Tensorflow：實戰Google深度學習框架

第1章 深度學習簡介
1.1 人工智能、機器學習與深度學習
1.2 深度學習的發展歷程
1.3 深度學習的應用
1.3.1 計算機視覺
1.3.2 語音識別
1.3.3 自然語言處理
1.3.4 人機博弈
1.4 深度學習工具介紹和對比
小結

第2章 TensorFlow環境搭建
2.1 TensorFlow的主要依賴包
2.1.1 Protocol Buffer
2.1.2 Bazel
2.2 TensorFlow安裝
2.2.1 使用Docker安裝
2.2.2 使用pip安裝
2.2.3 從源代碼編譯安裝
2.3 TensorFlow測試樣例
小結

第3章 TensorFlow入門
3.1 TensorFlow計算模型——計算圖
3.1.1 計算圖的概念
3.1.2 計算圖的使用
3.2 TensorFlow數據模型——張量
3.2.1 張量的概念
3.2.2 張量的使用
3.3 TensorFlow運行模型——會話
3.4 TensorFlow實現神經網絡
3.4.1 TensorFlow游樂場及神經網絡簡介
3.4.2 前向傳播算法簡介
3.4.3 神經網絡參數與TensorFlow變量
3.4.4 通過TensorFlow訓練神經網絡模型
3.4.5 完整神經網絡樣例程序
小結

第4章 深層神經網絡
4.1 深度學習與深層神經網絡
4.1.1 線性模型的局限性
4.1.2 激活函數實現去線性化
4.1.3 多層網絡解決異或運算
4.2 損失函數定義
4.2.1 經典損失函數
4.2.2 自定義損失函數
4.3 神經網絡優化算法
4.4 神經網絡進一步優化
4.4.1 學習率的設置
4.4.2 過擬合問題
4.4.3 滑動平均模型
小結

第5章 MNIST數字識別問題
5.1 MNIST數據處理
5.2 神經網絡模型訓練及不同模型結果對比
5.2.1 TensorFlow訓練神經網絡
5.2.2 使用驗證數據集判斷模型效果
5.2.3 不同模型效果比較
5.3 變量管理
5.4 TensorFlow模型持久化
5.4.1 持久化代碼實現
5.4.2 持久化原理及數據格式
5.5 TensorFlow最佳實踐樣例程序
小結

第6章 圖像識別與卷積神經網絡
6.1 圖像識別問題簡介及經典數據集
6.2 卷積神經網絡簡介
6.3 卷積神經網絡常用結構
6.3.1 卷積層
6.3.2 池化層
6.4 經典卷積網絡模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷積神經網絡遷移學習
6.5.1 遷移學習介紹
6.5.2 TensorFlow實現遷移學習
小結

第7章 圖像數據處理
7.1 TFRecord輸入數據格式
7.1.1 TFRecord格式介紹
7.1.2 TFRecord樣例程序
7.2 圖像數據處理
7.2.1 TensorFlow圖像處理函數
7.2.2 圖像預處理完整樣例
7.3 多線程輸入數據處理框架
7.3.1 隊列與多線程
7.3.2 輸入文件隊列
7.3.3 組合訓練數據（batching）
7.3.4 輸入數據處理框架
小結

第8章 循環神經網絡
8.1 循環神經網絡簡介
8.2 長短時記憶網絡（LTSM）結構
8.3 循環神經網絡的變種
8.3.1 雙向循環神經網絡和深層循環神經網絡
8.3.2 循環神經網絡的dropout
8.4 循環神經網絡樣例應用
8.4.1 自然語言建模
8.4.2 時間序列預測
小結

第9章 TensorBoard可視化
9.1 TensorBoard簡介
9.2 TensorFlow計算圖可視化
9.2.1 命名空間與TensorBoard圖上節點
9.2.2 節點信息
9.3 監控指標可視化
小結

第10章 TensorFlow計算加速
10.1 TensorFlow使用GPU
10.2 深度學習訓練並行模式
10.3 多GPU並行
10.4 分布式TensorFlow
10.4.1 分布式TensorFlow原理
10.4.2 分布式TensorFlow模型訓練
10.4.3 使用Caicloud運行分布式TensorFlow
小結