● 章 TensorFlow 2.0的安裝
1.1 Python基本安裝和用法
1.1.1 Anaconda的與安裝
1.1.2 Python編譯器PyCharm的安裝
1.1.3 使用Python計算softmax函數
1.2 TensorFlow 2.0GPU版本的安裝
1.2.1 檢測Anaconda中的TensorFlow版本
1.2.2 TensorFlow 2.0GPU版本基礎顯卡推薦和前置軟件安裝
1.3 Hello TensorFlow 2.0
1.4 本章小結
第2章 TensorFlow 2.0令人期待的變化
2.1 新的架構、新的運行、新的開始
2.1.1 API精簡
2.1.2 Eager Execution
2.1.3 取消全局變量
2.1.4 使用函數而不是會話
2.1.5 棄用collection
2.2 配角轉成主角：從TensorFlow Eager Execution轉正談起
2.2.1 Eager簡介與調用
2.2.2 讀取數據
2.3 使用TensorFlow 2.0模式進行線性回歸的一個簡單例子
2.3.1 模型的工具與數據的生成
2.3.2 模型的定義
2.3.3 損失函數的定義
2.3.4 梯度函數的更新計算
2.4 TensorFlow 2.0進階——AutoGraph和tf.function
2.5 本章小結
第3章 TensorFlow 和 Keras
3.1 模型！模型！模型！還是模型
3.2 使用Keras API實現鳶尾花分類的例子（順序模式）
3.2.1 數據的準備
3.2.2 數據的處理
3.2.3 梯度更新函數的寫法
3.2.4 使用Keras 函數式編程實現鳶尾花分類的例子（重點）
3.2.5 使用保存的Keras模式對模型進行復用
3.2.6 使用TensorFlow 2.0標準化編譯對iris模型進行擬合
3.3 多輸入單一輸出TensorFlow 2.0編譯方法（選學）
3.3.1 數據的獲取與處理
3.3.2 模型的建立
3.3.3 數據的組合
3.4 多輸入多輸出TensorFlow 2.0編譯方法（選學）
3.5 全連接層詳解
3.5.1 全連接層的定義與實現
3.5.2 使用TensorFlow 2.0自帶的API實現全連接層
3.5.3 打印顯示TensorFlow 2.0設計的模型結構和參數
3.6 本章小結
第4章 TensorFlow 2.0語法基礎
4.1 BP神經網絡簡介
4.2 BP神經網絡的兩個基礎算法
4.2.1 最小二乘法（LS算法）
4.2.2 道士下山的故事——梯度下降算法
4.3 反饋神經網絡反向傳播算法
4.3.1 深度學習基礎
4.3.2 鏈式求導法則
4.3.3 反饋神經網絡原理與公式推導
4.3.4 反饋神經網絡原理的激活函數
4.3.5 反饋神經網絡原理的Python實現
4.4 本章小結
第5章 卷積層與MNIST實戰
5.1 卷積運算
5.1.1 卷積運算的基本概念
5.1.2 TensorFlow 2.0中卷積函數的實現
5.1.3 池化運算
5.1.4 softmax激活函數
5.1.5 卷積神經網絡原理
5.2 TensorFlow 2.0編程實戰：MNIST手寫體識別
5.2.1 MNIST數據集
5.2.2 MNIST數據集特征和標注
5.2.3 TensorFlow 2.0編程實戰：MNIST數據集
5.2.4 使用自定義的卷積層實現MNIST識別
5.3 本章小結
第6章 TensorFlow 2.0 Dataset 使用詳解
6.1 Dataset API基本結構和內容
6.1.1 Dataset API數據種類
6.1.2 Dataset API基礎使用
6.2 Dataset API不錯用法
6.2.1 Dataset API數據轉換方法
6.2.2 讀取圖片數據集的例子
6.3 使用TFRecord API創建和使用數據集
6.3.1 TFRecord的基本概念
6.3.2 TFRecord的創建
6.3.3 TFRecord的讀取
6.4 TFRecord實戰：帶有處理模型的完整例子
6.4.1 創建數據集
6.4.2 創建解析函數
6.4.3 創建數據模型
6.4.4 創建讀取函數
6.5 本章小結
第7章 TensorFlow Datasets和TensorBoard詳解
7.1 TensorFlow Datasets簡介
7.1.1 Datasets 數據集的安裝
7.1.2 Datasets 數據集的使用
7.2 Datasets數據集的使用——FashionMNIST
7.2.1 FashionMNIST數據集與顯示
7.2.2 模型的建立與訓練
7.3 使用Keras對FashionMNIST數據集進行處理
7.3.1 獲取數據集
7.3.2 數據集的調整
7.3.3 使用Python類函數建立模型
7.3.4 模型的查看和參數的打印
7.3.5 模型的訓練和評估
7.4 使用TensorBoard可視化訓練過程
7.4.1 TensorBoard的文件夾設置
7.4.2 顯式地調用TensorBoard
7.4.3 使用TensorBoard
7.5 本章小結
第8章 從冠軍開始：ResNet
8.1 ResNet基礎原理與程序設計基礎
8.1.1 ResNet誕生的背景
8.1.2 模塊工具的TensorFlow實現——不要重復發明輪子
8.1.3 TensorFlow不錯模塊layers的用法
8.2 ResNet實戰：CIFAR-100數據集分類
8.2.1 CIFAR-100數據集
8.2.2 ResNet殘差模塊的實現
8.2.3 ResNet網絡的實現
8.2.4 使用ResNet對CIFAR-100數據集進行分類
8.3 ResNet的兄弟——ResNeXt
8.3.1 ResNeXt誕生的背景
……
第9章 注意力機制
0章 卷積神經網絡實戰：識文斷字也可以
內容簡介
隨著人工智能的發展以及TensorFlow在人工智能方面的火熱應用，越來越多的大學逐步開設深度學習和人工智能課程。本書既是一本為讀者量身定制的TensorFlow 2.0入門教材，也是針對需要學習TensorFlow 2.0新內容的讀者提供的基礎與進階知識的深入型教材。本書分為10章，主要內容包括TensorFlow 2.0開發環境、TensorFlow 2.0新特性、TensorFlow與Keras的使用、TensorFlow 2.0語法基礎、卷積層詳解與MNIST實戰、Dataset使用詳解、TensorFlow Datasets和TensorBoard詳解、ResNet及其實戰、注意力機制、卷積神經網絡實戰。本書內容詳盡、示例豐富，是廣大對TensorFlow 2.0感興趣的讀者推薦的參考書，同時也很好適合大中專院校師生學習閱讀，還可作為高等院校計算機及相關專業的教材使用。
