第一篇　基礎篇
第1章　人工智能概述 2
1.1　什麼是人工智能 2
1.2　什麼是深度學習 5
1.3　深度學習的入門方法 7
1.4　什麼是TensorFlow 11
1.5　為什麼要學TensorFlow 12
1.5.1　TensorFlow的特性 14
1.5.2　使用TensorFlow的公司 15
1.5.3　TensorFlow的發展 16
1.6　機器學習的相關賽事 16
1.6.1　ImageNet的ILSVRC 17
1.6.2　Kaggle 18
1.6.3　天池大數據競賽 19
1.7　國內的人工智能公司 20
1.8　小結 22
第2章　TensorFlow環境的準備 23
2.1　下載TensorFlow 1.1.0 23
2.2　基於pip的安裝 23
2.2.1　Mac OS環境準備 24
2.2.2　Ubuntu/Linux環境準備 25
2.2.3　Windows環境準備 25
2.3　基於Java的安裝 28
2.4　從源代碼安裝 29
2.5　依賴的其他模塊 30
2.5.1　numpy 30
2.5.2　matplotlib 31
2.5.3　jupyter 31
2.5.4　scikit-image 32
2.5.5　librosa 32
2.5.6　nltk 32
2.5.7　keras 33
2.5.8　tflearn 33
2.6　小結 33
第3章　可視化TensorFlow 34
3.1　PlayGround 34
3.1.1　數據 35
3.1.2　特徵 36
3.1.3　隱藏層 36
3.1.4　輸齣 37
3.2　TensorBoard 39
3.2.1　SCALARS麵闆 40
3.2.2　IMAGES麵闆 41
3.2.3　AUDIO麵闆 42
3.2.4　GRAPHS麵闆 42
3.2.5　DISTRIBUTIONS麵闆 43
3.2.6　HISTOGRAMS麵闆 43
3.2.7　EMBEDDINGS麵闆 44
3.3　可視化的例子 44
3.3.1　降維分析 44
3.3.2　嵌入投影儀 48
3.4　小結 51
第4章　TensorFlow基礎知識 52
4.1　係統架構 52
4.2　設計理念 53
4.3　編程模型 54
4.3.1　邊 56
4.3.2　節點 57
4.3.3　其他概念 57
4.4　常用API 60
4.4.1　圖、操作和張量 60
4.4.2　可視化 61
4.5　變量作用域 62
4.5.1　variable_scope示例 62
4.5.2　name_scope示例 64
4.6　批標準化 64
4.6.1　方法 65
4.6.2　優點 65
4.6.3　示例 65
4.7　神經元函數及優化方法 66
4.7.1　激活函數 66
4.7.2　捲積函數 69
4.7.3　池化函數 72
4.7.4　分類函數 73
4.7.5　優化方法 74
4.8　模型的存儲與加載 79
4.8.1　模型的存儲與加載 79
4.8.2　圖的存儲與加載 82
4.9　隊列和綫程 82
4.9.1　隊列 82
4.9.2　隊列管理器 85
4.9.3　綫程和協調器 86
4.10　加載數據 87
4.10.1　預加載數據 87
4.10.2　填充數據 87
4.10.3　從文件讀取數據 88
4.11　實現一個自定義操作 92
4.11.1　步驟 92
4.11.2　最佳實踐 93
4.12　小結 101
第5章　TensorFlow源代碼解析 102
5.1　TensorFlow的目錄結構 102
5.1.1　contirb 103
5.1.2　core 104
5.1.3　examples 105
5.1.4　g3doc 105
5.1.5　python 105
5.1.6　tensorboard 105
5.2　TensorFlow源代碼的學習方法 106
5.3　小結 108
第6章　神經網絡的發展及其TensorFlow實現 109
6.1　捲積神經網絡 109
6.2　捲積神經網絡發展 110
6.2.1　網絡加深 111
6.2.2　增強捲積層的功能 115
6.2.3　從分類任務到檢測任務 120
6.2.4　增加新的功能模塊 121
6.3　MNIST的AlexNet實現 121
6.3.1　加載數據 121
6.3.2　構建網絡模型 122
6.3.3　訓練模型和評估模型 124
6.4　循環神經網絡 125
6.5　循環神經網絡發展 126
6.5.1　增強隱藏層的功能 127
6.5.2　雙嚮化及加深網絡 129
6.6　TensorFlow Model Zoo 131
6.7　其他研究進展 131
6.7.1　強化學習 132
6.7.2　深度森林 132
6.7.3　深度學習與藝術 132
6.8　小結 133
第7章　TensorFlow的高級框架 134
7.1　TFLearn 134
7.1.1　加載數據 134
7.1.2　構建網絡模型 135
7.1.3　訓練模型 135
7.2　Keras 135
7.2.1　Keras的優點 136
7.2.2　Keras的模型 136
7.2.3　Keras的使用 137
7.3　小結 141
第二篇　實戰篇
第8章　第一個TensorFlow程序 144
8.1　TensorFlow的運行方式 144
8.1.1　生成及加載數據 144
8.1.2　構建網絡模型 145
8.1.3　訓練模型 145
8.2　超參數的設定 146
8.3　小結 147
第9章　TensorFlow在MNIST中的應用 148
9.1　MNIST數據集簡介 148
9.1.1　訓練集的標記文件 148
9.1.2　訓練集的圖片文件 149
9.1.3　測試集的標記文件 149
9.1.4　測試集的圖片文件 150
9.2　MNIST的分類問題 150
9.2.1　加載數據 150
9.2.2　構建迴歸模型 151
9.2.3　訓練模型 151
9.2.4　評估模型 152
9.3　訓練過程的可視化 152
9.4　MNIST的捲積神經網絡 156
9.4.1　加載數據 157
9.4.2　構建模型 157
9.4.3　訓練模型和評估模型 159
9.5　MNIST的循環神經網絡 161
9.5.1　加載數據 161
9.5.2　構建模型 161
9.5.3 訓練數據及評估模型 163
9.6　MNIST的無監督學習 164
9.6.1　自編碼網絡 164
9.6.2　TensorFlow的自編碼網絡實現 165
9.7　小結 169
第10章　人臉識彆 170
10.1　人臉識彆簡介 170
10.2　人臉識彆的技術流程 171
10.2.1　人臉圖像采集及檢測 171
10.2.2　人臉圖像預處理 171
10.2.3　人臉圖像特徵提取 171
10.2.4　人臉圖像匹配與識彆 172
10.3　人臉識彆的分類 172
10.3.1　人臉檢測 172
10.3.2　人臉關鍵點檢測 173
10.3.3　人臉驗證 174
10.3.4　人臉屬性檢測 174
10.4　人臉檢測 175
10.4.1　LFW數據集 175
10.4.2　數據預處理 175
10.4.3　進行檢測 176
10.5　性彆和年齡識彆 178
10.5.1　數據預處理 179
10.5.2　構建模型 181
10.5.3　訓練模型 182
10.5.4　驗證模型 184
10.6　小結 185
第11章　自然語言處理 186
11.1　模型的選擇 186
11.2　英文數字語音識彆 187
11.2.1　定義輸入數據並預處理數據 188
11.2.2　定義網絡模型 188
11.2.3　訓練模型 188
11.2.4　預測模型 189
11.3　智能聊天機器人 189
11.3.1　原理 190
11.3.2　最佳實踐 191
11.4　小結 200
第12章　圖像與語音的結閤 201
12.1　看圖說話模型 201
12.1.1　原理 202
12.1.2　最佳實踐 203
12.2　小結 205
第13章　生成式對抗網絡 206
13.1　生成式對抗網絡的原理 206
13.2　生成式對抗網絡的應用 207
13.3　生成式對抗網絡的實現 208
13.4　生成式對抗網絡的改進 214
13.5　小結 214
第三篇　提高篇
第14章　分布式TensorFlow 216
14.1　分布式原理 216
14.1.1　單機多卡和分布式 216
14.1.2　分布式部署方式 217
14.2　分布式架構 218
14.2.1　客戶端、主節點和工作節點的關係 218
14.2.2　客戶端、主節點和工作節點的交互過程 220
14.3　分布式模式 221
14.3.1　數據並行 221
14.3.2　同步更新和異步更新 222
14.3.3　模型並行 224
14.4　分布式API 225
14.5　分布式訓練代碼框架 226
14.6　分布式最佳實踐 227
14.7　小結 235
第15章　TensorFlow綫性代數編譯框架XLA 236
15.1　XLA的優勢 236
15.2　XLA的工作原理 237
15.3　JIT編譯方式 238
15.3.1　打開JIT編譯 238
15.3.2　將操作符放在XLA設備上 238
15.4　JIT編譯在MNIST上的實現 239
15.5　小結 240
第16章　TensorFlow Debugger 241
16.1　Debugger的使用示例 241
16.2　遠程調試方法 245
16.3　小結 245
第17章　TensorFlow和Kubernetes結閤 246
17.1　為什麼需要Kubernetes 246
17.2　分布式TensorFlow在Kubernetes中的運行 247
17.2.1　部署及運行 247
17.2.2　其他應用 253
17.3　小結 254
第18章　TensorFlowOnSpark 255
18.1　TensorFlowOnSpark的架構 255
18.2　TensorFlowOnSpark在MNIST上的實踐 257
18.3　小結 261
第19章　TensorFlow移動端應用 262
19.1　移動端應用原理 262
19.1.1　量化 263
19.1.2　優化矩陣乘法運算 266
19.2　iOS係統實踐 266
19.2.1　環境準備 266
19.2.2　編譯演示程序並運行 267
19.2.3　自定義模型的編譯及運行 269
19.3　Android係統實踐 273
19.3.1　環境準備 274
19.3.2　編譯演示程序並運行 275
19.3.3　自定義模型的編譯及運行 277
19.4　樹莓派實踐 278
19.5　小結 278
第20章　TensorFlow的其他特性 279
20.1　TensorFlow Serving 279
20.2　TensorFlow Flod 280
20.3　TensorFlow計算加速 281
20.3.1　CPU加速 281
20.3.2　TPU加速和FPGA加速 282
20.4　小結 283
第21章　機器學習的評測體係 284
21.1　人臉識彆的性能指標 284
21.2　聊天機器人的性能指標 284
21.3　機器翻譯的評價方法 286
21.3.1　BLEU 286
21.3.2　METEOR 287
21.4　常用的通用評價指標 287
21.4.1　ROC和AUC 288
21.4.2　AP和mAP 288
21.5　小結 288
附錄A　公開數據集 289
附錄B　項目管理經驗小談 292
· · · · · · (收起)