TensorFlow2学习指南

《TensorFlow 2学习指南》从TensorFlow 2的基础知识讲起，深入介绍TensorFlow 2在多个 AI细分方向的进阶实战，同时把机器学习算法和框架的使用结合起来，让读者学习框架的同时，还能够更深入地了解算法的原理。内容上尽量避免晦涩数学公式所带来的负担，通俗易懂、案例丰富、实用性强，特别适合TensorFlow 2的入门者和进阶者使用。

本书探讨了TensorFlow2的诸多应用实践，内容涵盖各种热门的应用场景，包括波士顿房价、图像去噪、图像识别、图像风格迁移、文本生成、文本情感分析等。同时深刻剖析了TensorFlow2在每个人工智能细分方向的应用实践，专门为“应用落地”而编写。书中每章聚焦一个具体的技术，提供多个详细的案例，并附有大量的代码和注释，帮助读者快速入门和熟练掌握。本书可作为广大对TensorFlow感兴趣的读者的参考书，也可作为高等院校计算机、人工智能等相关专业的教材。

第一部分TensorFlow2基本内容介绍
第1章TensorFlow2简介
1.1初识TensorFlow生态系统
1.2TensorFlow的安装
1.3内务管理和Eager操作
1.3.1导入TensorFlow
1.3.2TensorFlow的编码风格约定
1.3.3动态图机制
1.3.4声明Eager变量
1.3.5声明TensorFlow常量
1.3.6创建tensor张量
1.3.7张量的秩（维数）
1.3.8指定张量的元素
1.3.9将张量转换为NumPy/Python变量
1.3.10计算张量的大小（元素数）
1.3.11查看张量的数据类型
1.3.12张量元素的基本运算规则
1.3.13广播机制
1.3.14TensorFlow转置和矩阵乘法
1.3.15张量数据类型的转换
1.3.16声明不规则张量
1.4TensorFlow的基本操作
1.4.1计算张量的平方差
1.4.2计算平均值
1.4.3随机初始化张量
1.4.4查找优选和最小元素的索引
1.4.5使用检查点保存和恢复张量值
1.4.6tf.function
1.5小结
第2章TensorFlow2的高级API——Keras
2.1Keras的使用情况及优势
2.2Keras特性
2.3Keras默认配置文件
2.4Keras后端
2.5Keras数据类型
2.6Keras模型
2.6.1Keras序列模型
2.6.2Keras函数式API
2.6.3子类化Keras模型类
2.6.4使用数据管道
2.6.5保存和加载Keras模型
2.6.6Keras数据集
2.7小结
第3章基于TensorFlow2的ANN技术
3.1获取数据集
3.1.1从NumPy数组获取数据
3.1.2从CSV文件获取数据
3.1.3使用TFRecords存取数据
3.1.4使用独热编码处理数据
3.2ANN层
3.2.1全连接层
3.2.2卷积层
3.2.3优选池化层
3.2.4批标准化层和Dropout层
3.2.5Softmax层
3.3激活函数
3.4创建模型
3.5梯度计算
3.6损失函数
3.7小结
第二部分TensorFlow2中的有监督和无监督学习
第4章基于TensorFlow2的有监督学习
4.1有监督学习
4.2线性回归
4.3第一个线性回归示例
4.4波士顿房价数据集
4.5逻辑回归（分类）
4.6k最近邻（KNN）
4.7小结
第5章基于TensorFlow2的无监督学习
5.1自动编码器
5.2一个简单的自动编码器
5.2.1数据预处理
5.2.2训练
5.2.3结果显示
5.3自动编码器的应用——去噪
5.3.1设置
5.3.2数据预处理
5.3.3带噪声的图像
5.3.4创建编码层
5.3.5创建解码层
5.3.6模型概要
5.3.7模型实例化、编译和训练
5.3.8图像去噪
5.3.9TensorBoard输出
5.4小结
第三部分TensorFlow2的神经网络应用
第6章基于TensorFlow2的图像识别
6.1基于TensorFlow的QuickDraw图像分类
6.1.1数据获取
6.1.2设置环境
6.1.3数据预处理
6.1.4模型创建
6.1.5模型训练和测试
6.1.6TensorBoard回调函数
6.1.7模型保存、加载和重新测试
6.1.8用.h5格式保存和加载NumPy图像数据
6.1.9预训练模型的加载和使用
6.2基于TensorFlow的CIFAR10图像分类
6.2.1简介
6.2.2应用
6.3小结
第7章基于TensorFlow2的图像风格迁移
7.1导入配置
7.2图像预处理
7.3查看原始图像
7.4使用VGG19架构
7.5创建模型
7.6计算损失
7.7执行风格迁移
7.8最终展示
7.9小结
第8章基于TensorFlow2的循环神经网络
8.1神经网络处理模式
8.2循环结构
8.3RNN的应用
8.4RNN代码示例
8.5模型构建与实例化
8.6模型训练与使用
8.7小结
第9章TensorFlow Estimators和TensorFlow Hub
9.1TensorFlow Estimators
9.2TensorFlow Hub
9.2.1IMDB（电影评论数据库）
9.2.2数据集
9.2.3代码
9.3小结
附录从tf1.12转换为tf2