李卓桓，PreAngel合伙人。创建zixia BBS，曾任优酷网首席科学家、叽歪网创始人、水木清华BBS站长。清华大学本科，中欧国际工商学院EMBA，北京邮电大学CS Ph.D.Conversational AI方向在读。拥有15年互联网创业经验，任多家创业公司和VC机构的顾问。拥有25年编程经验，曾任ChinaRen系统工程师。腾讯云Chatbot TVP、Microsoft Regional Director、Google认证的机器学习开发者专家。活跃在Open Source社区，创立并发布的Chatbot SDK开源项目Wechaty已在GitHub上拥有近万Stars数。

第0章 TensorFlow概述
基础篇
第1章 TensorFlow的安装与环境配置
1.1 一般安装步骤
1.2 GPU版本TensorFlow安装指南
1.2.1 GPU硬件的准备
1.2.2 NVIDIA驱动程序的安装
1.2.3 CUDAToolkit和cuDNN的安装
1.3 第一个程序
1.4 IDE设置
1.5 *TensorFlow所需的硬件配置
第2章 TensorFlow基础
2.1 TensorFlow
2.2 自动求导机制
2.3 基础示例：线性回归
2.3.1 NumPy下的线性回归
2.3.2 TensorFlow下的线性回归
第3章 TensorFlow模型建立与训练
3.1 模型与层
3.2 基础示例：多层感知器（MLP）
3.2.1 数据获取及预处理：tf.keras.datasets
3.2.2 模型的构建：tf.keras.Model和tf.keras.layers
3.2.3 模型的训练：tf.keras.losses和tf.keras.optimizer
3.2.4 模型的评估：tf.keras.metrics
3.3 卷积神经网络（CNN）
3.3.1 使用Keras实现卷积神经网络
3.3.2 使用Keras中预定义的经典卷积神经网络结构
3.4 循环神经网络（RNN）
3.5 深度强化学习（DRL）
3.6 *KerasPipeline
3.6.1 KerasSequentialFunctionalAPI模式建立模
3.6.2 使用KerasModel的compile、fit和evaluate方法训练和评估模型
3.7 *自定义层、损失函数和评估指标
3.7.1 自定义层
3.7.2 自定义损失函数和评估指标
第4章 TensorFlow常用模块
4.1 tf.train.Checkpoint：变量的保存与恢复
4.2 TensorBoard：训练过程可视化
4.2.1 实时查看参数变化情况
4.2.2 查看Graph和Profile信息
4.2.3 实例：查看多层感知器模型的训练情况
4.3 tf.data：数据集的构建与预处理
4.3.1 数据集对象的建立
4.3.2 数据集对象的预处理
4.3.3 使用tf.data的并行化策略提高训练流程效率
4.3.4 数据集元素的获取与使用
4.3.5 实例：cats_vs_dogs图像分类
4.4 TFRecord：TensorFlow数据集存储格式
4.4.1 将数据集存储为TFRecord文件
4.4.2 读取TFRecord文件
4.5 *@tf.function：图执行模式
4.5.1 @tf.function基础使用方法
4.5.2 @tf.function内在机制
4.5.3 AutoGraph：将Python控制流转换为TensorFlow计算图
4.5.4 使用传统的tf.Session
4.6 *tf.TensorArray：TensorFlow动态数组
4.7 *tf.config：GPU的使用与分配
4.7.1 指定当前程序使用的GPU
4.7.2 设置显存使用策略
4.7.3 单GPU模拟多GPU环境
部署篇
第5章 TensorFlow模型导出
5.1 使用SavedModel完整导出模型
5.2 Keras自有的模型导出格式
第6章 TensorFlowServing
6.1 TensorFlowServing安装
6.2 TensorFlowServing模型部署
6.2.1 KerasSequential模式模型的部署
6.2.2 自定义Keras模型的部署
6.3 在客户端调用以TensorFlowServing部署的模型
6.3.1 Python客户端示例
6.3.2 Node.js客户端示例（Ziyang）
第7章 TensorFlowLite
7.1 模型转换
7.2 Android部署
7.3 Quantized模型转换
7.4 总结
第8章 TensorFlow.js
8.1 TensorFlow.js环境配置
8.1.1 在浏览器中使用TensorFlow.js
8.1.2 在Node.js中使用TensorFlow.js
8.1.3 在微信小程序中使用TensorFlow.js
8.2 ensorFlow.js模型部署
8.2.1 在浏览器中加载Python模型
8.2.2 在Node.js中执行原生SavedModel模型
8.2.3 使用TensorFlow.js模型库
8.2.4 在浏览器中使用MobileNet进行摄像头物体识别
8.3 *TensorFlow.js模型训练与性能对比
大规模训练篇
第9章 TensorFlow分布式训练
9.1 单机多卡训练：MirroredStrategy
9.2 多机训练：MultiWorkerMirrored-Strategy
第10章 使用TPU训练TensorFlow模型
10.1 TPU简介
10.2 TPU环境配置
10.3 TPU基本用法
扩展篇
第11章 TensorFlowHub模型复用
11.1 TFHub网站
11.2 TFHub安装与复用
11.3 TFHub模型二次训练样例
第12章 TensorFlow Datasets数据集载入
第13章 SwiftforTensorFlow
13.1 S4TF环境配置
13.2 S4TF基础使用
13.2.1 在Swift中使用标准的TensorFlowAPI
13.2.2 在Swift中直接加载Python语言库
13.2.3 语言原生支持自动微分
13.2.4 MNIST数字分类
第14章 *TensorFlow Quantum：混合量子-经典机器学习
14.1 量子计算基本概念
14.1.1 量子位
14.1.2 量子逻辑门
14.1.3 量子线路
14.1.4 实例：使用Cirq建立简单的量子线路
14.2 混合量子-经典机器学习
14.2.1 量子数据集与带参数的量子门
14.2.2 参数化的量子线路（PQC）
14.2.3 将参数化的量子线路嵌入机器学习模型
14.2.4 实例：对量子数据集进行二分类
高级篇
第15章 图执行模式下的Te

本书不仅仅是一本TensorFlow 2工具书，它除了有零门槛的入门章节与简明的用法示例外，还兼有基础理论的介绍以及面向应用场景的扩展章节。本书摒弃了传统软件工具书严肃刻板的教学风格，围绕实际代码案例展开经验分享式叙述，是一本适合读者温习机器学习理论、了解TensorFlow用法并开拓视野的优秀技术书。

本书围绕TensorFlow 2的概念和功能展开介绍，旨在以“即时执行”视角帮助读者快速入门TensorFlow。本书共分5篇：基础篇首先介绍了TensorFlow的安装配置和基本概念，然后以深度学习中常用的卷积神经网络、循环神经网络等网络结构为例，介绍了使用TensorFlow建立和训练模型的方式，最后介绍了TensorFlow中常用模块的使用方法；部署篇介绍了在服务器、嵌入式设备和浏览器等平台部署TensorFlow模型的方法；大规模训练篇介绍了在TensorFlow中进行分布式训练和使用TPU训练的方法；扩展篇介绍了多种TensorFlow生态系统内的常用及前沿工具；高级篇则为进阶开发者介绍了TensorFlow程序开发的更多深入细节及技巧。
本书适合有一定机器学习或深度学习基础，希望使用TensorFlow进行模型建立与训练的学生和研究者，以及希望将TensorFlow模型部署到实际环境中的开发者和工程师阅读。