《深度学习系列精通TENSORFLOW》[美]阿曼多・凡丹戈（ArmandoF | PDF下载|ePub下载

译者序
原书序
原书前言
第 1章　TensorFlow 101 // 1
1.1　什么是 TensorFlow // 1
1.2　TensorFlow内核 // 2
1.2.1　简单的示例代码 -Hello TensorFlow // 2
1.2.2　张量 // 3
1.2.3　常量 // 4
1.2.4　操作 // 5
1.2.5　占位符 // 6
1.2.6　从 Python对象创建张量 // 7
1.2.7　变量 // 9
1.2.8　由库函数生成的张量 // 10
1.2.9　通过 tf.get_variable( )获取变量 // 13
1.3　数据流图或计算图 // 14
1.3.1　执行顺序和延迟加载 // 15
1.3.2　跨计算设备执行计算图 -CPU和 GPU // 15
1.3.3　多个计算图 // 18
1.4　TensorBoard // 19
1.4.1　TensorBoard*小的例子 // 19
1.4.2　TensorBoard的细节 // 21
1.5　总结 // 21
第 2章　TensorFlow的高级库 // 22
2.1　TF Estimator // 22
2.2　TF Slim // 24
2.3　TFLearn // 25
2.3.1　创建 TFLearn层 // 26
2.3.2　创建 TFLearn模型 // 30
2.3.3　训练 TFLearn模型 // 30
2.3.4　使用 TFLearn模型 // 30
2.4　PrettyTensor // 31
2.5　Sonnet // 32
2.6　总结 // 34
第 3章　Keras101 // 35
3.1　安装 Keras // 35
3.2　Keras的神经网络模型 // 36
3.2.1　在 Keras中创建模型的过程 // 36
3.3　创建 Keras模型 // 36
3.3.1　用于创建 Keras模型的序列化 API // 36
3.3.2　用于创建 Keras模型的功能性 API // 37
3.4　Keras的层 // 37
3.4.1　Keras内核层 // 37
3.4.2　Keras卷积层 // 38
3.4.3　Keras池化层 // 38
3.4.4　Keras局连接层 // 39
3.4.5　Keras循环层 // 39
3.4.6　Keras嵌入层 // 39
3.4.7　Keras合并层 // 39
3.4.8　Keras高级激活层 // 40
3.4.9　Keras归一化层 // 40
3.4.10　Keras噪声层 // 40
3.5　将网络层添加到 Keras模型中 // 40
3.5.1　利用序列化 API将网络层添加到 Keras模型中 // 40
3.5.2　利用功能性 API将网络层添加到 Keras模型中 // 41
3.6　编译 Keras模型 // 41
3.7　训练 Keras模型 // 42
3.8　使用 Keras模型进行预测 // 42
3.9　Keras中的其他模块 // 43
3.10　基于 MNIST数据集的 Keras顺序模型示例 // 43
3.11　总结 // 45
第 4章　基于TensorFlow的经典机器学习算法 // 47
4.1　简单的线性回归 // 48
4.1.1　数据准备 // 49
4.1.2　建立简单的回归模型 // 50
4.1.3　使用训练好的模型进行预测 // 55
4.2　多元回归 // 55
4.3　正则化回归 // 58
4.3.1　Lasso正则化 // 59
4.3.2　岭正则化 // 62
4.3.3　弹性网正则化 // 64
4.4　使用 Logistic回归进行分类 // 65
4.4.1　二分类的 Logistic回归 // 65
4.4.2　多类分类的 Logistic回归 // 66
4.5　二分类 // 66
4.6　多分类 // 69
4.7　总结 // 73
第 5章　基于 TensorFlow和 Keras的神经网络和多层感知机 // 74
5.1　感知机 // 74
5.2　多层感知机 // 76
5.3　用于图像分类的多层感知机 // 77
5.3.1　通过 TensorFlow构建用于 MNIST分类的多层感知机 // 77
5.3.2　通过 Keras构建用于 MNIST分类的多层感知机 // 83
5.3.3　通过 TFLearn构建用于 MNIST分类的多层感知机 // 85
5.3.4　多层感知机与 TensorFlow、 Keras和 TFLearn的总结 // 86
5.4　用于时间序列回归的多层感知机 // 86
5.5　总结 // 89
第 6章　基于TensorFlow和Keras的 RNN // 90
6.1　简单 RNN // 90
6.2　RNN改进版本 // 92
6.3　LSTM网络 // 93
6.4　GRU网络 // 95
6.5　基于TensorFlow的 RNN // 96
6.5.1　TensorFlow的RNN单元类 // 96
6.5.2　 TensorFlow 的RNN模型构造类 // 97
6.5.3　 TensorFlow的 RNN单元封装类 // 97
6.6　基于Keras的 RNN // 98
6.7　RNN的应用领域 // 98
6.8　将基于Keras的 RNN用于MNIST数据 // 99
6.9　总结 // 100
第 7章　基于TensorFlow和 Keras的 RNN在时间序列数据中的应用 //101
7.1　航空公司乘客数据集 // 101
7.1.1　加载 airpass数据集 // 102
7.1.2　可视化 airpass数据集 // 102
7.2　使用TensorFlow为 RNN模型预处理数据集 // 103
7.3　TensorFlow中的简单 RNN // 104
7.4　TensorFlow中的 LSTM网络 // 106
7.5　TensorFlow中的 GRU网络 // 107
7.6　使用 Keras为 RNN模型预处理数据集 // 108
7.7　基于 Keras的简单 RNN // 109
7.8　基于 Keras的 LSTM网络 // 111
7.9　基于 Keras的 GRU网络 // 112
7.10　总结 // 113
第 8章　基于TensorFlow和 Keras的RNN在文本数据中的应用 // 114
8.1　词向量表示 // 114
8.2　为 word2vec模型准备数据 // 116
8.2.1　加载和准备PTB数据集 // 117
8.2.2　加载和准备text8数据集 // 118
8.2.3　准备小的验证集 // 119
8.3　使用TensorFlow的 skip-gram模型 // 119
8.4　使用t-SNE可视化单词嵌入 // 124
8.5　基于Keras的 skip-gram模型 // 126
8.6　使用TensorFlow和 Keras中的 RNN模型生成文本 // 130
8.6.1　使用TensorFlow中的 LSTM模型生成文本 // 131
8