本书是一本阅读起来特别轻松、学习一点都不费劲的TensorFlow入门书。本书基于TensorFlow 2.0版本，从机器学习和TensorFlow的基础开始，针对初学者只选择实际应用中的必需最小知识量，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂且快速有效的阐述，其中包括了很多具体的TensorFlow示例，最后一章的项目实战能够教会初学者使用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。本书适合初学TensorFlow，并且深度学习的理论和实践基础较为薄弱的读者群体，也适合希望了解深度学习的大数据平台工程师，以及对人智能、深度学习感兴趣的计算机相关从业人员及在校学生等阅读，特别适合作为高等院校计算机或人工智能专业师生的参考教材。

侯伦青，软件工程硕士，目前从事人机对话相关的工作。热衷于自然语言处理、机器学习以及深度强化学习相关的研究。王飞，深圳大学硕士，TensorflowNews 和PytorchChina 社区创始人。目前从事自然语言处理相关的基础算法研究，主要是中文分词，文本分类，数据挖掘。邓昕，深圳大学计算机硕士，“磐创科技”创始人，主攻深度学习与自然语言处理方向。史周安，软件工程硕士，人工智能技术爱好者、实践者与探索者。目前从事弱监督学习、迁移学习与医学图像相关工作。

第 1 章 机器学习基础 / 1
1.1 人工智能：是机遇也是挑战 / 2
1.2 机器学习 / 2
1.2.1 什么是机器学习 / 2
1.2.2 用机器学习解决问题的一般流程 / 4
1.2.3 数据预处理 / 6
1.2.4 特征工程 / 7
1.2.5 模型的评估和选择 / 10
1.3 深度学习的发展历程及应用 / 16
1.3.1 深度学习的发展历程 / 16
1.3.2 深度学习的应用 / 18
1.4 本章练习 / 20
第 2 章 TensorFlow 基础 / 21
2.1 TensorFlow 2.0 简介 / 22
2.1.1 TensorFlow 的基本概念 / 22
2.1.2 从 1.x 到 2.0 的变化 / 25
2.1.3 TensorFlow 2.0 的架构 / 26
2.2 TensorFlow 2.0 的安装 / 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 安装配置 GPU 环境 / 47
2.4.2 使用 TensorFlow-GPU / 53
2.5 本章小结 / 55
第 3 章 前馈神经网络 / 56
3.1 神经网络 / 57
3.1.1 感知器模型 / 57
3.1.2 多层神经网络 / 58
3.2 激活函数 / 61
3.2.1 Logistic 函数 / 61
3.2.2 Tanh 函数 / 61
3.2.3 ReLU 函数 / 62
3.3 损失函数和输出单元 / 63
3.3.1 损失函数的选择 / 63
3.3.2 输出单元的选择 / 64
3.4 小试牛刀：MNIST 手写数字识别 / 65
3.4.1 MNIST 数据集 / 66
3.4.2 数据处理 / 67
3.4.3 简单前馈神经网络的实现 / 70
3.5 本章小结 / 72
3.6 本章练习 / 72
第 4 章 卷积神经网络 / 73
4.1 卷积神经网络的基本特征与
基本结构 / 74
4.2 卷积层 / 76
4.2.1 什么是卷积 / 76
4.2.2 滑动步长和零填充 / 79
4.2.3 卷积层的基本结构 / 81
4.3 池化层 / 83
4.4 小试牛刀： CNN 实现图像分类 / 84
4.5 本章小结 / 92
4.6 本章练习 / 92
第 5 章 循环神经网络 / 93
5.1 简单循环神经网络 / 94
5.1.1 循环神经网络的基本
结构 / 95
5.1.2 循环神经网络的运算过程和
参数更新 / 96
5.2 常用循环神经网络 / 100
5.2.1 多层循环神经网络 / 101
5.2.2 双向循环神经网络 / 101
5.2.3 TensorFlow 实现循环神经
网络 / 102
5.3 长期依赖问题及其优化 / 107
5.4 门控循环神经网络 / 110
5.4.1 长短期记忆网络 / 110
5.4.2 门控循环单元 / 114
5.4.3 TensorFlow 实现 LSTM 和
GRU / 115
5.5 循环神经网络的应用 / 116
5.5.1 文本分类 / 116
5.5.2 序列标注 / 117
5.5.3 机器翻译 / 118
5.6 注意力模型 / 119
5.7 本章小结 / 121
5.8 本章练习 / 121
第 6 章 深度强化学习 / 122
6.1 从 AlphaGo 看深度强化学习 / 123
6.2 强化学习基础知识 / 126
6.2.1 强化学习问题 / 126
6.2.2 马尔可夫决策过程 / 128
6.2.3 最优价值函数和贝尔曼
方程 / 130
6.3 有模型的强化学习方法 / 131
6.3.1 价值迭代 / 132
6.3.2 策略迭代 / 132
6.4 无模型的强化学习方法 / 133
6.4.1 蒙特卡罗方法 / 133
6.4.2 时序差分学习 / 136
6.4.3 值函数近似 / 139
6.4.4 策略搜索 / 139
6.5 强化学习算法 / 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 深度强化学习算法 / 154
6.6.1 Deep Q-Networks（DQN） / 154
6.6.2 Deep Deterministic Policy
Gradient（DDPG） / 156
6.7 本章小结 / 157
6.8 本章练习 / 157
第 7 章 项目实战 / 158
7.1 CNN 实战项目一：Chars74K / 158
7.2 CNN 实战项目二：CIFAR-10 / 166
7.3 RNN实战项目一：新闻文本分类 / 174
7.4 RNN 实战项目二：聊天机器人 / 180
7.5 DRL 实战项目：DQN / 189