第1章　探索和轉換數據 1
1.1　TensorFlow的主要數據結構—
張量 1
1.1.1　張量的屬性—階、形狀和
類型 1
1.1.2　創建新的張量 3
1.1.3　動手工作—與TensorFlow
交互 4
1.2　處理計算工作流—TensorFlow
的數據流圖 5
1.2.1　建立計算圖 5
1.2.2　數據供給 6
1.2.3　變量 6
1.2.4　保存數據流圖 6
1.3　運行我們的程序—會話 8
1.4　基本張量方法 8
1.4.1　簡單矩陣運算 8
1.4.2　序列 11
1.4.3　張量形狀變換 12
1.4.4　數據流結構和結果可視化—
TensorBoard 14
1.5　從磁盤讀取信息 18
1.5.1　列錶格式—CSV 18
1.5.2　讀取圖像數據 19
1.5.3　加載和處理圖像 20
1.5.4　讀取標準TensorFlow格式 21
1.6　小結 21
第2章　聚類 22
2.1　從數據中學習—無監督學習 22
2.2　聚類的概念 22
2.3　k均值 23
2.3.1　k均值的機製 23
2.3.2　算法迭代判據 23
2.3.3　k均值算法拆解 24
2.3.4　k均值的優缺點 25
2.4　k最近鄰 25
2.4.1　k最近鄰算法的機製 26
2.4.2　k-nn的優點和缺點 26
2.5　有用的庫和使用示例 27
2.5.1　matplotlib繪圖庫 27
2.5.2　scikit-learn數據集模塊 28
2.5.3　人工數據集類型 28
2.6　例1—對人工數據集的k均值
聚類 29
2.6.1　數據集描述和加載 29
2.6.2　模型架構 30
2.6.3　損失函數描述和優化循環 31
2.6.4　停止條件 31
2.6.5　結果描述 31
2.6.6　每次迭代中的質心變化 32
2.6.7　完整源代碼 32
2.6.8　k均值用於環狀數據集 34
2.7　例2—對人工數據集使用最近
鄰算法 36
2.7.1　數據集生成 36
2.7.2　模型結構 36
2.7.3　損失函數描述 37
2.7.4　停止條件 37
2.7.5　結果描述 37
2.7.6　完整源代碼 37
2.8　小結 39
第3章　綫性迴歸 40
3.1　單變量綫性模型方程 40
3.2　選擇損失函數 41
3.3　最小化損失函數 42
3.3.1　最小方差的全局最小值 42
3.3.2　迭代方法：梯度下降 42
3.4　示例部分 43
3.4.1　TensorFlow中的優化方法—
訓練模塊 43
3.4.2　tf.train.Optimizer類 43
3.4.3　其他Optimizer實例類型 44
3.5　例1—單變量綫性迴歸 44
3.5.1　數據集描述 45
3.5.2　模型結構 45
3.5.3　損失函數描述和Optimizer 46
3.5.4　停止條件 48
3.5.5　結果描述 48
3.5.6　完整源代碼 49
3.6　例2—多變量綫性迴歸 51
3.6.1　有用的庫和方法 51
3.6.2　Pandas庫 51
3.6.3　數據集描述 51
3.6.4　模型結構 53
3.6.5　損失函數和Optimizer 54
3.6.6　停止條件 55
3.6.7　結果描述 55
3.6.8　完整源代碼 56
3.7　小結 57
第4章　邏輯迴歸 58
4.1　問題描述 58
4.2　Logistic函數的逆函數—Logit
函數 59
4.2.1　伯努利分布 59
4.2.2　聯係函數 60
4.2.3　Logit函數 60
4.2.4　對數幾率函數的逆函數—
Logistic函數 60
4.2.5　多類分類應用—Softmax
迴歸 62
4.3　例1—單變量邏輯迴歸 64
4.3.1　有用的庫和方法 64
4.3.2　數據集描述和加載 65
4.3.3　模型結構 67
4.3.4　損失函數描述和優化器
循環 67
4.3.5　停止條件 68
4.3.6　結果描述 68
4.3.7　完整源代碼 69
4.3.8　圖像化錶示 71
4.4　例2—基於skflow單變量邏輯
迴歸 72
4.4.1　有用的庫和方法 72
4.4.2　數據集描述 72
4.4.3　模型結構 72
4.4.4　結果描述 73
4.4.5　完整源代碼 74
4.5　小結 74
第5章　簡單的前嚮神經網絡 75
5.1　基本概念 75
5.1.1　人工神經元 75
5.1.2　神經網絡層 76
5.1.3　有用的庫和方法 78
5.2　例1—非綫性模擬數據
迴歸 79
5.2.1　數據集描述和加載 79
5.2.2　數據集預處理 80
5.2.3　模型結構—損失函數
描述 80
5.2.4　損失函數優化器 80
5.2.5　準確度和收斂測試 80
5.2.6　完整源代碼 80
5.2.7　結果描述 81
5.3　例2—通過非綫性迴歸，對
汽車燃料效率建模 82
5.3.1　數據集描述和加載 82
5.3.2　數據預處理 83
5.3.3　模型架構 83
5.3.4　準確度測試 84
5.3.5　結果描述 84
5.3.6　完整源代碼 84
5.4　例3—多類分類：葡萄酒
分類 86
5.4.1　數據集描述和
加載 86
5.4.2　數據集預處理 86
5.4.3　模型架構 87
5.4.4　損失函數描述 87
5.4.5　損失函數優化器 87
5.4.6　收斂性測試 88
5.4.7　結果描述 88
5.4.8　完整源代碼 88
5.5　小結 89
第6章　捲積神經網絡 90
6.1　捲積神經網絡的起源 90
6.1.1　捲積初探 90
6.1.2　降采樣操作—池化 95
6.1.3　提高效率—dropout
操作 98
6.1.4　捲積類型層構建辦法 99
6.2　例1—MNIST數字分類 100
6.2.1　數據集描述和加載 100
6.2.2　數據預處理 102
6.2.3　模型結構 102
6.2.4　損失函數描述 103
6.2.5　損失函數優化器 103
6.2.6　準確性測試 103
6.2.7　結果描述 103
6.2.8　完整源代碼 104
6.3　例2—CIFAR10數據集的圖像
分類 106
6.3.1　數據集描述和加載 107
6.3.2　數據集預處理 107
6.3.3　模型結構 108
6.3.4　損失函數描述和
優化器 108
6.3.5　訓練和準確性測試 108
6.3.6　結果描述 108
6.3.7　完整源代碼 109
6.4　小結 110
第7章　循環神經網絡和LSTM 111
7.1　循環神經網絡 111
7.1.1　梯度爆炸和梯度消失 112
7.1.2　LSTM神經網絡 112
7.1.3　其他RNN結構 116
7.1.4　TensorFlow LSTM有用的類和
方法 116
7.2　例1—能量消耗、單變量時間序
列數據預測 117
7.2.1　數據集描述和加載 117
7.2.2　數據預處理 118
7.2.3　模型結構 119
7.2.4　損失函數描述 121
7.2.5　收斂檢測 121
7.2.6　結果描述 122
7.2.7　完整源代碼 122
7.3　例2—創作巴赫風格的
麯目 125
7.3.1　字符級模型 125
7.3.2　字符串序列和概率錶示 126
7.3.3　使用字符對音樂編碼—
ABC音樂格式 126
7.3.4　有用的庫和方法 128
7.3.5　數據集描述和加載 129
7.3.6　網絡訓練 129
7.3.7　數據集預處理 130
7.3.8　損失函數描述 131
7.3.9　停止條件 131
7.3.10　結果描述 131
7.3.11　完整源代碼 132
7.4　小結 137
第8章　深度神經網絡 138
8.1　深度神經網絡的定義 138
8.2　深度網絡結構的曆史變遷 138
8.2.1　LeNet 5 138
8.2.2　Alexnet 139
8.2.3　VGG模型 139
8.2.4　第一代Inception模型 140
8.2.5　第二代Inception模型 141
8.2.6　第三代Inception模型 141
8.2.7　殘差網絡（ResNet） 142
8.2.8　其他的深度神經網絡
結構 143
8.3　例子—VGG藝術風格轉移 143
8.3.1　有用的庫和方法 143
8.3.2　數據集描述和加載 143
8.3.3　數據集預處理 144
8.3.4　模型結構 144
8.3.5　損失函數 144
8.3.6　收斂性測試 145
8.3.7　程序執行 145
8.3.8　完整源代碼 146
8.4　小結 153
第9章　規模化運行模型—GPU和
服務 154
9.1　TensorFlow中的GPU支持 154
9.2　打印可用資源和設備參數 155
9.2.1　計算能力查詢 155
9.2.2　選擇CPU用於計算 156
9.2.3　設備名稱 156
9.3　例1—將一個操作指派給
GPU 156
9.4　例2—並行計算Pi的數值 157
9.4.1　實現方法 158
9.4.2　源代碼 158
9.5　分布式TensorFlow 159
9.5.1　分布式計算組件 159
9.5.2　創建TensorFlow集群 160
9.5.3　集群操作—發送計算方法
到任務 161
9.5.4　分布式編碼結構示例 162
9.6　例3—分布式Pi計算 163
9.6.1　服務器端腳本 163
9.6.2　客戶端腳本 164
9.7　例4—在集群上運行分布式
模型 165
9.8　小結 168
第10章　庫的安裝和其他技巧 169
10.1　Linux安裝 169
10.1.1　安裝要求 170
10.1.2　Ubuntu安裝準備（安裝操作的
前期操作） 170
10.1.3　Linux下通過pip安裝
TensorFlow 170
10.1.4　Linux下從源碼安裝
TensorFlow 175
10.2　Windows安裝 179
10.2.1　經典的Docker工具箱
方法 180
10.2.2　安裝步驟 180
10.3　MacOS X安裝 183
10.4　小結 185
· · · · · · (收起)