本書是一本閱讀起來特別輕松、學習一點都不費勁的TensorFlow入門書。本書基于TensorFlow 2.0版本，從機器學習和TensorFlow的基礎開始，針對初學者只選擇實際應用中的必需最小知識量，對前饋神經網絡、卷積神經網絡、循環神經網絡、深度強化學習進行了淺顯易懂且快速有效的闡述，其中包括了很多具體的TensorFlow示例，最后一章的項目實戰能夠教會初學者使用深度學習解決實際問題，從而進入人工智能這一前沿的熱門領域。本書適合初學TensorFlow，并且深度學習的理論和實踐基礎較為薄弱的讀者群體，也適合希望了解深度學習的大數據平臺工程師，以及對人智能、深度學習感興趣的計算機相關從業人員及在校學生等閱讀，特別適合作為高等院校計算機或人工智能專業師生的參考教材。
侯倫青，軟件工程碩士，目前從事人機對話相關的工作。熱衷于自然語言處理、機器學習以及深度強化學習相關的研究。王飛，深圳大學碩士，TensorflowNews 和PytorchChina 社區創始人。目前從事自然語言處理相關的基礎算法研究，主要是中文分詞，文本分類，數據挖掘。鄧昕，深圳大學計算機碩士，“磐創科技”創始人，主攻深度學習與自然語言處理方向。史周安，軟件工程碩士，人工智能技術愛好者、實踐者與探索者。目前從事弱監督學習、遷移學習與醫學圖像相關工作。
第 1 章 機器學習基礎 / 1
1.1 人工智能：是機遇也是挑戰 / 2
1.2 機器學習 / 2
1.2.1 什么是機器學習 / 2
1.2.2 用機器學習解決問題的一般流程 / 4
1.2.3 數據預處理 / 6
1.2.4 特征工程 / 7
1.2.5 模型的評估和選擇 / 10
1.3 深度學習的發展歷程及應用 / 16
1.3.1 深度學習的發展歷程 / 16
1.3.2 深度學習的應用 / 18
1.4 本章練習 / 20
第 2 章 TensorFlow 基礎 / 21
2.1 TensorFlow 2.0 簡介 / 22
2.1.1 TensorFlow 的基本概念 / 22
2.1.2 從 1.x 到 2.0 的變化 / 25
2.1.3 TensorFlow 2.0 的架構 / 26
2.2 TensorFlow 2.0 的安裝 / 27
2.3 TensorFlow 2.0 的使用 / 33
2.3.1 “tf.data”API / 33
2.3.2 “tf.keras”API / 40
2.4 使用 GPU 加速 / 47
2.4.1 安裝配置 GPU 環境 / 47
2.4.2 使用 TensorFlow-GPU / 53
2.5 本章小結 / 55
第 3 章 前饋神經網絡 / 56
3.1 神經網絡 / 57
3.1.1 感知器模型 / 57
3.1.2 多層神經網絡 / 58
3.2 激活函數 / 61
3.2.1 Logistic 函數 / 61
3.2.2 Tanh 函數 / 61
3.2.3 ReLU 函數 / 62
3.3 損失函數和輸出單元 / 63
3.3.1 損失函數的選擇 / 63
3.3.2 輸出單元的選擇 / 64
3.4 小試牛刀：MNIST 手寫數字識別 / 65
3.4.1 MNIST 數據集 / 66
3.4.2 數據處理 / 67
3.4.3 簡單前饋神經網絡的實現 / 70
3.5 本章小結 / 72
3.6 本章練習 / 72
第 4 章 卷積神經網絡 / 73
4.1 卷積神經網絡的基本特征與
基本結構 / 74
4.2 卷積層 / 76
4.2.1 什么是卷積 / 76
4.2.2 滑動步長和零填充 / 79
4.2.3 卷積層的基本結構 / 81
4.3 池化層 / 83
4.4 小試牛刀： CNN 實現圖像分類 / 84
4.5 本章小結 / 92
4.6 本章練習 / 92
第 5 章 循環神經網絡 / 93
5.1 簡單循環神經網絡 / 94
5.1.1 循環神經網絡的基本
結構 / 95
5.1.2 循環神經網絡的運算過程和
參數更新 / 96
5.2 常用循環神經網絡 / 100
5.2.1 多層循環神經網絡 / 101
5.2.2 雙向循環神經網絡 / 101
5.2.3 TensorFlow 實現循環神經
網絡 / 102
5.3 長期依賴問題及其優化 / 107
5.4 門控循環神經網絡 / 110
5.4.1 長短期記憶網絡 / 110
5.4.2 門控循環單元 / 114
5.4.3 TensorFlow 實現 LSTM 和
GRU / 115
5.5 循環神經網絡的應用 / 116
5.5.1 文本分類 / 116
5.5.2 序列標注 / 117
5.5.3 機器翻譯 / 118
5.6 注意力模型 / 119
5.7 本章小結 / 121
5.8 本章練習 / 121
第 6 章 深度強化學習 / 122
6.1 從 AlphaGo 看深度強化學習 / 123
6.2 強化學習基礎知識 / 126
6.2.1 強化學習問題 / 126
6.2.2 馬爾可夫決策過程 / 128
6.2.3 最優價值函數和貝爾曼
方程 / 130
6.3 有模型的強化學習方法 / 131
6.3.1 價值迭代 / 132
6.3.2 策略迭代 / 132
6.4 無模型的強化學習方法 / 133
6.4.1 蒙特卡羅方法 / 133
6.4.2 時序差分學習 / 136
6.4.3 值函數近似 / 139
6.4.4 策略搜索 / 139
6.5 強化學習算法 / 141
6.5.1 Q-Learning 算法 / 141
6.5.2 Monte Carlo Policy Gradient
算法 / 146
6.5.3 Actor-Critic 算法 / 150
6.6 深度強化學習算法 / 154
6.6.1 Deep Q-Networks（DQN） / 154
6.6.2 Deep Deterministic Policy
Gradient（DDPG） / 156
6.7 本章小結 / 157
6.8 本章練習 / 157
第 7 章 項目實戰 / 158
7.1 CNN 實戰項目一：Chars74K / 158
7.2 CNN 實戰項目二：CIFAR-10 / 166
7.3 RNN實戰項目一：新聞文本分類 / 174
7.4 RNN 實戰項目二：聊天機器人 / 180
7.5 DRL 實戰項目：DQN / 189
新書資訊