TensorFlow是目前流行的数值计算库，专用于构建分布式、云计算和移动环境。TensorFlow将数据表示为张量，将计算表示为计算图。
《精通TensorFlow》是一本综合指南，可让您理解TensorFlow 1.x的**功能，深入了解TensorFlow 内核、Keras、 TF Estimator、TFLearn、TF Slim、PrettyTensor和Sonnet。利用TensorFlow和Keras提供的功能，使用迁移学习、生成对抗网络和深度强化学习等概念来构建深度学习模型。通过本书，您将获得在各种数据集（例如 MNIST、CIFAR-10、PTB、text8和COCO图像）上的实践经验。
您还能够学习TensorFlow1.x的**功能，例如分布式TensorFlow，使用TensorFlow服务部署生产模型，以及在Android和iOS平台上为移动和嵌入式设备构建和部署TensorFlow模型。您将看到如何在R统计软件中调用 TensorFlow和Keras API，还能了解在TensorFlow的代码无法按预期工作时所需的调试技术。
《精通Tensor

译者序
原书序
原书前言
第 1章 TensorFlow 101 // 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
1.2.3 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*小的例子 // 19
1.4.2 TensorBoard的细节 // 21
1.5 总结 // 21
第 2章 TensorFlow的**库 // 22
2.1 TF Estimator // 22
2.2 TF Slim // 24
2.3 TFLearn // 25
2.3.1 创建 TFLearn层 // 26
2.3.2 创建 TFLearn模型 // 30
2.3.3 训练 TFLearn模型 // 30
2.3.4 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模型的功能性 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**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 利用功能性 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中的其他模块 // 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 简单的线性回归 // 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 弹性网正则化 // 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
8.2.3 准备小的验证集 // 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

适读人群 ：希望了解和应用TensorFlow和深度学习技术的数据科学家、工程师，对人工智能、深度学习感兴趣的计算机领域从业人员，高等院校相关专业学生
1.牛津大学物联网课程创建者和**数据科学家Ajit Jaokar为本书作序并倾情**。
2.通过阅读本书，能够深入了解和掌握TensorFlow，并能构建实用的机器学习和深度学习系统。
3.本书涵盖了TensorFlow 1.x的许多**功能，并涉及很多先进的技术，如迁移学习、深度强化学习、生成对抗网络等。
4.本书提供了大量示例，其代码可以通过GitHub网址下载，具体地址见封面背面。