本书是作者研究和实践人工智能算法的经验总结。本书通过图表、案例和示例代码相结合的方式，介绍TensorFlow 2.x框架的相关知识，帮助读者打好扎实的人工智能理论基础，并将理论付诸实践，通过“干中学”的方式掌握复杂的算法理论。
本书共3篇。第1篇“TensorFlow基础”，主要介绍TensorFlow 2.x的基本开发方法及其重要接口的使用方法，让读者对其有较为全面的了解。第2篇“TensorFlow进阶”，详细介绍TensorFlow 2.x的高级开发功能，以及如何使用它开发基于深度学习的神经网络。第3篇“TensorFlow实战”，详细介绍TensorFlow 2.x在增强学习和GAN两个专业领域的强大应用，以及其最新调用接口和开发模式，帮助读者有效地将其应用到具体的项目实践中。
本书内容丰富，讲解透彻，适合对人工智能感兴趣的人员阅读，尤其是需要学习TensorFlow 2.x深度学习框架的入门与进阶人员，另外还适合相关培训机构作为培训教材使用。

陈屹，海南康康饼网络科技有限公司CEO，15年开发面试经验。曾在微软、联想、realplayer等公司承担客户端和服务器开发工作。在算法设计、高并发、高性能服务器、复杂系统设计、人工智能等多个领域拥有深厚积累，其设计的编译原理、操作系统、网络协议系统等多门原厂教学视频在网易云课堂收到大量好评。

第1篇 TensorFlow基础
第1章 安装TensorFlow
1.1 TensorFlow的安装流程
1.2 运行TensorFlow的第一个程序
第2章 张量及其运算
2.1 常量张量的创建
2.2 张量维度的转换
2.3 张量的运算
第3章 运算图和会话管理
3.1 运算图的形成
3.2 运算图的数据结构
3.3 使用会话对象执行运算图
3.3.1 交互式会话执行流程
3.3.2 使用会话日志
3.4 使用TensorBoard实现数据可视化
3.4.1 启动TensorBoard组件
3.4.2 显示TensorBoard中的数据
第4章 模型训练
4.1 变量张量
4.2 损失函数
4.3 渐进下降法
4.3.1 如何将数据读入模型
4.3.2 模型训练的基本流程
4.3.3 渐进下降法运行实例
4.3.4 渐进下降法的缺陷和应对
4.4 运算图的存储和加载
第2篇 TensorFlow进阶
第5章 机器学习的基本概念
5.1 使用TensorFlow实现线性回归
5.2 使用TensorFlow实现多项式回归
5.3 使用逻辑回归实现数据二元分类
5.3.1 逻辑函数
5.3.2 最大概率估计
5.3.3 用代码实现逻辑回归
5.4 使用多元逻辑回归实现数据的多种分类
5.4.1 多元分类示例一一识别手写数字图像
5.4.2 多元交叉熵
5.4.3 多元回归模型代码示例
第6章 使用TensorFlow开发神经网络
6.1 神经元和感知器
6.1.1 神经元的基本原理
6.1.2 感知器的基本原理
6.1.3 链路权重
6.1.4 激活函数
6.2 神经网络的运行原理
6.2.1 神经网络层
6.2.2 误差反向传播
6.3 构造神经网络识别手写数字图像
第7章 使用TensorFlow实现卷积网络
7.1 卷积运算
7.2 卷积运算的本质
7.3 卷积运算的相关参数和操作说明
7.4 使用TensorFlow开发卷积网络实例
7.5 卷积网络的训练与应用
第8章 构造重定向网络
8.1 什么是重定向网络
8.1.1 重定向网络的基本结构
8.1.2 cell部件的运算原理
8.2 使用 TensorFlow构建RNN层
8.2.1 cell组件类简介
8.2.2 创建RNN层接口调用简介
8.3 使用RNN实现文本识别
8.3.1 文本数据预处理
8.3.2 网络模型的构建和训练
8.4 长短程记忆组件
8.4.1 长短程记忆组件的内部原理
8.4.2 使用接口创建LSTM节点
8.4.3 使用LSTM网络实现文本识别
第9章 数据集的读取与操作
9.1 TensorFlow的数据集对象
9.1.1 创建数值型数据集
9.1.2 数据生成器
9.1.3 从文本中读入数据集
9.2 数据集的处理和加工
9.2.1 数据集的分批处理
9.2.2 基于数据集的若干操作
9.2.3 数据集条目的遍历访问
第10章 使用多线程、多设备和机器集群
10.1 多线程的配置
10.2 多处理器分发执行
10.3 集群分发控制
第11章 TensorFlow的高级接口Estimator
11.1 运行Estimator的基本流程
11.2 Estimator的初始化配置
11.3 Estimator导出模型应用实例
11.3.1 使用线性模型实例
11.3.2 使用神经网络分类器
11.3.3 使用线性回归一一深度网络混合模型
11.3.4 给Estimator添加自己的网络模型
第3篇 TensorFlow实战
第12章 实现编解码器网络
12.1 自动编解码器的原理
12.2 一个简单的编解码器网络
12.3 使用多层编解码器实现图像重构
12.4 使用编解码网络实现图像去噪
12.5 可变编解码器
12.5.1 可变编解码器的基本原理
12.5.2 编解码器的数学原理
12.5.3 用代码实现编解码网络
第13章 使用TensorFlow实现增强学习
13.1 搭建开发环境
13.2 增强学习的基本概念
13.3 马尔可夫过程
13.4 马尔可夫决策模型
13.5 开发一个增强学习示例
13.5.1 示例简介
13.5.2 使用神经网络实现最优策略
13.6 冰冻湖问题
13.6.1 状态值优化
13.6.2 贝尔曼函数
13.6.3 编码解决冰冻湖问题
第14章 使用TensorFlow实现深Q网络
14.1 深Q算法的基本原理
14.2 深Q算法项目实践
14.21 算法的基本原则
14.2.2 深Q网络模型
第15章 TensorFlow与策略下降法
15.1 策略导数
15.1.1 策略导数的底层原理
15.1.2 策略导数算法应用实例
15.1.3 策略导数的缺点
15.2 Actor-Critic算法
15.2.1 Actor-Critic算法的底层原理
15.2.2 Actor-Critic算法的实现
15.3 A3C算法原理
15.3.1 改变量回传模式的代码实现
15.3.2 训练数据回传模式的代码实现
15.4 使用PPO算法玩转《超级玛丽》