TensorFlow是目前*受关注的机器学习框架，其模块化设计非常适合大数据环境下智能算法的开发与应用。本书介绍了使用TensorFlow进行智能算法的实践，包括经典的机器学习算法和深度学习算法实现。本书力求做到理论与实践平衡统一，在相关理论上深入浅出，辅以多种TensorFlow实现技术对理论进行具体实践，有助于读者快速理解与掌握智能算法的精髓和TensorFlow技术的要点。本书共4篇。入门篇介绍学习环境搭建和TensorFlow框架的基本使用；基础篇介绍传统智能算法及其TensorFlow的实现；进阶篇介绍深度神经网络方法和CNN、RNN、LSTM、GRU等基础的深度学习算法；应用篇介绍GAN学习算法和TensorFlowHub迁移学习。
目 录
入 门 篇
第1章 学习环境搭建 3
1．1 Docker工具箱 3
1．2 运行Docker镜像 6
1．3 Jupyter笔记本 10
1．3．1 Jupyter界面 10
1．3．2 Jupyter单元格 12
1．3．3 Jupyter模式 14
1．3．4 Jupyter常用指令 14
1．4 NumPy库 15
1．4．1 ndarray数据基础 16
1．4．2 ndarray广播运算 20
1．4．3 ndarray函数运算 22
1．4．4 ndarray索引切分 24
1．5 Pandas 25
1．5．1 Pandas基础对象 26
1．5．2 Pandas选择数据 29
1．5．3 Pandas 处理实例 31
1．6 Scikit-Learn 34
1．6．1 sklearn．datasets 34
1．6．2 Pandas处理 35
1．6．3 sklearn回归 36
第2章 TensorFlow入门 38
2．1 Hello TensorFlow 39
2．2 TensorFlow数据结构 39
2．3 TensorFlow计算-数据流图 40
2．3．1 常量节点（Constant） 42
2．3．2 占位符节点（Placeholder） 42
2．3．3 变量节点（Variable） 43
2．3．4 操作节点（Operation） 45
2．4 TensorFlow会话与基本操作 45
2．5 TensorFlow可视化 47
第3章 TensorFlow进阶 49
3．1 TensorFlow数据处理 50
3．1．1 索引计算 50
3．1．2 矩阵计算 51
3．1．3 形状计算 53
3．1．4 规约计算 54
3．1．5 分割计算 55
3．1．6 张量的形状 57
3．1．7 张量的运算 58
3．1．8 骰子游戏 61
3．2 TensorFlow共享变量 62
3．2．1 name_scope名字域 62
3．2．2 variablescope 变量域 63
3．3 TensorFlow模型配置 64
基 础 篇
第4章 线性回归算法 69
4．1 BOSTON 数据集 70
4．2 TensorFlow模型 72
4．2．1 准备数据 72
4．2．2 定义模型 72
4．2．3 训练模型 73
4．2．4 评估模型 73
4．2．5 可视化模型 73
4．3 Estimator模型 75
4．3．1 Dataset API 75
4．3．2 估算器介绍 76
4．3．3 准备数据 77
4．3．4 定义模型 78
4．3．5 训练模型 78
4．3．6 评估模型 78
4．3．7 可视化模型 79
4．4 Keras模型 81
4．4．1 定义模型 81
4．4．2 训练模型 81
4．4．3 评估模型 82
4．4．4 可视化模型 82
第5章 逻辑回归算法 84
5．1 线性回归到逻辑回归 84
5．2 最小二乘到交叉熵 86
5．3 MNIST数据集 88
5．4 TensorFlow模型 88
5．4．1 准备数据 89
5．4．2 定义模型 89
5．4．3 训练模型 90
5．4．4 评估模型 91
5．4．5 可视化模型 91
5．5 Estimator模型 92
5．5．1 准备数据 92
5．5．2 定义模型 93
5．5．3 训练模型 93
5．5．4 评估模型 93
5．5．5 可视化模型 94
5．6 Keras模型 95
5．6．1 准备数据 95
5．6．2 定义模型 96
5．6．3 训练模型 96
5．6．4 评估模型 96
5．6．5 可视化模型 97
第6章 算法的正则化 99
6．1 过拟合 99
6．2 正则化 99
6．3 编程实战 103
进 阶 篇
第7章 神经网络与深度学习算法 113
7．1 神经网络 113
7．1．1 激活函数 114
7．1．2 编程实战 119
7．2 神经网络训练 123
7．2．1 训练困难分析 124
7．2．2 编程实战 124
7．3 多类别神经网络 133
7．3．1 逻辑回归与深度网络 133
7．3．2 权重可视化 135
7．4 神经网络嵌入 136
7．4．1 一维数轴排列 137
7．4．2 二维数轴排列 137
7．4．3 传统类别表示 138
7．4．4 嵌入表示 140
第8章 卷积神经网络（CNN） 141
8．1 卷积神经网络简介 141
8．2 CNN与DNN 142
8．3 卷积操作 142
8．4 卷积实战 145
8．5 池化操作 149
8．6 池化实战 149
8．7 Relu非线性激活 150
8．8 TensorFlow卷积神经网络实战 151
8．9 Estimalor卷积神经网络实战 155
8．10 Keras卷积神经网络实战 159
第9章 循环神经网络（RNN） 162
9．1 循环神经网络简介 162
9．2 DNN、CNN与RNN 162
9．3 手工循环神经网络 164
9．4 static_rnn循环神经网络 165
9．5 dynamic_rnn循环神经网络 167
9．6 TensorFlow循环神经网络实战 169
9．7 Estimator循环神经网络实战 173
9．8 Keras循环神经网络实战 176
9．9 LSTM模型 178
9．10 GRU模型 180
第10章 自动编码器（AutoEncoder） 182
10．1 自动编码器简介 182
10．2 自动编码器与PCA 183
10．3 稀疏自动编码器 185
10．4 栈式自动编码器（SAE） 187
10．4．1 关联权重 190
10．4．2 分阶段训练 192
10．4．3 无监督预训练 194
10．5 降噪自动编码器（DAE） 198
10．6 变分自动编码器（VAE） 200
10．6．1 变分自动编码器原理 200
10．6．2 变分自动编码器生成数字 203
应 用 篇
第11章 生成式对抗网络 207
11．1 生成式对抗网络简介 207
11．2 GAN工作原理 207
11．3 GAN改进模型 209
11．4 GAN模型实战 212
11．5 GAN训练技巧 221
11．6 GAN未来展望 222
第12章 使用TensorFlow Hub进行迁移学习 223
12．1 图像迁移学习 223
12．2 文本迁移学习 224
12．3 完整的文本分类器 225
12．4 迁移学习分析 228
