本书教你使用TensorFlow.js构建强大的JavaScript深度学习应用程序。本书作者均是谷歌大脑团队的资深工程师，也是TensorFlow.js的核心开发人员。你将了解JavaScript与深度学习结合的独特优势，掌握客户端预测与分析、图像识别、监督学习、迁移学习、强化学习等核心概念，并动手在浏览器中实现计算机视觉和音频处理以及自然语言处理，构建并训练神经网络，利用客户端数据优化机器学习模型，开发基于浏览器的交互式游戏，同时为深度学习探索新的应用空间。你还可以获得深度学习模型构建过程中不同问题所涉及的策略和相关限制的实用知识，同时了解训练和部署这些模型的具体步骤以及重要的注意事项。 本书适合对深度学习感兴趣的Web前端开发人员和基于Node.js的开发人员阅读。

第一部分 动机和基本概念
第1章 深度学习和JavaScript
1.1 人工智能、机器学习、神经网络和深度学习
1.1.1 人工智能
1.1.2 机器学习：它和传统编程有何不同
1.1.3 神经网络和深度学习
1.1.4 进行深度学习的必要性
1.2 为何要结合JavaScript和机器学习
1.2.1 用Node.js进行深度学习
1.2.2 JavaScript生态系统
1.3 为何选用TensorFlow.js
1.3.1 TensorFlow、Keras和TensorFlow.js的前世今生
1.3.2 为何选用TensorFlow.js
1.3.3 TensorFlow.js在全球的应用情况
1.3.4 本书中的TensorFlow.js知识
1.4 练习
1.5 小结
第二部分 深入浅出TensorFlow.js
第2章 TensorFlow.js入门：从简单的线性回归开始
2.1 示例1：用TensorFlow.js预测下载任务所需时间
2.1.1 项目概览：预测下载任务所需时间
2.1.2 关于代码清单和控制台交互的注意事项
2.1.3 创建和格式化数据
2.1.4 定义简单的模型
2.1.5 使模型拟合训练集
2.1.6 用经过训练的模型进行预测
2.1.7 示例1小结
2.2 model.fit()内部原理剖析：示例1中的梯度下降算法
2.2.1 直观理解梯度下降算法优化
2.2.2 探索梯度下降算法的内部原理：反向传播算法
2.3 示例2：涉及多个输入特征的线性回归
2.3.1 波士顿房价数据集
2.3.2 从GitHub获取并运行波士顿房价预测项目
2.3.3 读取波士顿房价数据
2.3.4 准确定义波士顿房价问题
2.3.5 线性回归前的准备工作：数据标准化
2.3.6 对波士顿房价数据集进行线性回归
2.4 如何理解模型
2.4.1 解释习得的权重
2.4.2 获取模型内部权重
2.4.3 关于可解释性的注意事项
2.5 练习
2.6 小结
第3章 添加非线性：升级加权和
第4章 用convnet识别图像和音频
第5章 迁移学习：复用预训练的神经网络
第三部分 TensorFlow.js高级深度学习
第6章 处理数据
第7章 可视化数据和模型
第8章 欠拟合、过拟合，以及机器学习的通用流程
第9章 针对序列和文本的深度学习
第10章 生成式深度学习
第11章 深度强化学习的基本原理
第四部分 总结与结语
第12章 模型的测试、优化和部署
第13章 总结与展望
附录A 安装tfjs-node-gpu及其依赖（图灵社区下载）
附录B TensorFlow.js张量及运算的简明教程（图灵社区下载）
术语表（图灵社区下载）