本书共分为8章，主要内容包括与人工智能相关的数学知识，Python语言所特有的语法和技巧，Docker模型透明无缝地发布的实现，业界优秀的Git代码版本管理工具，模型开发环境的配置，高级人工智能开发工程师常用的IDE开发工具，经典神经网络模型的剖析和分解，RPC远程调用的实现，训练样本的序化组织结构TFRecord，模型的训练、保存和封装发布，模型训练的GPU配置和机制策略的部署，模型从训练到发布的完整示例等。 本书适合有计算机专业和数学专业背景的初、中级开发者阅读，以便快速掌握和驾驭人工智能全栈技术，也适合作为在职人工智能模型开发人员查询时使用的手册级工具用书，还适合作为中职学校、高等院校及培训机构计算机人工智能和大数据等相关专业的教学用书。

第1章 烂熟于心的基础知识
1.1 快速恶补必要的数学知识
1.1.1 线性代数提供了一种看待世界的抽象视角
1.1.2 概率论用面积度量世界万物的存在
1.1.3 微积分运算解决了一定条件下直线到曲线的矛盾
1.1.4 信息论的产物：交叉熵
1.2 Python语言没有你想象的那样简单
1.2.1 Python模块的导入和引用
1.2.2 Python中那些奇怪符号的用法
1.2.3 仅Python才有的神奇代码
1.2.4 Python代码高级综合案例
1.3 选择TensorFlow 1.X还是2.X的理由
1.3.1 TensorFlow概述
1.3.2 TensorFlow 1.X与TensorFlow 2.X的区别
1.3.3 TensorFlow 1.X和TensorFlow 2.X的手写数字识别
本章小结
第2章 模型工程化必备的技能
2.1 模型转换为云服务的桥梁：Docker
2.1.1 映像、容器和隔离
2.1.2 Docker Compose
2.1.3 大规模使用Docker
2.2 Git版本管理系统
2.2.1 安装Git
2.2.2 搭建代码数据仓库
2.2.3 Git的流行仅因为多了一个“分支”
2.2.4 删除文件、文件重命名、去除提交和恢复文件
2.2.5 远程版本管理
2.2.6 Git版本合并容错
本章小结
第3章 TensorFlow的安装和配置
3.1 Windows开发环境的配置
3.1.1 Anaconda
3.1.2 CUDA和cuDNN
3.1.3 PyCharm
3.2 Linux开发环境的配置
3.2.1 Virtualenv和Docker
3.2.2 Jupyter NoteBook
3.2.3 Vim
3.3 Python常用的科学计算和机器学习库
3.3.1 NumPy
3.3.2 Matplotlib
3.3.3 Pandas
3.3.4 Python SciPy
3.3.5 Scikit-Learn
本章小结
第4章 云端部署TensorFlow模型
4.1 RPC原理
4.2 远程调用通信机制
4.2.1 发布服务
4.2.2 使用Python实现RPC服务
4.2.3 使用JSON实现序化和反序化
4.3 TensorFlow Serving发布服务
4.3.1 TensorFlow Serving的安装
4.3.2 TensorFlow Serving的Docker环境
4.3.3 客户端远程调用TensorFlow Serving服务
4.3.4 TensorFlow Serving简化版的实现
4.3.5 使用gRPC调用服务
本章小结
第5章 TensorFlow基础
5.1 基本概念与框架
5.1.1 TensorFlow的基本概念
5.1.2 使用Eager Execution进行简单线性回归训练
5.1.3 估算器框架接口
5.1.4 tf.keras接口
5.1.5 CNN卷积核的多样性
5.1.6 循环神经网络
5.2 TensorFlow的GPU资源分配和策略
5.2.1 为整个程序指定GPU卡
5.2.2 个性化定制GPU资源
5.2.3 使用GPU分布策略
5.3 TensorFlow训练模型的保存与加载
5.3.1 用静态数据流图保存、二次训练和加载模型
5.3.2 用Build方式保存模型
5.3.3 训练模型的保存与加载
5.4 TFRecord
5.4.1 tf.Example的数据类型
5.4.2 读取序化文件形成数据集
5.4.3 对图像进行序化处理
5.4.4 对样本图像的批量复杂处理
5.4.5 VarLenFeature和FixedLenFeature的区别
5.4.6 将CSV文件转换为TFRecord
5.4.7 将XML文件转换为TFRecord
本章小结
第6章 经典神经网络模型
6.1 AlexNet: AI潮起
6.1.1 AlexNet模型结构
6.1.2 AlexNet带来的新技术
6.1.3 AlexNet基于TensorFlow 2.0的实现
6.2 VGGNet:更小的卷积造就更深的网络
6.2.1 VGGNet模型架构
6.2.2 VGGNet中的创新点
6.2.3 VGGNet基于TensorFlow 2.0的实现
6.3 GoogleNet：走向更深更宽的网络
6.3.1 GoogleNet模型结构
6.3.2 GoogleNet中的创新点
6.3.3 GoogleNet vl基于TensorFlow 2.0的实现
6.4 ResNet：残差网络独领风骚
6.4.1 ResNet模型结构
6.4.2 ResNet基于TensorFlow 2.0的实现
6.5 SENet：视觉注意力机制的起点
6.5.1 SENet模型结构
6.5.2 SENet ResNet 的TensorFlow 2.0实现
6.6 Self-Attention：自注意力
6.7 Vision Transformer：注意力引爆视觉任务
本章小结
第7章 目标检测
7.1 RCNN目标检测算法
7.2 SPPNet目标检测算法
7.2.1 空间金字塔池化层
7.2.2 SPPNet算法的流程
7.3 Fast RCNN目标检测算法
7.3.1 RoI Pooling层
7.3.2 Fast RCNN算法与RCNN算法的区别
7.3.3 Fast RCNN算法的流程
7.4 Faster RCNN目标检测算法
7.4.1 Region Proposal Network模块
7.4.2 anchor
7.4.3 Faster RCNN算法的流程
7.4.4 Faster RCNN算法基于TensorFlow 2.0的实现
7.5 SSD目标检测算法
7.5.1 多尺度特征预测
7.5.2 边界框的定制
7.5.3 空洞卷积
7.5.4 SSD算法的训练过程与细节
7.5.5 SSD算法的优缺点
7.6 YOLO目标检测算法
7.6.1 YOLOv1算法
7.