TensorFlow是谷歌公司开发的一款开源的人工智能应用框架，用于帮助研究者研究和部署深度神经网络，并为研究者提供一个加速深度学习的平台，到目前为止，TensorFlow已经成为世界上应用最广泛的机器学习平台。本书从人工智能的基础讲起，深入到人工智能的框架原理、模型构建、源代码分析等各方面内容。全书分为基础篇和实战篇两部分，共11章。基础篇部分包括第1章到第4章，讲解人工智能的入门知识，包括人工智能的概述、Python编程语言的基本知识点、TensorFlow的基础知识点和运行方式，这4章是后续章节学习和实践的基础。实战篇部分包括第5章到第11章，讲解如何用TensorFlow完成MNIST机器学习、卷积神经网络、字词嵌入、递归神经网络、Mandelbrot集合、偏微分方程模拟仿真和人脸识别的应用实战。 本书深入浅出，原理与案例相结合，涵盖了TensorFlow的主要内容，非常适合对人工智能和TensorFlow感兴趣的零基础初学者阅读学习。

基础篇
第1章 绪论
1.1 人工智能简介
1.1.1 人工智能的概念
1.1.2 现代人工智能的兴起
1.1.3 人工智能的学术流派
1.2 人工智能的发展历史
1.2.1 孕育期(1956年之前)
1.2.2 形成期(1956～1969年)
1.2.3 发展期(1970年之后)
1.3 人工智能技术的研究内容与应用领域
1.3.1 神经网络
1.3.2 机器学习
1.3.3 模式识别
1.3.4 自然语言理解
1.3.5 专家系统
1.3.6 博弈
1.3.7 智能控制
1.3.8 其他
1.4 人工智能与TensorFlow
1.4.1 机器学习与深度学习
1.4.2 TensorFlow概念
1.4.3 Tens01.Flow的应用
第2章 Python基础应用
2.1 引言
2.2 Pyttlon的安装
2.3 数据类型与数据结构
2.4 数字
2.5 变量及其命名规则
2.6 语句和表达式
2.7 字符串
2.8 容器
2.8.1 列表
2.8.2 元组
2.8.3 字典
2.8.4 复制
2.9 函数
2.9.1 常用内置函数及高阶函数
2.9.2 用户自定义函数
2.10 常用库
2.10.1 时间库
2.10.2 科学计算库(NumPy)
2.10.3 可视化绘图库(Matplotlib)
2.10.4 锁与线程
2.10.5 多线程编程
第3章 TensorFlow基础
3.1 TensorFIow的架构
3.2 TensorFlow的开发环境搭建
3.3 数据流图简介
3.3.1 数据流图基础
3.3.2 节点的依赖关系
3.4 TerisorFlow中定义数据流图
3.4.1 构建一个TensorFlow数据流图
3.4.2 张量思维
3.4.3 张量的形状
3.4.4 TensorFlow的Op
3.4.5 TensorFlow的Graph对象
3.4.6 TensorFlow的Session
3.4.7 输入与占位符
3.4.8 Variable对象
3.5 通过名称作用域组织数据流图
3.6 构建数据流图
3.7 运行数据流图
第4章 TensorFIow运作方式
4.1 数据的准备和下载
4.2 图表构建与推理
4.2.1 图表构建
4.2.2 推理
4.3 损失与训练
4.3.1 损失
4.3.2 训练
4.4 状态检查与可视化
4.4.1 状态检查
4.4.2 状态可视化
4.5 评估模型
4.6 评估图表的构建与输出
4.6.1 评估图表的构建
4.6.2 评估图表的输出

实战篇
第5章 MNIST机器学习
5.1 MNlST数据集简介
5.2 MNIST数据下载
5.2.1 数据的准备
5.2.2 数据重构
5.2.3 数据集对象
5.3 SOffrTlax回归模型简介
5.4 模型的训I练与评估
5.5 TerlSOI.FlOW模型基本步骤
5.6 构建Softmax回归模型
第6章 卷积神经网络
6.1 卷积神经网络
6.2 卷积神经网络的模型架构
6.2.1ImageNet.20 10网络结构
6.2.2 DeepID网络结构
6.3 卷积运算
6.3.1 输入和卷积核
6.3.2 降维
6.3.3 填充
6.3.4 数据格式
6.4 卷积常见层
6.4.1 卷积层
6.4.2 池化层
6.4.3 归一化
6.4.4 高级层
6.5 TerlSOr.FIOW和图像
6.5.1 图像加载
6.5.2 图像格式
6.5.3 图像操作
6.5.4 颜色空间变换
6.6 模型训练
6.7 模型评估
6.8 多GPU的模型训I练
第7章 字词的向量表示
7.1 WordEmbedding的基本概念和知识
7.2 SkiD—Gram模型
7.2.1 数据集的准备
7.2.2 模型结构
7.2.3 处理噪声对比
7.2.4 模型训练
7.3 嵌套学习可视化与评估
7.4 优化实现
第8章 递归神经网络
8.1 递归神经网络的架构
8.2 PTB数据
8.3 模型及LSTM
8.3.1 LsTM的概念
8.3.2 LsTM的结构
8.3.3 LSTM的控制门
8.4 反向传播的截断
8.5 输入与损失函数
8.6 多个LSTM层堆叠
8.7 代码的编译与运行
第9章 Mandelbrot集合
9.1 库的导入
9.2 会话和变量初始化
9.3 定义并运行计算
第10章 偏微分方程模拟仿真
10.1 计算函数的定义
10.2 偏微分方程的定义
10.3 仿真
第11章 人脸识别
11.1 人脸识别概念
11.2 人脸识别的流程
11.2.1 人脸图像的采集
11.2.2 人脸图像的检测
11.2.3 人脸图像的预处理
11.2.4 人脸图像的特征提取
11.2.5 人脸图像的匹配与识别
11.2.6 活体鉴别
11.3 人脸识别种类
11.3.1 人脸检测
11.3.2 人脸关键点检测
11.3.3 人脸验证
11.4 人脸检测
11.4.1 LFw数据集
11.4.2 数据预处理与检测
11.5 性别和年龄识别
11.5.1 数据预处理
11.5.2 模型构建
11.5.3 模型训练
11.5.4 模型验证