内容简介
这是一本能指导读者快速掌握TensorFlow和深度学习的著作，从TensorFlow的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。
第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为TenSorFlow领域的标准著作。第2版在第1版的基础上，去芜存菁，与时具进，根据TensorFlow新版本全面升级，技术性、实战性、针对性、易读性均得到了进一步提升，必定能帮助读者更轻松、更高效地进入深度学习的世界。
全书一共20章，在结构上分为三大部分：
第1部分（第1~5章） TensorFlow基础
首先有针对性地讲解了Python和TensorFlow的基石Numpy中的关键知识，然后详细讲解了TensorFlow的基础知识、建模方法、数据处理、可视化等内容，帮助读者快速了解和掌握TensorFlow。
第二部分（第6~12章） 深度学习基础
依次讲解了机器学习、神经网络、视觉处理、自然语言处理、注意力机制、目标检测、生成式深度学习等深度学习核心技术的原理和使用。
第三部分（第13~18章） 深度学习实践
通过6个综合实例，详细讲解了TensorFlow在生成模型、目标检测、人脸识别、文本检测与识别以及Transformer架构在图像处理和自然语言处理等方面的应用。
第四部分（第19-20章） 强化学习
重点介绍了强化学习基础理论、常用算法及相关实例。
更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容安排上，由点到面、由易到难，找准突破口；写作方式上，采用了图形化的表达，一图胜千言。
根据TensorFlow新版本升级，技术性、实战性、针对性、易读性进一步提升
从TensorFlow原理到应用，从深度学习到强化学习，零基础系统掌握TensorFlow深度学习
计算机/人工智能/机器学习
Python是目前人工智能领域普遍使用的基础性技术和工具，TensorFlow是当下主流的深度学习框架，本书第1版出版后，在短时间内受到大量关注，销量和口碑齐升，延续至今。很多读者来信，希望我们能根据TensorFlow和深度学习的最新发展，对这本书的内容进行更新，于是有了第2版。
第2版在第1版的基础上做了很多更新和补充，比如：
1. 全面升级
第2版的相关理论及实践都是基于TensorFlow 2+版本。
新增动态图、静态图及各自的应用场景等内容。
新增如何将TensorFlow 1版本程序升级到TensorFlow 2版本程序的内容。
删除了数学、Theano 相关的知识，内容更聚焦。
2. 进一步夯实基础
补充完善自动微分理论及实例。
补充完善优化算法理论。
新增神经网络有关理论及实例。
3. 增强动手能力
新增使用TensorFlow编程的3种境界。
新增使用tf.keras编程的3种模式。
增强了项目的实战性，如添加很多优化方法、保存模型、恢复或迁移模型等内容。
4. 新增前沿架构
新增注意力机制理论及实例。
新增目标检测理论及实例。
新增生成式模型的理论和实例。
第2版技术更新、内容更系统、知识点更聚焦、实战性更强。
如果把本书比作一叶小舟，那大量的图片就是它的帆，详细代码就是它的桨，而循序渐进的描述方式犹如它的船头，所有这些将帮助驾驶这片小舟的读者更快抵达深度学习的彼岸。
吴茂贵 王冬 李涛 杨本法 张利 著：作者简介
吴茂贵
资深大数据和人工智能技术专家，就职于中国外汇交易中心，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch、Keras等的机器学习和深度学习方面有大量的工程实践实践。著有《Python深度学习：基于PyTorch》《深度实践Spark机器学习》等畅销书。
王冬
任职于博世（中国）投资有限公司，负责Bosch企业BI及工业4.0相关大数据和数据挖掘项目。对机器学习、人工智能有多年实践经验。
李涛
资深AI技术工程师，对PyTorch、Caffe、TensorFlow等深度学习框架以及计算机视觉技术有深刻的理解和丰富的实践经验，曾经参与和主导过服务机器人、无人售后店、搜索排序等多个人工智能相关的项目。
杨本法
高级算法工程师，工业表面缺陷检测设备开发架构师，在机器学习、文本挖掘、可视化等领域有多年实践经验。做过大型电商的推荐系统，知名手机厂商外壳表面检测设备。熟悉Hadoop、Spark生态圈的相关技术，对Python有丰富的实战经验。
张利
高级软件架构师，熟悉企业系统架构、云计算以及物联网应用。有丰富的Java、 Python系统开发和运维经验，机器学习倡导者和实践者。
《Python深度学习：基于TensorFlow（第2版）》目录
吴茂贵 王冬 李涛 杨本法 张利 著
本书环境为：
Python3.6+
TensorFlow 2+
Linux、Mac或Windows
第一部分 TensorFlow基础
第1章 NumPy基础
1.1生成NumPy数组
1.2存取元素
1.3矩阵操作
1.4 NumPy的算术运算
1.5数据变形
1.6通用函数
1.7 广播机制
1.8 用NumPy实现回归实例
1.9小结
1.10 练习
第2章 TensorFlow基础
2.1安装配置
2.2 张量
包括张量类型、张量创建、张量应用、张量维度变化、张量广播机制
2.3 变量
2.4 即刻执行(eager execution)
2.5 动态图(AutoGraph)
2.6 自动微分
2.7 模块和层
包括tf.Embedding+
2.8 保存及恢复模型
2.9 GPU加速
2.10 tf.tensor与NumPy比较
两者的区别及互相转换等
2.11 TensorFlow2实现回归实例
数据集与1.8一样，对比两种方法的优缺点。
2.12TensorFlow2实现分类实例
为后续使用tf.data，数据增强、数据迁移、生成式对抗网络等优化做准备。
2.13小结
2.14 练习
第3章 TensorFlow构建训练模型几种方法
3.1自定义模型及训练方法
3.2继承 tf.Module构建模型
3.3使用AutoGraph提升模型性能
使用AutoGraph的规则，使用@tf.function构建模型的三种方法、为何只需要输出形状？
3.4 小结
3.5 练习
第4章 TensorFlow数据处理
4.1 tf.data简介
4.2 tf.data 处理结构化数据
4.3 tf.data 处理图像数据
4.4 tf.data 处理文本数据
4.5 tf.data 处理二进制数据
4.6 tf.data 处理TFRecord数据
4.7 tf.hub下载数据
4.8 tf.data 数据增强方法
4.9 tf.transform
4.10 优化流水线性能
4.11 数据处理+模型实现
4.12 练习
第5章 可视化
5.1 matplotlib简介
5.2 Pychart简介
5.3 Summary简介
5.4 Tensorboard简介
5.5BertViz简介
5.6练习
第6章 tf.keras基础
6.1 使用tf.keras概述
6.2 使用Sequential方式构建模型
6.3 使用函数方式构建模型
6.4 通过子类化构建层和模型
6.5 保持和加载Keras模型
6.6 小结
6.7 练习
第二部分 深度学习基础
第7章 机器学习基础
7.1 机器学习一本步骤
7.2 机器学习常用方法
7.3 特征工程
7.4 评估方法
7.5 sklearn机器学习平台scikit-learn
7.6 使用sklearn实现一个机器学习过程的完整实例
7.7 练习
第8章 深度学习基础
8.1深度学习简介
8.2加深网络深度常用方法
8.3 加深网络的挑战与策略
策略包括正则化、初始化、截取
8.4 神经网络的优化算法
SGD、解决SGD 更新幅度摆动大动量算法、解决学习率固定问题的自适应优化算法等
8.5 定义损失函数
内置损失函数、自定义损失函数、分类、回归、生成式网络等
8.6 练习
第9章 神经网络基础
9.1 单层神经网络
架构简介、正向传播、反向传播、简单实例、单层网络的不足（无法解决线性不可分）
9.2 多层神经网络
多层神经网络的架构，多层网络能解决线性不可分、多层全连接层的不足（无法共享参数）
9.3 优化多层神经网络的几种方法
初始化、通过正则化改善过拟合情况、通过增大数据集改善过拟合、通过dropout改善过拟合情况、通过实例进行说明
9.4 加深神经网络的必要性与局限性
9.5 练习
第10章 卷积神经网络
10.1 卷积神经网络概述
全连接层网络的参数不共享，几何级数增长，还需要把数据展平，利用卷积网络可避免这些问题
10.2 卷积网络的一般结构
10.3卷积层
卷积操作、卷积核、步幅、填充、多通道卷积、转置卷积、常用卷积函数等
10.4池化层
最大池化层、平均池化层、全局池化层、反池化层
10.5 BatchNorm层
10.6 现代经典网络
包括使用现代经典网络提升模型性能实例
10.7 使用预训练模型
包括使用预训练模型提升模型性能实例
10.8利用卷积进行图像分类实例
架构说明，输入输出的shape计算、可视化、数据导入与处理、
使用多种方法进行优化（全局池化层、数据增强方法、经典网络、预训练模型等）
10.9 练习
第11章 自然语言处理基础
11.1 循环神经网络基本结构
序列问题引入循环神经网络
基本结构、应用领域、记忆功能
11.2 RNN简单实例
RNN网络结构、短时记忆，Embedding层、RNN单元使用、RNN应用实例
11.3 正向传播与随时间的反向传播
11.4 循环神经网络的几种优化方法
11.5 语言模型
统计语言模型、词向量、word2vec等
11.6 seq2seq结构
包括Encoder-Decoder、带注意力的结构、人机对话实例等
11.7 练习
第12 章 Transformer简介
12.1 LSTM架构的优点及不足
12.2 Transformer架构
12.3 Encoder-Decoder架构
12.4 Transformer的TensorFlow2实现
12.5 GPT基础
包括使用GPT-2生成文章摘要实例
12.6 BERT基础
包括使用BERT进行机器翻译实例
12.7 练习
第13 章 目标检测与识别
首先对该领域的发展轨迹进行概述，从发展概述引出如何解决问题中发展的，并说明当前主要研究热点。
13.1目标检测发展概述
13.2目标检测主要问题
13.3目标检测典型算法
RCNN、Fast-R-CNN、YOLO系列
这里算法如何通过算法、架构、损失函数等途径解决面临的主要问题，效果如何？
13.4目标检测典型典型算法TensorFlow2实现
13.5 小结
13.6 练习
第14章 生成式深度学习
14.1用自动编码生成图像
14.2 GAN简介
14.3 用GAN生成图像
14.4 CGAN简介
14.5 DCGAN简介
14.6提升GAN性能的一些方法
14.7 小结
14.8 练习
第三部分 深度学习实践
第15 章 人脸检测与识别
首先对该领域的发展轨迹进行概述，从发展概述引出如何解决问题中发展的，并说明当前主要研究热点。
15.1人脸检测与识别发展概述
15.2人脸检测与识别主要问题
15.3人脸检测与识别典型算法
这里算法如何通过算法、架构、损失函数等途径解决面临的主要问题，效果如何？
15.4文人脸检测与识别典型算法TensorFlow实现
15.5 小结
15.6 练习
第16章 目标检测与识别实例
16.1 背景说明
16.2 项目架构
16.3 准备数据
16.4 构建模型
16.5 训练模型
16.6 测试模型
16.7 小结
16.8 练习
第17章 文本检测与识别（OCR）实例
17.1 项目环境
17.2 架构说明
17.3 数据预处理
17.4 构建模型
17.5 训练模型
17.6 测试模型
17.7小结
17.8 练习
第18章 人机对话实例
18.1聊天机器人原理
18.2带注意力的框架
18.3用TensorFlow实现聊天机器人
18.4 小结
18.5 练习
第19章 GPT-2生成文本
19.1 GPT-2概述
19.2 GPT-2 预训练模型
19.3 训练模型
19.4 根据提示生成文本
19.5 小结
19.6 练习
第20章 Transformer处理图像实例
20.1 CNN处理图像的优点及不足
20.2 Transformer处理图像的优点与不足
20.3 项目架构
20.4 准备数据
20.5 构建模型
20.6 训练模型
20.7 测试模型
20.8 小结
20.9 练习
第四部分 强化学习
第21章 强化学习基础
21.1 强化学习环境
21.2 奖励函数与折扣函数
21.3 马尔科夫决策过程
21.4 贝尔曼方程
21.5 同步策略与异步策略
21.6 无模型训练与有模型训练
21.7 强化学习常用算法
Q-Learning算法、 Sarsa算法、DQN算法等各自原理及优缺点。
21.8 练习
第22 章 Q-Learning算法及实例
22.1 Q-Learning算法
22.2 Q-Learning实现步骤
22.3 用TensorFlow实现Q-Learning
22.4 小结
22.5 练习
第23章 SARSA 算法及实例
23.1 SARSA算法
23.2 SARSA主要步骤
23.3 用TensorFlow实现SARSA
23.4 小结
23.5 练习
第24章 DQN 算法及实例
24.1 DQN算法
24.2 DQN主要步骤
24.3 用TensorFlow实现DQN
24.4 小结
24.5 练习
附录A:TensorFlow2安装配置
附录B:TensorFlow1升级到TensorFlow2的常用方法
附录C:Python迭代器与装饰器
