第1章 初識(shí)TensorFlow
1．1 深度學(xué)習(xí)介紹
1．2 TensorFlow簡(jiǎn)介
1．3 TensorFlow環(huán)境搭建
1．4 TensorFlow測(cè)試
1．5 本章小結(jié)
1．6 習(xí)題

第2章 TensorFlow基礎(chǔ)
2．1 張量
2．2 會(huì)話
2．3 變量與占位符
2．4 矩陣
2．4．1 創(chuàng)建矩陣
2．4．2 矩陣基本運(yùn)算
2．5 本章小結(jié)
2．6 習(xí)題

第3章 TensorFlow進(jìn)階
3．1 TensorFlow的計(jì)算模型
3．1．1 計(jì)算圖的工作原理
3．1．2 計(jì)算圖的使用
3．2 TensorFlow的嵌入層
3．3 TensorFlow的多層
3．4 TensorFlow實(shí)現(xiàn)損失函數(shù)
3．4．1 損失函數(shù)
3．4．2 損失函數(shù)工作原理及實(shí)現(xiàn)
3．5 TensorFlow實(shí)現(xiàn)反向傳播
3．5．1 反向傳播算法
3．5．2 反向傳播算法的工作原理及實(shí)現(xiàn)
3．6 TensorFlow實(shí)現(xiàn)隨機(jī)訓(xùn)練和批量訓(xùn)練
3．7 TensorFlow創(chuàng)建分類(lèi)器
3．8 TensorFlow實(shí)現(xiàn)模型評(píng)估
3．8．1 模型評(píng)估方法
3．8．2 模型評(píng)估工作原理及實(shí)現(xiàn)
3．9 本章小結(jié)
3．10 習(xí)題

第4章 基于TensorFlow的線性回歸
4．1 線性回歸簡(jiǎn)介
4．2 TensorFlow求逆矩陣
4．3 TensorFlow求矩陣的分解
4．4 TensorFlow實(shí)現(xiàn)線性回歸算法
4．5 線性回歸中的損失函數(shù)
4．6 TensorFlow實(shí)現(xiàn)戴明回歸
4．7 TensorFlow實(shí)現(xiàn)Ridge-回歸與Lasso回歸
4．8 TensorFlow實(shí)現(xiàn)邏輯回歸
4．9 本章小結(jié)
4．10 習(xí)題

第5章 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)
5．1 神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介
5．2 TensorFlow實(shí)現(xiàn)激活函數(shù)
5．2．1 Sigmoid函數(shù)
5．2．2 Tanh函數(shù)
5．2．3 ReLU數(shù)
5．3 TensorFlow實(shí)現(xiàn)單層神經(jīng)網(wǎng)絡(luò)
5．4 TensorFlow實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)常見(jiàn)層
5．5 本章小結(jié)
5．6 習(xí)題

第6章 數(shù)字識(shí)別問(wèn)題
6．1 MNIST數(shù)據(jù)處理
6．2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練進(jìn)階
6．2．1 程序與數(shù)據(jù)的拆分
6．2．2 變量管理
6．3 TensorFlow模型持久化
6．3．1 TensorFlow實(shí)現(xiàn)保存或加載模型
6．3．2 TensorFlow模型持久化的原理及數(shù)據(jù)格式
6．4 本章小結(jié)
6．5 習(xí)題

第7章 TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
7．1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
7．2 TensorFlow實(shí)現(xiàn)簡(jiǎn)單的CNN
7．3 TensorFlow實(shí)現(xiàn)進(jìn)階CNN
7．4 TensorFlow實(shí)現(xiàn)圖片風(fēng)格渲染
7．5 本章小結(jié)
7．6 習(xí)題

第8章 圖像數(shù)據(jù)處理
8．1 TFRecords
8．2 圖像數(shù)據(jù)的預(yù)處理
8．2．1 圖像預(yù)處理方法簡(jiǎn)介
8．2．2 圖像預(yù)處理實(shí)例
8．3 多線程輸入數(shù)據(jù)處理框架
8．3．1 隊(duì)列與多線程
8．3．2 輸入文件隊(duì)列
8．3．3 組合訓(xùn)練數(shù)據(jù)
8．4 數(shù)據(jù)集的使用方法
8．5 本章小結(jié)
8．6 習(xí)題

第9章 TensorFlow實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
9．1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
9．2 通過(guò)TensorFlow實(shí)現(xiàn)垃圾短信預(yù)測(cè)
9．3 通過(guò)TensorFlow實(shí)現(xiàn)LSTM模型
9．4 通過(guò)TensorFlow實(shí)現(xiàn)多層LSTM模型
9．5 本章小結(jié)
9．6 習(xí)題

第10章 TensorFlow產(chǎn)品化
10．1 TensorFlow的單元測(cè)試
10．2 TensorFlow并發(fā)執(zhí)行
10．3 TensorFlow分布式實(shí)踐
10．4 TensorFlow產(chǎn)品化開(kāi)發(fā)
10．5 本章小結(jié)
10．6 習(xí)題

第11章 TensorFlow的進(jìn)階用法
11．1 TensorFlow實(shí)現(xiàn)遺傳算法
11．2 TensorFlow實(shí)現(xiàn)K-means算法
11．3 TensorFlow求解常微分方程
11．4 本章小結(jié)
11．5 習(xí)題

第12章 TensorFlow高層封裝
12．1 TensorFlow的常見(jiàn)封裝方法簡(jiǎn)介
12．2 Keras
12．2．1 序貫?zāi)Ｐ?br>12．2．2 函數(shù)式模型
12．3 Estimator
12．3．1 Estimator的基本用法
12．3．2 Estimatot自定義模型
12．4 本章小結(jié)
12．5 習(xí)題

第13章 TensorFlow可視化
13．1 TensorBoard簡(jiǎn)介
13．2 TensorBoard可視化
13．2．1 TensorFlow命名空間與TensorBoard圖上節(jié)點(diǎn)
13．2．2 TensorBoard節(jié)點(diǎn)信息
13．3 本章小結(jié)
13．4 習(xí)題

第14章 TensorFlow實(shí)現(xiàn)車(chē)牌識(shí)別
14．1 項(xiàng)目簡(jiǎn)介
14．2 生成訓(xùn)練數(shù)據(jù)集
14．3 數(shù)據(jù)讀取
14．4 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
14．5 開(kāi)始模型訓(xùn)練
14．6 測(cè)試模型準(zhǔn)確度
14．7 本章小結(jié)