随着深度学习理论的不断发展以及TensorFlow的广泛应用，基于深度学习的信号分析模型在不同领域产生了深远的影响。本书为TensorFlow 2的使用指南，从软件安装、数据下载、文件管理等方面入手为初级开发者提供细致而全面的介绍。在此基础上，本书系统地介绍了TensorFlow 2在人工神经网络实战项目中的应用，全面覆盖了各种深度学习架构，内容涉及：入门级的二分类模型、回归模型等；进阶级的文本生成模型、图像生成模型、机器翻译模型、时序预测模型等；以及最新的Transformer模型等。在每个项目中，本书完整地展示了模型设计、网络搭建、模型训练、模型保存、结果预测与显示的全过程，并提供了详细的实现代码。本书将深度学习理论与实际项目结合，为初学者搭建了进入人工智能领域的学习平台，为深度学习算法开发者提供了较为全面的应用范例，充分满足了不同群体的学习需求。

P.萨朗，Poornachandra Sarang博士在IT行业的职业生涯始于20世纪80年代，在这段漫长的职业生涯中，他广泛研究了各种技术。他曾在圣母大学和孟买大学教授计算机科学与工程。他曾是计算机科学学科的博士生导师，目前是计算机工程学科博士学位论文咨询委员会成员。他目前的研究兴趣是机器/深度学习，发表了多篇期刊文章，并在多个会议上发表过演讲。

第1章 TensorFlow快速入门
1.1 什么是TensorFlow 2.0
1.1.1 TensorFlow 2.x平台
1.1.2 训练
1.1.3 模型保存
1.1.4 部署
1.2 TensorFlow 2.x提供什么
1.2.1 TensorFlow中的tf.keras
1.2.2 Eager执行
1.2.3 分布式计算
1.2.4 TensorBoard
1.2.5 视觉套件（Vision Kit）
1.2.6 语音套件（Voice Kit）
1.2.7 边缘套件（Edge TPU）
1.2.8 AIY套件的预训练模型
1.2.9 数据管道
1.3 安装
1.3.1 安装步骤
1.3.2 Docker安装
1.3.3 无安装
1.4 测试
总结
第2章 深入研究TensorFlow
2.1 一个简单的机器学习应用程序
2.1.1 创建Colab笔记本
2.1.2 导入
2.1.3 创建数据
2.1.4 定义神经网络
2.1.5 编译模型
2.1.6 训练网络
2.1.7 检查训练结果
2.1.8 预测
2.1.9 完整源码
2.2 使用TensorFlow解决二分类问题
2.2.1 创建项目
2.2.2 导入
2.2.3 挂载Google云盘
2.2.4 加载数据
2.2.5 数据处理
2.2.6 定义ANN
2.2.7 模型训练
2.2.8 完整源码
总结
第3章 深入了解tf.keras
3.1 开始
3.2 用于模型构建的函数式API
3.2.1 序列化模型
3.2.2 模型子类
3.2.3 预定义层
3.2.4 自定义层
3.3 保存模型
3.4 卷积神经网络
3.5 使用CNN做图像分类
3.5.1 创建项目
3.5.2 图像数据
3.5.3 加载数据
3.5.4 创建训练、测试数据集
3.5.5 准备模型训练数据
3.5.6 模型开发
3.5.7 定义模型
3.5.8 保存模型
3.5.9 预测未知图像
总结
第4章 迁移学习
4.1 知识迁移
4.2 TensorFlow Hub
4.2.1 预训练模型
4.2.2 模型的使用
4.3 ImageNet分类器
4.3.1 创建项目
4.3.2 分类器URL
4.3.3 创建模型
4.3.4 准备图像
4.3.5 加载标签映射
4.3.6 显示预测结果
4.3.7 列出所有类别
4.3.8 结果讨论
4.4 犬种分类器
4.4.1 项目简介
4.4.2 创建项目
4.4.3 加载数据
4.4.4 设置图像和标签
4.4.5 图像预处理
4.4.6 处理图像
4.4.7 关联图像与标签
4.4.8 创建数据批次
4.4.9 显示图像函数
4.4.10 选择预训练模型
4.4.11 定义模型
4.4.12 创建数据集
4.4.13 设置TensorBoard
4.4.14 训练模型
4.4.15 训练日志
4.4.16 验证模型性能
4.4.17 预测测试图像
4.4.18 可视化测试结果
4.4.19 预测未知图像
4.4.20 使用小数据集训练
4.4.21 保存、加载模型
4.5 提交你的工作
4.6 进一步工作
总结
第5章 使用神经网络处理回归问题
5.1 回归
5.1.1 定义
5.1.2 应用
5.1.3 回归问题
5.1.4 回归问题的类型
5.2 神经网络中的回归问题
5.2.1 创建项目
5.2.2 提取特征和标签
5.2.3 定义、训练模型
5.2.4 预测
5.3 分析葡萄酒质量
5.3.1 创建项目
5.3.2 数据准备
5.3.3 下载数据
5.3.4 准备数据集
5.3.5 创建数据集
5.3.6 数据归一化
5.3.7 创建模型
5.3.8 可视化评价函数
5.3.9 小模型
5.3.10 中模型
5.3.11 大模型
5.3.12 解决过拟合
5.3.13 结果讨论
5.4 损失函数
5.4.1 均方误差
5.4.2 平均绝对误差
5.4.3 Huber损失
5.4.4 Log Cosh损失
5.4.5 分位数损失
5.5 优化器
总结
第6章 Estimators（估算器）
6.1 Estimators概述
6.1.1 API接口
6.1.2 Estimators的优点
6.1.3 Estimators的类型
6.1.4 基于Estimators的项目开发流程
6.2 设置Estimators
6.3 用于分类的DNN分类器
6.3.1 加载数据
6.3.2 准备数据
6.3.3 Estimators输入函数
6.3.4 创建Estimators实例
6.3.5 模型训练
6.3.6 模型评价
6.3.7 预测未知数据
6.3.8 实验不同的ANN结构
6.3.9 项目源码
6.4 用于回归的LinearRegressor
6.4.1 项目描述
6.4.2 创建项目
6.4.3 加载数据
6.4.4 特征选择
6.4.5 数据清洗
6.4.6 创建数据集
6.4.7 建立特征列
6.4.8 定义输入函数
6.4.9 创建Estimators实例对象
6.4.10 模型训练
6.4.11 模型评估
6.4.12 项目源码
6.5 自定义Estimators
6.5.1 创建项目
6.5.2 加载数据
6.5.3 创建数据集
6.5.4 定义模型
6.5.5 定义输入函数
6.5.6 将模型转换为Estimator
6.5.7 模型训练