全新正版精通TensorFlow/深度学列9787111614364机械工业出版社

译者序
原书序
原书前言
章　TensorFlw 01 // 1
1.1　什么是 TensorFlow // 1
1.2　TensorFlow内核 // 2
1.2.1　简单的示例代码 -Hello TensorFlow // 2
1.2.2　张量 // 3
1..　常量 // 4
1.2.4　操作 // 5
1.2.5　占位符 // 6
1.2.6　从 Python对象创建张量 // 7
1.2.7　变量 // 9
1.2.8　由库函数生成的张量 // 10
1.2.9　通过 tf.get_variable( )获取变量 // 13
1.3　数据流图或计算图 // 14
1.3.1　执行顺序和延迟加载 // 15
1.3.2　跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3　多个计算图 // 18
1.4　TensorBoard // 19
1.4.1　TensorBoard的例子 // 19
1.4.2　TensorBoard的细节 // 21
1.5　总结 // 21
第 2章　TensorFlow的高级库 // 22
2.1　TF Estimator // 22
2.2　TF Slim // 24
.　TFLearn // 25
..1　创建 TFLearn层 // 26
..2　创建 TFLearn模型 // 30
..　训练 TFLearn模型 // 30
..4　使用 TFLearn模型 // 30
2.4　PrettyTensor // 31
2.5　Sonnet // 32
2.6　总结 // 34
第 3章　Keras101 // 35
3.1　安装 Keras // 35
3.2　Keras的神经网络模型 // 36
3.2.1　在 Keras中创建模型的过程 // 36
3.3　创建 Keras模型 // 36
3.3.1　用于创建 Keras模型的序列化 API // 36
3.3.2　用于创建 Keras模型的功能 API // 37
3.4　Keras的层 // 37
3.4.1　Keras内核层 // 37
3.4.2　Keras卷积层 // 38
3.4.3　Keras池化层 // 38
3.4.4　Keras局连接层 // 39
3.4.5　Keras循环层 // 39
3.4.6　Keras嵌入层 // 39
3.4.7　Keras合并层 // 39
3.4.8　Keras高级激活层 // 40
3.4.9　Keras归一化层 // 40
3.4.10　Keras噪声层 // 40
3.5　将网络层添加到 Keras模型中 // 40
3.5.1　利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2　利用功能 API将网络层添加到 Keras模型中 // 41
3.6　编译 Keras模型 // 41
3.7　训练 Keras模型 // 42
3.8　使用 Keras模型进行预测 // 42
3.9　Keras中的模块 // 43
3.10　基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11　总结 // 45
第 4章　基于TensorFlow的经典机器学习算法 // 47
4.1　简单的线回归 // 48
4.1.1　数据准备 // 49
4.1.2　建立简单的回归模型 // 50
4.1.3　使用训练好的模型进行预测 // 55
4.2　多元回归 // 55
4.3　正则化回归 // 58
4.3.1　Lasso正则化 // 59
4.3.2　岭正则化 // 62
4.3.3　弹正则化 // 64
4.4　使用 Logistic回归进行分类 // 65
4.4.1　二分类的 Logistic回归 // 65
4.4.2　多类分类的 Logistic回归 // 66
4.5　二分类 // 66
4.6　多分类 // 69
4.7　总结 // 73
第 5章　基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1　感知机 // 74
5.2　多层感知机 // 76
5.3　用于图像分类的多层感知机 // 77
5.3.1　通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2　通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3　通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4　多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4　用于时间序列回归的多层感知机 // 86
5.5　总结 // 89
第 6章　基于TensorFlow和Keras的 RNN // 90
6.1　简单 RNN // 90
6.2　RNN改进版本 // 92
6.3　LSTM网络 // 93
6.4　GRU网络 // 95
6.5　基于TensorFlow的 RNN // 96
6.5.1　TensorFlow的RNN单元类 // 96
6.5.2　 TensorFlow 的RNN模型构造类 // 97
6.5.3　 TensorFlow的 RNN单元封装类 // 97
6.6　基于Keras的 RNN // 98
6.7　RNN的应用领域 // 98
6.8　将基于Keras的 RNN用于MNIST数据 // 99
6.9　总结 // 100
第 7章　基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1　航空公司乘客数据集 // 101
7.1.1　加载 airpass数据集 // 102
7.1.2　可视化 airpass数据集 // 102
7.2　使用TensorFlow为 RNN模型预处理数据集 // 103
7.3　TensorFlow中的简单 RNN // 104
7.4　TensorFlow中的 LSTM网络 // 106
7.5　TensorFlow中的 GRU网络 // 107
7.6　使用 Keras为 RNN模型预处理数据集 // 108
7.7　基于 Keras的简单 RNN // 109
7.8　基于 Keras的 LSTM网络 // 111
7.9　基于 Keras的 GRU网络 // 112
7.10　总结 // 113
第 8章　基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1　词向量表示 // 114
8.2　为 word2vec模型准备数据 // 116
8.2.1　加载和准备PTB数据集 // 117
8.2.2　加载和准备text8数据集 // 118
8..　准备小的验集 // 119
8.3　使用TensorFlow的 skip-gram模型 // 119
8.4　使用t-SNE可视化单词嵌入 // 124
8.5　基于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　总结 // 137
第 9章　基于TensorFlow和Keras的 CNN // 138
9.1　理解卷积 // 138
9.2　理解池化 // 141
9.3　CNN架构模式 - LeNet // 142
9.4　在MNIST数据集上构建 LeNet // 143
9.4.1　使用 TensorFlow的 LeNet CNN对 MNIST数据集进行分类 // 143
9.4.2　使用 Keras的 LeNet CNN对MNIST数据集进行分类 // 146
9.5　在CIFAR10数据集上构建LeNet // 148
9.5.1　使用TensorFlow的 CNN对CIFAR10数据集进行分类 // 149
9.5.2　使用Keras的 CNN对CIFAR10数据集进行分类 // 150
9.6　总结 // 151
0章　基于TensorFlow和Keras的自编码器 // 152
10.1　自编码器类型 // 152
10.2　基于TensorFlow的堆叠自编码器 // 154
10.3　基于Keras的堆叠自编码器 // 157
10.4　基于TensorFlow的去噪自编码器 // 159
10.5　基于Keras的去噪自编码器 // 161
10.6　基于TensorFlow的变分自编码器 // 162
10.7　基于Keras的变分自编码器 // 167
10.8　总结 // 170
1章　使用TF服务提供生成环境下的 TensorFlow模型 // 171
11.1　在 TensorFlow中保存和恢复模型 // 171
11.1.1　使用saver类保存和恢复所有网络计算图变量 // 172
11.1.2　使用saver类保存和恢复所选变量 // 173
11.2　保存和恢复 Keras模型 // 175
11.3　TensorFlow服务 // 175
11.3.1　安装TF服务 // 175
11.3.2　保存TF服务的模型 // 176
11.3.3　使用TF服务提供服务模型 // 180
11.4　在Docker容器提 TF服务 // 181
11.4.1　安装Docker // 182
11.4.2　为TF服务构建 Docker镜像 // 183
11.4.3　在Docker容器提模型 // 185
11.5　基于Kubernetes的 TF服务 // 186
11.5.1　安装 Kubernetes // 186
11.5.2　将 Docker镜像上传到dockerhub // 187
11.5.3　在 Kubernetes中部署 // 188
11.6　总结 // 192
2章　迁移学习模型和预训练模型 // 193
12.1　ImageNet数据集 // 193
12.2　重新训练或微调模型 // 196
1.　COCO动物数据集和预处理图像 // 197
12.4　TensorFlow中的 VGG16 // 203
12.4.1　使用TensorFlow中预先训练的VGG16进行图像分类 // 204
12.5　将TensorFlow中的图像预处理用于预先训练的 VGG16 // 208
12.5.1　使用TensorFlow中重新训练的VGG16进行图像分类 // 209
12.6　Keras中的 VGG16 // 215
12.6.1　使用Keras中预先训练的VGG16进行图像分类 // 215
12.6.2　使用Keras中重新训练的VGG16进行图像分类 // 220
12.7　TensorFlow中的 Inception v3 // 226
12.7.1　使用TensorFlow中 Inception v3进行图像分类 // 226
12.7.2　使用TensorFlow中重新训练的Inception v3进行图像分类 // 1
12.8　总结 //
3章　深度强化学习 //
13.1　OpenAI Gym 101 //
13.2　将简单的策略应用于 cartpole游戏 // 242
13.3　强化学习 101 // 246
13.3.1　函数（在模型无效时学习优化）// 246
13.3.2　强化学习算法的探索与开发 // 246
13.3.3　V函数（在模型可用时学习优化）// 247
13.3.4　强化学习技巧 // 247
13.4　强化学习的朴素神经网络策略 // 248
13.5　实施 -Learning // 250
13.5.1　-Learning的初始化和离散化　// 251
13.5.2　基于表的 -Learning // 252
13.5.3　使用网络或深度 网络（DN）进行 -Learning // 253
13.6　总结 // 254
4章　生成对抗网络（GAN） // 256
14.1　GAN 101 // 256
14.2　建立和训练 GAN的实践 // 258
14.3　基于TensorFlow的简单 GAN // 258
14.4　基于Keras的简单 GAN // 263
14.5　基于TensorFlow和 Keras的深度卷积 GAN // 268
14.6　总结 // 270
5章　基于TensorFlow集群的分布式模型 // 271
15.1　分布式执行策略 // 271
15.2　TensorFlow集群 // 272
15.2.1　定义集群规范 // 274
15.2.2　创建服务器实例 // 274
15..　定义服务器和设备之间的参数和操作 // 276
15.2.4　定义并训练计算图以进行异步更新 // 276
15.2.5　定义并训练计算图以进行同步更新 // 281
15.3　总结 // 282
6章　移动和嵌入式平台上的TensorFlow模型 // 283
16.1　移动平台上的 TensorFlow // 283
16.2　Android应用程序中的 TF Mobile // 284
16.3　演示Android上的 TF Mobile // 285
16.4　iOS应用程序中的 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应用程序 // 290
16.8　演示iOS上的TF Lite应用程序 // 291
16.9　总结 // 291
7章　R中的 TensorFlow和 Keras // 292
17.1　在R中安装 TensorFlow和 Keras软件包 // 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　总结 // 304
8章　调试TensorFlow模型 // 305
18.1　使用tf.Session.run( )获取张量值 // 305
18.2　使用tf.Print( )输出张量值 // 306
18.3　使用tf.Assert( )断言条件 // 306
18.4　使用TensorFlow调试器（tfdbg）进行调试 // 308
18.5　总结 // 310
附录　张量处理单元 // 311

ArmandoFandango利用自己在深度学习、计算方法和分布式计算方面的专业知识，创造了人工智能（AI）产品。他为Owen.ai公司在AI产品战略方面提供建议。他创建了NeuraSights公司，其目标是利用神经网络创建有技术深度的产品。他还创建了Vets2Data公司，这家非盈利机构主要帮美国退役军人掌握AI技能。
Armando出版了2本专著，并在国际期刊和会议上发表了他的研究成果。