适读人群 ：语言通俗，面向高职学生。内容实用而全面，注重实践。

基于TensorFlow灵活的架构，用户可以在多种平台上展开数值计算。 本书从TensorFlow环境搭建入手，逐步介绍如何用TensorFlow进行线性回归模型、卷积神经网络的搭建、训练和预测，涉及PC、Android移动终端、树莓派等平台。

大部分TensorFlow教材应用案例少，理论讲解比较概括，学生数学基础薄弱，对人工神经网络较难入门。本教材介绍TensorFlow的发展和特点后，通过案例详细介绍TensorFlow的使用，着重细致地讲解学生学习中遇到的难点，比如张量的形状、卷积、池化、交叉熵等。通过案例让学生逐层递进地掌握TensorFlow，最后将模型移植到安卓移动终端，随时随地感受人工智能的魅力。

第1章 初识TensorFlow

1．1 场景导入 2

1．2 人工智能的发展历程 3

1．2．1 早期人工智能阶段 4

1．2．2 机器学习阶段 4

1．2．3 深度学习阶段 5

1．3 TensorFlow简介 6

1．4 Anaconda的安装和使用 7

1．4．1 安装Anaconda 7

1．4．2 使用Anaconda 13

1．5 在Windows 10系统中安装PyCharm 15

1．6 在Windows系统中安装TensorFlow CPU版 20

1．6．1 创建和激活环境 20

1．6．2 解决错误 23

1．7 在PyCharm中使用Anaconda的环境 24

1．7．1 新建和配置项目 24

1．7．2 再次查看项目配置 27

1．7．3 运行案例代码 28

1．8 在Windows系统中安装Python版OpenCV 29

1．8．1 激活环境并安装OpenCV 29

1．8．2 PyCharm配置 30

1．8．3 OpenCV代码测试 31

第2章 深入了解TensorFlow

2．1 认识TensorFlow数据流图 34

2．1．1 数据流图简介 34

2．1．2 实现数据流图 35

2．1．3 数据流图代码解析 35

2．2 TensorBoard的使用 37

2．2．1 TensorBoard的启动 37

2．2．2 TensorBoard界面介绍 40

2．3 TensorFlow张量思维 42

2．3．1 什么是张量 42

2．3．2 用Numpy定义张量 43

2．3．3 张量的形状 44

2．4 TensorFlow中张量的几种形式 47

2．4．1 常量 47

2．4．2 变量 48

2．4．3 占位符 51

第3章 机器学习入门

3．1 机器学习的基本步骤 54

3．2 泰坦尼克号案例 55

3．2．1 泰坦尼克号事件 55

3．2．2 泰坦尼克号案例数据集 56

3．2．3 训练数据集预处理 58

3．2．4 测试数据集预处理 60

3．2．5 搭建神经网络 60

3．2．6 进行训练 62

3．2．7 进行预测并可视化 62

3．3 MNIST手写数字识别案例 64

3．3．1 数据集简介 64

3．3．2 加载MNIST数据集 65

3．3．3 构建网络模型 66

3．3．4 训练模型 68

3．3．5 测试模型 68

3．3．6 矩阵乘法和加法规则 70

3．4 机器学习相关概念详解 72

3．4．1 线性回归模型 73

3．4．2 激活函数 73

3．4．3 交叉熵 75

3．4．4 梯度下降法 77

第4章 深度学习之图像分类

4．1 卷积神经网络 80

4．1．1 卷积神经网络简介 80

4．1．2 卷积 81

4．2 卷积神经网络的基本结构 86

4．2．1 卷积层 87

4．2．2 大池化层 93

4．3 树叶识别案例 95

4．3．1 样本集简介 95

4．3．2 卷积层 96

4．3．3 池化层 98

4．3．4 全连接层 100

4．3．5 正则化 103

4．3．6 其他部分的代码 106

第5章 TensorFlow Lite

5．1 概述 115

5．2 如何使用TensorFlow Lite 116

5．2．1 使用步骤 116

5．2．2 模型格式 117

5．2．3 模型格式转换 117

5．2．4 模型格式转换完整代码 118

5．3 树叶识别案例 119

5．3．1 功能和界面设计 119

5．3．2 Android Studio配置 121

5．3．3 调用模型 123

5．3．4 使用模型 124

5．3．5 添加交互功能 125

5．4 “你画我猜”案例 127

5．4．1 功能和界面设计 127

5．4．2 添加模型并配置项目 129

5．4．3 调用模型 130

5．4．4 使用模型 131

5．4．5 其他部分的代码 131

第6章 TensorFlow的树莓派应用

6．1 嵌入式人工智能 138

6．1．1 概述 138

6．1．2 树莓派简介 138

6．2 树莓派准备工作 139

6．2．1 安装操作系统 139

6．2．2 配置网络 145

6．2．3 安装VNC Viewer 145

6．2．4 安装TensorFlow 147

6．2．5 安装OpenCV 148

6．2．6 连接摄像头 151

6．2．7 安装tqdm库 154

6．3 基于树莓派的人脸识别案例 155

6．3．1 MTCNN人脸识别模型 155

6．3．2 下载并运行人脸识别程序 157

第7章 Keras案例

7．1 Keras简介 161

7．2 基于Keras的Fashion-MNIST案例 162

7．2．1 Fashion-MNIST数据集简介 162

7．2．2 下载和加载Fashion-MNIST数据集 164

7．2．3 搭建网络 165

人工智能（Artificial Intelligence，AI）最早出现在20世纪50年代，以感知机（第一代神经网络）、专家系统为典型代表。1980—2005年是第二代神经网络的发展时期和统计学习方法的“春天”。深度学习出现于2006年，并于2012年迎来了爆发期。2012年，Hinton课题组为了证明深度学习的潜力，首次参加了ImageNet图像识别比赛，并凭借自己构建的卷积神经网络（CNN）AlexNet一举夺得冠军，该方法在性能上碾压排在第二名的SVM方法。也正是由于这次比赛，CNN引起了众多研究者的注意。CNN可以代替人工提取特征，用于图像分类识别。

深度学习火热发展的重要原因之一就是，人们把提取特征的工作交给了人工神经网络，让“人工智能”更多地代替人工。软件算法的突破伴随着硬件升级，两者共同推动人工智能在各个领域的渗透，形成各种“AI+”领域应用，如AI+家居、AI+零售、AI+交通、AI+诊疗、AI+教育、AI+物流、AI+安防等。

如今，以人工智能为代表的第四次工业革命已经到来，相关的创新应用为人们的工作和生活带来了巨大的便利。与此同时，人工智能应用程序的开发门槛大大降低。谷歌推出的TensorFlow是目前主流的深度学习框架，本书以TensorFlow为切入点，介绍人工智能的基本思想和编程实现。基于TensorFlow灵活的架构，用户可以在多种平台上展开相关计算。从名称即可看出TensorFlow的基本原理：Tensor（张量）代表数组，图像、语音等数据都能用张量的形式表示；Flow（流）代表基于数据流图的计算。TensorFlow的工作过程就是将图像、语音等以张量的形式传输至人工神经网络中进行分析和处理的过程。

本书由周倩负责第1、4、5章的编写，冯高峰负责第2、3、6章的编写，贾连芹负责第7、8章的编写。图书从TensorFlow环境搭建入手，逐步介绍如何用TensorFlow进行线性回归模型、卷积神经网络的搭建、训练和预测，涉及PC、Android移动终端、树莓派等平台。本书内容由浅入深，旨在揭开TensorFlow神秘的面纱，探索人工智能的奥秘。

编 者