1、本书由浅入深详细讲解了tensorflow的语法特点，并在图像领域做了专门的应用介绍，相信通过该书循序渐进的学习，能够快速掌握tensorflow的语法，并能在图像领域快速上手。
2、图像应用从基础的字符识别，目标检测，目标定位，目标识别再到GAN网络，覆盖到现阶段大部分的图像应用，算法原理的详细介绍，配上丰富的中间结果展示，图文并茂，相信对读者理解算法，吃透算法能起到很大的帮助。
3、内容从浅入深，应用从简单到复杂，原理详实，详细。
4、从技术的角度，本书使用通俗易懂的语言描述相对复杂的问题，包含对TensorFlow的原理、特性、使用方法以及应用技巧等的描述，特别是结合具体实例进行讲解的方式，有利于读者直观、快速地掌握有关的技能。

人工智能在由机器学习向深度学习发展的过程中，扩展了科研院校的研究方向，同时也带动了各行各业的产业升级。本书正是在这样的背景下编写的。本书紧跟人工智能技术发展潮流，知识点由浅入深，算法原理逐个击破，章节安排合理有序，示例新颖且实用。本书内容包括TensorFlow在Windows操作系统、Linux操作系统、macOS下的安装，TensorFlow静态图、动态图、损失函数、优化器等基础语法，k均值、k近邻、朴素贝叶斯、决策树、支持向量机、人工神经网络、线性回归、逻辑回归、决策树回归等机器学习算法，分类、检测、检索、光学字符识别等图像处理技术，中文分词、命名实体识别等自然语言处理技术，TensorFlow高阶应用等。本书可以作为高等院校人工智能专业辅助参考用书，也可供对人工智能感兴趣的读者学习使用。

第1章 绪论1
1.1 机器学习简介 1
1.2 机器学习流程 2
1.3 深度学习简介 3
第2章 TensorFlow简介与环境搭建 4
2.1 TensorFlow简介 4
2.2 TensorFlow的语言支持 4
2.3 TensorFlow的安装和环境配置 5
2.3.1 Python安装 5
2.3.2 CUDA与CUDNN安装 11
2.4 TensorFlow安装 12
2.4.1 pip安装 12
2.4.2 Docker安装 13
2.5 测试TensorFlow 13
第3章 TensorFlow入门 14
3.1 TensorFlow静态图模式 14
3.1.1 TensorFlow中的张量类型 14
3.1.2 TensorFlow的操作符简介 17
3.1.3 TensorFlow的Graph和Session 23
3.2 TensorFlow动态图模式 27
3.3 TensorFlow损失函数 28
3.3.1 交叉熵 28
3.3.2 均方误差 29
3.3.3 KL散度 29
3.4 TensorFlow优化器 30
3.5 TensorFlow训练数据输入 33
3.5.1 tf.data.Dataset 33
3.5.2 tf.data.Iterator 35
第4章 聚类算法 37
4.1 聚类算法简介 37
4.2 k均值聚类算法 38
4.2.1 算法步骤 38
4.2.2 准则函数 39
4.2.3 算法改进 39
4.3 k中心聚类算法 43
4.3.1 准则函数 43
4.3.2 算法步骤 43
4.3.3 算法对比 43
第5章 分类算法 45
5.1 分类算法简介 45
5.2 k近邻算法 45
5.2.1 算法步骤 46
5.2.2 投票算法改进 46
5.2.3 k参数选取 46
5.2.4 模型评价 47
5.3 朴素贝叶斯 49
5.3.1 算法步骤 50
5.3.2 概率处理 50
5.3.3 连续值概率计算 51
5.4 决策树 53
5.4.1 分裂函数 53
5.4.2 特征为连续特征 54
5.4.3 决策树终止条件 55
5.5 支持向量机 55
5.5.1 线性可分支持向量机 56
5.5.2 近似线性可分支持向量机 59
5.5.3 非线性支持向量机 60
5.5.4 常用核函数 60
5.5.5 多分类支持向量机 61
5.6 人工神经网络 61
5.6.1 激活函数 62
5.6.2 逻辑门设计 64
5.6.3 多层感知器 67
5.6.4 前向传播算法 67
5.6.5 反向传播算法 68
第6章 回归算法 72
6.1 线性回归 72
6.1.1 最小二乘法 72
6.1.2 广义逆 74
6.1.3 岭回归与Lasso回归 76
6.1.4 梯度求解算法 78
6.2 非线性回归 84
6.2.1 指数变换 84
6.2.2 对数变换 85
6.2.3 幂等变换 85
6.2.4 多项式变换 85
6.3 逻辑回归 85
6.3.1 二值逻辑回归 86
6.3.2 多元逻辑回归 89
6.4 决策树回归 91
6.4.1 代价函数 92
6.4.2 算法流程 92
6.4.3 举例 93
6.5 梯度算法 94
6.5.1 随机梯度下降法 95
6.5.2 牛顿法 96
第7章 MNIST数据集 99
7.1 MNIST数据集简介 99
7.2 LeNet的实现与讲解 101
7.2.1 网络参数设置和输入设置 101
7.2.2 LeNet网络模型详解 102
7.2.3 更简洁的实现 107
7.2.4 softmax层和网络更新方式 108
7.2.5 训练过程 108
7.3 FashionMNIST数据集 109
第8章 图像分类 110
8.1 图像分类的概念 110
8.2 图像分类的常用网络结构 111
8.2.1 AlexNet网络结构 111
8.2.2 VGGNet网络结构 113
8.2.3 NetworkInNetwork网络结构 114
8.2.4 GoogLeNet网络结构 117
8.2.5 ResNet网络结构 119
8.3 图像多标签分类实例 121
8.3.1 使用TFRecord生成训练数据 121
8.3.2 构建多标签分类网络 122
8.3.3 多标签模型训练模型 125
第9章 目标检测 127
9.1 目标检测的概念 127
9.1.1 FasterR-CNN 127
9.1.2 YOLO 128
9.1.3 SSD 130
9.2 基于SSD的目标检测实例 131
9.2.1 基于VGG的SSD网络 131
9.2.2 坐标和类别预测 133
9.2.3 多尺度的预测拼接 133
9.2.4 损失函数与模型训练 133
第10章 图像检索应用 135
10.1 图像检索的基本概念 135
10.2 图像检索特征提取的常用方法 137
10.3 基于VGG的图像检索实例 140
10.3.1 使用TFRecord生成训练数据 140
10.3.2 模型训练函数 141
10.3.3 检索系统构建 141
第11章 光学字符识别应用 143
11.1 光学字符识别的概念 143
11.2 光学字符识别的常用算法与流程 144
11.2.1 文本检测环节 144
11.2.2 文本识别环节 145
11.3 基于CNN-RNN-CTC的光学字符识别算法实例 146
11.3.1 光学字符识别训练数据生成 146
11.3.2 使用TFRecord生成训练数据 148
11.3.3 构建基于CNN-RNN-CTC的光学字符识别网络 149
第12章 中文分词 152
12.1 自然语言处理 152
12.2 中文分词简介 153
12.2.1 BMES 153
12.2.2 BM12ES 154
12.3 文字单元嵌入表达 154
12.3.1 文字单元的独热嵌入表达 154
12.3.2 word2Vector 155
12.3.3 word2Vector代码实现 161
第13章 深度学习序列单元 164
13.1 循环神经网络 164
13.2 长短期记忆网络 166
13.2.1 peephole LSTM 170
13.2.2 LSTM with coupled input and forget gate 170
13.2.3 GRU 173
13.2.4 BLSTM 174
13.3 TensorFlow中BLSTM分词的简单实现 175
第14章 命名实体识别 177
14.1 任务简介 177
14.2 B-IOE标签系统 177
14.3 线性链条件随机场 178
14.4 TensorFlow中BLSTM+CRF命名实体识别实现 181
第15章 TensorFlow高阶应用 183
15.1 GPU与设备 183
15.2 多线程 183
15.2.1 队列 183
15.2.2 tf.train.batch 184
15.2.3 协调器 185
15.2.4 一个多线程的例子 186