译者序
前言
作者简介
审校者简介
第1章 TensorFlow简介
1.1 引言
1.2 TensorFlow安装
1.3 Hello world
1.4 理解TensorFlow程序结构
1.5 常量、变量和占位符
1.6 使用TensorFlow 执行矩阵操作
1.7 使用数据流图
1.8 从0.x迁移到1.x
1.9 使用XLA提升运算性能
1.10 调用CPU/GPU设备
1.11 TensorFlow与深度学习
1.12 DNN问题需要的Python包
第2章 回归
2.1 引言
2.2 选择损失函数
2.3 TensorFlow中的优化器
2.4 读取CSV文件和数据预处理
2.5 房价估计——简单线性回归
2.6 房价估计——多元线性回归
2.7 MNIST数据集的逻辑回归
第3章 神经网络——感知机
3.1 引言
3.2 激活函数
3.3 单层感知机
3.4 计算反向传播算法的梯度
3.5 使用MLP实现MNIST分类器
3.6 使用MLP逼近函数来预测波士顿房价
3.7 调整超参数
3.8 高级API——Keras
第4章 卷积神经网络
4.1 引言
4.2 创建一个ConvNet来分类手写MNIST数字
4.3 创建一个ConvNet来分类CIFAR-10数据集
4.4 用VGG19做风格迁移的图像重绘
4.5 使用预训练的VGG16网络进行迁移学习
4.6 创建DeepDream网络
第5章 高级卷积神经网络
5.1 引言
5.2 为情感分析创建一个ConvNet
5.3 检验VGG预建网络学到的滤波器
5.4 使用 VGGNet、ResNet、Inception和Xception分类图像
5.5 重新利用预建深度学习模型进行特征提取
5.6 用于迁移学习的深层InceptionV3网络
5.7 使用扩张ConvNet、WaveNet和 NSynth生成音乐
5.8 关于图像的问答
5.9 利用预训练网络进行视频分类的6种方法
第6章 循环神经网络
6.1 引言
6.2 神经机器翻译——seq2seq RNN训练
6.3 神经机器翻译——seq2seq RNN推理
6.4 你所需要的是注意力—另一个seq2seq RNN例子
6.5 使用RNN像莎士比亚一样写作
6.6 基于RNN学习预测比特币价格
6.7 多对一和多对多的RNN例子
第7章 无监督学习
7.1 引言
7.2 主成分分析
7.3 k均值聚类
7.4 自组织映射
7.5 受限玻尔兹曼机
7.6 基于RBM的推荐系统
7.7 用DBN进行情绪检测
第8章 自动编码机
8.1 引言
8.2 标准自动编码机
8.3 稀疏自动编码机
8.4 去噪自动编码机
8.5 卷积自动编码机
8.6 堆叠自动编码机
第9章 强化学习
9.1 引言
9.2 学习OpenAI Gym
9.3 用神经网络智能体玩Pac-Man游戏
9.4 用Q learning玩Cart-Pole平衡游戏
9.5 用DQN玩Atari游戏
9.6 用策略梯度网络玩Pong游戏
第10章 移动端计算
10.1 引言
10.2 安装适用于macOS和Android的TensorFlow mobile
10.3 玩转TensorFlow和Android的示例
10.4 安装适用于macOS和iPhone的TensorFlow mobile
10.5 为移动设备优化TensorFlow计算图
10.6 为移动设备分析TensorFlow计算图
10.7 为移动设备转换TensorFlow计算图
第11章 生成式模型和CapsNet
11.1 引言
11.2 学习使用简单GAN虚构MNIST图像
11.3 学习使用DCGAN虚构MNIST图像
11.4 学习使用DCGAN虚构名人面孔和其他数据集
11.5 实现变分自动编码机
11.6 学习使用胶囊网络击败MNIST前期的最新成果
第12章 分布式TensorFlow和云深度学习
12.1 引言
12.2 在GPU上使用TensorFlow
12.3 玩转分布式TensorFlow：多个GPU和一个CPU
12.4 玩转分布式TensorFlow：多服务器
12.5 训练分布式TensorFlow MNIST分类器
12.6 基于Docker使用TensorFlow Serving
12.7 使用计算引擎在谷歌云平台上运行分布式TensorFlow
12.8 在谷歌CloudML上运行分布式TensorFlow
12.9 在Microsoft Azure上运行分布式TensorFlow
12.10 在Amazon AWS上运行分布式TensorFlow
附录A 利用AutoML学会学习（元学习）
附录B TensorFlow处理器

深度神经网络(DNN)已经在计算机视觉、语音识别、自然语言处理等领域取得了巨大的成功。安东尼奥·古利、阿米塔·卡普尔著的《TensorFlow深度学习实战/智能系统与技术丛书》既介绍DNN理论的学习，又包含丰富的案例，可帮助你利用人工智能技术来解决现实问题。
通过阅读本书，你将学习如何有效地使用谷歌的深度学习开源框架TensorFlow，实现不同的深度学习网络，如卷积神经网络(CNN)、循环神经网络(RNN)、深度Qlearning网络(DQN)、生成对抗网络(GAN)。同时，还将学习如何使用TensorFIowB9高级封装工具Keras。
你还能学习如何处理一些流行的数据集，如MNIST、CIFAR-10以及YouTube-8M等。不仅可以了解TensorFlow支持的移动端和嵌入式平台，还能够学习如何设置深度学习云平台，以及TPU架构和它如何影响DNN的未来。