10數據集進行分類 // 149
9.5.2　使用Keras的 CNN對CIFAR10數據集進行分類 // 150
9.6　總結 // 151
第 10章　基於TensorFlow和Keras的自編碼器 // 152
10.1　自編碼器類型 // 152
10.2　基於TensorFlow的堆疊自編碼器 // 154
10.3　基於Keras的堆疊自編碼器 // 157
10.4　基於TensorFlow的去噪自編碼器 // 159
10.5　基於Keras的去噪自編碼器 // 161
10.6　基於TensorFlow的變分自編碼器 // 162
10.7　基於Keras的變分自編碼器 // 167
10.8　總結 // 170
第 11章　使用TF服務提供生成環境下的 TensorFlow模型 // 171
11.1　在 TensorFlow中保存和恢復模型 // 171
11.1.1　使用saver類保存和恢復所有網絡計算圖變量 // 172
11.1.2　使用saver類保存和恢復所選變量 // 173
11.2　保存和恢復 Keras模型 // 175
11.3　TensorFlow服務 // 175
11.3.1　安裝TF服務 // 175
11.3.2　保存TF服務的模型 // 176
11.3.3　使用TF服務提供服務模型 // 180
11.4　在Docker容器中提供 TF服務 // 181
11.4.1　安裝Docker // 182
11.4.2　為TF服務構建 Docker鏡像 // 183
11.4.3　在Docker容器中提供模型 // 185
11.5　基於Kubernetes的 TF服務 // 186
11.5.1　安裝 Kubernetes // 186
11.5.2　將 Docker鏡像上傳到dockerhub // 187
11.5.3　在 Kubernetes中部署 // 188
11.6　總結 // 192
第 12章　遷移學習模型和預訓練模型 // 193
12.1　ImageNet數據集 // 193
12.2　重新訓練或微調模型 // 196
12.3　COCO動物數據集和預處理圖像 // 197
12.4　TensorFlow中的 VGG16 // 203
12.4.1　使用TensorFlow中預先訓練的VGG16進行圖像分類 // 204
12.5　將TensorFlow中的圖像預處理用於預先訓練的 VGG16 // 208
12.5.1　使用TensorFlow中重新訓練的VGG16進行圖像分類 // 209
12.6　Keras中的 VGG16 // 215
12.6.1　使用Keras中預先訓練的VGG16進行圖像分類 // 215
12.6.2　使用Keras中重新訓練的VGG16進行圖像分類 // 220
12.7　TensorFlow中的 Inception v3 // 226
12.7.1　使用TensorFlow中 Inception v3進行圖像分類 // 226
12.7.2　使用TensorFlow中重新訓練的Inception v3進行圖像分類 // 231
12.8　總結 // 237
第 13章　深度強化學習 // 238
13.1　OpenAI Gym 101 // 239
13.2　將簡單的策略應用於 cartpole遊戲 // 242
13.3　強化學習 101 // 246
13.3.1　Q函數（在模型無效時學習優化）// 246
13.3.2　強化學習算法的探索與開發 // 246
13.3.3　V函數（在模型可用時學習優化）// 247
13.3.4　強化學習技巧 // 247
13.4　強化學習的樸素神經網絡策略 // 248
13.5　實施 Q-Learning // 250
13.5.1　Q-Learning的初始化和離散化　// 251
13.5.2　基於Q表的 Q-Learning // 252
13.5.3　使用Q網絡或深度 Q網絡（DQN）進行 Q-Learning // 253
13.6　總結 // 254
第 14章　生成對抗網絡（GAN） // 256
14.1　GAN 101 // 256
14.2　建立和訓練 GAN的*佳實踐 // 258
14.3　基於TensorFlow的簡單 GAN // 258
14.4　基於Keras的簡單 GAN // 263
14.5　基於TensorFlow和 Keras的深度卷積 GAN // 268
14.6　總結 // 270
第 15章　基於TensorFlow集群的分布式模型 // 271
15.1　分布式執行策略 // 271
15.2　TensorFlow集群 // 272
15.2.1　定義集群規範 // 274
15.2.2　創建服務器實例 // 274
15.2.3　定義服務器和設備之間的參數和操作 // 276
15.2.4　定義並訓練計算圖以進行異步*新 // 276
15.2.5　定義並訓練計算圖以進行同步*新 // 281
15.3　總結 // 282
第 16章　移動和嵌入式平臺上的TensorFlow模型 // 283
16.1　移動平臺上的 TensorFlow // 283
16.2　Android應用程序中的 TF Mobile // 284
16.3　演示Android上的 TF Mobile // 285
16.4　iOS應用程序中的 TF Mobile // 287
16.5　演示iOS上的TF Mobile // 288
16.6　TensorFlow Lite // 289
16.7　演示Android上的TF Lite應用程序 // 290
16.8　演示iOS上的TF Lite應用程序 // 291
16.9　總結 // 291
第 17章　R中的 TensorFlow和 Keras // 292
17.1　在R中安裝 TensorFlow和 Keras軟件包 // 292
17.2　R中的TF核心 API // 294
17.3　R中的TF Estimator API // 295
17.4　R中的Keras API // 297
17.5　R中的TensorBoard // 300
17.6　R中的tfruns包 // 302
17.7　總結 // 304
第 18章　調試TensorFlow模型 // 305
18.1　使用tf.Session.run( )獲取張量值 // 305
18.2　使用tf.Print( )輸出張量值 // 306
18.3　使用tf.Assert( )斷言條件 // 306
18.4　使用TensorFlow調試器（tfdbg）進行調試 // 308
18.5　總結 // 310
附錄　張量處理單元 // 311