本书循序渐进地讲解了使用TensorFlow开发深度学习程序的核心知识，并通过具体实例的实现过程演练了使用TensorFlow的方法和流程。书中首先讲解了TensorFlow深度学习基础知识；然后介绍了数据集制作、前馈神经网络、卷积神经网络、循环神经网络、生成式对抗网络、自然语言处理、注意力机制、概率图模型、深度信念网络、强化学习、无监督学习、TensorFlow Lite移动端与嵌入式轻量级开发、TensorFlow.js智能前端开发等实战应用内容；最后通过开发姿势预测器和智能客服系统，讲解TensorFlow的综合应用。

第1章 TensorFlow深度学习基础
1.1 人工智能与深度学习概述
1.1.1 人工智能介绍
1.1.2 机器学习
1.1.3 深度学习
1.1.4 机器学习和深度学习的区别
1.2 TensorFlow综述
1.2.1 TensorFlow介绍
1.2.2 TensorFlow的优势
1.3 搭建TensorFlow开发环境
1.3.1 使用pip安装TensorFlow
1.3.2 使用Anaconda安装TensorFlow
1.4 TensorFlow核心概念
1.4.1 TensorFlow的基本构成
1.4.2 会话
1.4.3 优化器
1.4.4 张量
1.5 TensorFlow开发流程
1.5.1 准备数据集
1.5.2 构建模型
1.5.3 训练模型
1.5.4 验证模型
第2章 数据集制作实战
2.1 使用tf.data处理数据集
2.1.1 制作数据集并训练和评估
2.1.2 将tf.data作为验证数据集进行训练
2.2 将模拟数据制作成内存对象数据集实战
2.2.1 可视化内存对象数据集
2.2.2 改进的方案
2.3 将图片制作成数据集实战
2.3.1 制作简易图片数据集
2.3.2 制作手势识别数据集
2.4 TFRecord数据集制作实战
2.4.1 将图片制作为TFRecord数据集
2.4.2 将CSV文件保存为TFRecord文件
2.4.3 读取TFRecord文件的内容
第3章 TensorFlow前馈神经网络实战
3.1 神经网络概述
3.1.1 深度学习与神经网络概述
3.1.2 全连接层
3.1.3 使用TensorFlow创建神经网络模型
3.2 单层前馈神经网络
3.2.1 单层前馈神经网络介绍
3.2.2 BP算法
3.3 深度前馈神经网络
3.3.1 深度前馈神经网络的原理
3.3.2 基于MNIST数据集识别手写数字
3.4 汽车油耗预测实战(使用神经网络实现分类)
3.4.1 准备数据
3.4.2 创建网络模型
3.4.3 训练、测试模型
第4章 TensorFlow卷积神经网络实战
4.1 卷积神经网络基础
4.1.1 发展背景
4.1.2 CNN基本结构
4.1.3 第一个CNN程序
4.2 使用CNN进行图像分类
4.2.1 准备数据集
4.2.2 创建数据集
4.2.3 配置数据集
4.2.4 创建模型
4.2.5 编译模型
4.2.6 训练模型
4.2.7 可视化训练结果
4.2.8 过拟合处理：数据增强
4.2.9 过拟合处理：将Dropout引入网络
4.2.10 重新编译和训练模型
4.2.11 预测新数据
4.3 CNN识别器实战
4.3.1 创建CNN物体识别模型
4.3.2 CNN服饰识别器
第5章 循环神经网络实战
5.1 文本处理与RNN简介
5.1.1 RNN基础
5.1.2 文本分类
5.2 RNN开发实战一一电影评论情感分析
第6章 生成式对抗网络实战
6.1 GAN介绍
6.1.1 生成模型和判别模型
6.1.2 GAN基本流程
6.2 GAN实现MNIST识别
6.2.1 构建生成模型G
6.2.2 构建判别模型
6.2.3 构建损失函数
6.2.4 准备数据集
6.2.5 开始训练
6.2.6 保存模型并生成测试图
6.3 GAN纹理生成器
6.3.1 创建生成器
6.3.2 创建GAN模型
6.3.3 生成图像
6.3.4 具体操作
第7章 自然语言处理实战
7.1 自然语言处理基础
7.1.1 自然语言处理介绍
7.1.2 自然语言处理的发展历程
7.1.3 语言模型
7.2 自然语言处理实战(一)：RNN生成文本
7.2.1 准备数据集
7.2.2 向量化处理文本
7.2.3 预测任务并创建训练样本和目标
7.2.4 创建训练批次
7.2.5 创建模型
7.2.6 测试模型
7.2.7 训练模型
7.2.8 生成文本
7.2.9 预测循环
7.2.10 自定义训练
7.3 自然语言处理实战(二)：使用Seq2Seq模型实现机器翻译
7.3.1 准备数据集
7.3.2 编写编码器(encoder)和解码器(decoder)模型
7.3.3 训练
7.3.4 翻译
第8章 注意力机制实战
8.1 注意力机制基础
8.1.1 注意力机制介绍
8.1.2 注意力机制的变体
8.1.3 注意力机制解决什么问题
8.2 注意力机制实战：机器翻译
8.2.1 项目介绍
8.2.2 下载并准备数据集
8.2.3 文本预处理
8.2.4 编码器模型
8.2.5 绘制可视化注意力图
8.2.6 解码器
8.2.7 训练
8.2.8 翻译
第9章 概率图模型实战
9.1 概率图模型表示
9.1.1 贝叶斯网络：有向图模型
9.1.2 马尔可夫随机场：无向图模型
9.2 TensorFlowProbability
9.2.1 TensorFlowProbability的结构
9.2.2 概率图模型推断
9.3 概率图模型应用实战
9.3.1 高斯过程回归实战
9.3.2 联合分布的贝叶斯建模
第10章 深度信念网络实战
10.1 深度信念网络基础
10.1.1 深度信念网络的发展历程
10.1.2 玻尔兹曼机(BM)
10.1.3 受限玻尔兹曼机(RBM)
10.1.4 深度信念网络
10.2 DBN应用实战：程序缺陷预测