TensorFlow是近年来影响较大的神经网络和深度学习平台，《零起点TensorFlow快速入门》以生动活泼的语言，从入门者的角度，对TensorFlow进行介绍，书中包含大量简单风趣的实际案例，如孤独的神经元、梵高画风等，让广大初学者快速掌握神经网络的基本编程，为进一步学习人工智能奠定扎实的基础。
推 荐 序
近日AlphaGo和柯洁的黑白大战，因为对阵的一方是中国顶级围棋高手柯洁，所以引起国人的高度关注。如果利用百度搜索引擎，输入AlphaGo，可以得出7000多万条搜索结果，远远高于其他热门词条。
事实上，AlphaGo只是Google拥有的两套人工智能系统中的一套，是Google 2014年收购DeepMind的人工智能系统，专注于棋赛开发。Google另外一套人工智能系统就是本书介绍的TensorFlow系统。
在TensorFlow等人工智能系统出现之前，计算机所做的事情最多就是按照人类编好的既定程序，简单重复地、按部就班地运行，没有超越人类事先为计算机设定的思维边界。
计算机与人类大脑相比，根本的区别在于不具备学习和创新能力。
计算机最多是记忆的信息多，重复计算的速度快，不受情绪的影响等。但是，在TensorFlow等人工智能系统出现之后，计算机所做的事情除了简单重复运行之外，更重要的是其具备了一定的自我学习和创新能力。
TensorFlow等人工智能系统使得计算机在一定程度上能够自主学习，自我提高，总结过去的经验，汲取以往的教训，具备一定的创新性。这一点从AlphaGo与柯洁对垒的3场棋局的结果中不难看出。
这正是以AlphaGo和TensorFlow为代表的人工智能系统区别于以往任何计算机技术的关键所在，也是为什么TensorFlow被称为互联网以来唯一的“黑科技”项目的原因。
具备了一定的自我学习和创造能力的人工智能系统的出现，将对经济系统的各个领域产生重大影响。笔者有着超过20年境内外金融行业从业经历，将从一个侧面分享人工智能对金融领域的影响。
从整个金融业的历史沿革来看，大致经历了四个阶段：纯人工阶段、单机电脑阶段、互联网（含移动互联网）阶段和人工智能阶段。
随着每个阶段的渐次演进，提供金融服务一方的人力成本投入在逐渐减少，提供金融服务的效率在提高；对于接受金融服务的一方来说，金融服务的可获得性以及便捷程度在逐渐增加，金融服务越来越围绕着人进行，以人为中心的全方位的社会经济服务体系正在形成。
金融服务体系中银行服务、证券服务、保险服务等的内部界限开始变得模糊，金融服务与其他非金融的社会经济服务之间的界限开始变得不清。
特别是金融业进入人工智能阶段之后，人工智能系统将接受金融服务一方的身份特征数据、交易数据和行为数据等大数据，进行实时分析和动态跟踪，以远低于人工成本的成本，为每个人建立一个基于生命周期的综合金融模型，对每个人未来的金融行为进行预测，自动为他们提供账户资金管理、货币兑换、证券买卖、保险购买、购房购车计划、旅行休闲、子女教育、养老规划等方面的金融建议和授权代理操作，并根据模型预测结果与实际情况相比对，自主学习和修正模型，以便更加贴合接受金融服务一方的真实金融意图，使得人工智能模型的预测建议和人的实际金融行为无限接近。
由此人类将从日常繁杂的各种金融交易中解放出来，投身到更需要自己或自己更感兴趣的方面去。
展望未来，人工智能的应用前景无限美好。探寻当下，人工智能在世界各地的各行各业方兴未艾。
千里之行，始于足下，何海群先生的《零起点TensorFlow快速入门》是有志于人工智能领域的IT人士的一块敲门砖和铺路石。
祝愿人工智能在华夏大地生根发芽，开花结果。
——梁忠
何海群，网名：字王，CHRD前海智库CTO，《中华大字库》发明人，出版书籍20余部，在人工智能、数据分析等方面具有20年一线专业经验；zwPython开发平台、zwQuant量化软件设计师，中国“Python创客”项目和“Python产业联盟”发起人，国内**Python量化课程：《Python量化实盘·魔鬼训练营》创始人，极宽量化开源团队的创始人。1990年，发明国内**个VR数据手套并获得专利授权，被业界称为“中国VR之父”；1992年，论文《人工智能与中文字型设计》入选《广东青年科学家文集》，现已成为中文字库行业三大基础建模理论之一；1997年，出版国内首部网络经济专著《网络商战》；2008年，在北京联合创办国内**4A级网络公关公司，服务过200余家国际五百强企业，被公关协会誉为：中国网络公关事业的开创者与启蒙者；2012年，发布国内**自主研发的智能中文字库设计软件《x2ttf涂鸦造字》，全功能全免费公益软件；2016年，推出国内首套纯python开源量化软件：zwQuant，以及国内**Tick级别开源金融大数据项目：zwDat金融数据包。研究成果有：“小数据”理论，快数据模型，黑天鹅算法，GPU超算工作站、MTRD多节点超算集群算法、“1+N”网络传播模型、人工智能“足彩图灵法则”等。
第1章 不朽的梵高 1
1.1 星夜传奇 1
1.2 TensorFlow简介 3
案例1-1：星夜传奇实战编程 5
案例1-2：星夜传奇批量编程 11
1.3 十万次迭代 14
1.4 黑箱大法 16
1.5 超级KISS法则与大智若愚 17
第2章 TensorFlow安装 22
2.1 目录结构 22
2.2 化繁为简 23
2.3 CPU版本安装 25
2.4 GPU版本安装 25
案例2-1：GPU开发环境测试 28
第3章 可视化AI图表 33
3.1 TensorBoard可视化工具 33
案例3-1：hello，爱丽丝 34
3.1.1 TensorBoard主界面 36
3.1.2 快速启动脚本 38
3.2 加法器 41
案例3-2：加法器的算法结构图 41
案例3-3：加法器的变化版本 43
案例3-4：乘法器的算法结构图 44
第4章 快速入门 47
4.1 你好，神经网络 47
案例4-1：字符串表达式 47
案例4-2：hello，TensorFlow 48
4.2 图运算与Session 49
案例4-3：缺省图运算 49
案例4-4：可视化Session 52
4.3 常量、变量与占位符 56
案例4-5：常量加法 57
案例4-6：加法与占位符 58
案例4-7：加法与变量 59
4.4 TensorFlow常用数值运算 62
第5章 TensorFlow总览 63
5.1 TensorFlow产业链关系图 65
5.2 TensorFlow模块列表 66
5.2.1 源码目录结构 66
案例5-1：内置模块列表 68
5.2.2 模块结构图 70
5.2.3 API抽象接口示意图 71
5.2.4 神经网络三大模块 71
5.3 数据类型 72
5.4 TensorFlow常用术语 73
5.5 TensorFlow简化接口 77
第6章 基础知识 79
6.1 数据流图 79
6.2 设备切换Device 81
6.3 三大数据类型 82
案例6-1：变量操作 86
6.4 Feed数据提交 89
案例6-2：Feed提交数据 90
案例6-3：批量Feed提交数据 92
案例6-4：批量Feed提交多维数据 92
6.5 Fetch获取数据 93
案例6-5：Fetch获取数据 93
案例6-6：Fetch获取多维数组 95
案例6-7：会话Session 97
6.6 批尺寸Batch_Size 99
第7章 孤独的神经元 101
7.1 神经元模型 101
案例7-1：单细胞算法 102
7.2 可视化分析 107
案例7-2：单细胞算法优化版 108
第8章 归来吧，数据 112
8.1 分类——机器学习的核心 112
8.2 万物皆回归 112
案例8-1：传统机器学习 114
案例8-2：TensorFlow线性回归模型 117
8.3 模型管理 124
案例8-3：TensorFlow模型保存 125
案例8-4：TensorFlow模型读取 126
第9章 Pkmital入门案例套餐（上） 128
9.1 Halcon简介 128
9.2 帕拉格?库马尔案例合集简介 129
9.3 Pkmital案例集合详解 131
9.4 TensorFlow基础 132
案例9-1：TensorFlow基础权重设置和图形计算 132
案例9-2：图像的卷积计算 140
9.5 回归算法 145
案例9-3：线性回归 145
案例9-4：线性回归修正版 150
9.6 多项式回归 151
案例9-5：多项式回归 151
案例9-6：多项式回归修正版 153
9.7 逻辑回归模型 154
案例9-7：逻辑回归模型 154
9.8 CNN卷积神经网络算法 159
案例9-8：CNN卷积神经网络 159
第10章 Pkmital入门案例套餐（下） 165
10.1 自编码算法 165
案例10-1：自编码算法 165
10.2 dAE降噪自编码算法 170
案例10-2：dAE降噪自编码算法 170
10.3 CAE卷积编码算法 177
案例10-3：CAE卷积编码算法 177
10.4 DRN深度残差网络 183
案例10-4：DRN深度残差网络 183
10.5 VAE变分自编码算法 189
案例10-5：VAE变分自编码算法 189
10.6 TDV联合矩阵模型 199
第11章 TensorFlow内置案例分析 201
11.1 预备知识 202
11.2 Mnist手写数字识别 211
案例11-1：Mnist初级案例 211
案例11-2：Mnist专业版本 215
11.3 FFNNs前馈神经网络模型 224
案例11-3：FFNNs前馈神经网络模型 224
第12章 TensorLayer案例分析 234
12.1 手写识别算法 234
案例12-1：Mnist手写识别 234
12.2 Mnist神经网络模型合集 242
案例12-2：Dropout网络模型 243
案例12-3：DropConnect网络模型 253
案例12-4：dAE降噪自编码算法1 257
案例12-5：dAE降噪自编码算法2 260
案例12-6：CNN卷积神经网络算法 263
第13章 TFLearn案例分析 267
13.1 生存游戏 268
13.1.1 泰坦尼克数据集 268
13.1.2 Kaggle机器学习公开赛 269
案例13-1：泰坦尼克号生存与死亡 270
13.2 线性回归 274
案例13-2：线性回归模型 275
13.3 模型管理 278
案例13-3：保存读取模型数据 278
13.4 超智能体 283
案例13-4：超智能体：NOT取反运算 284
案例13-5：超智能体：OR或运算 286
案例13-6：超智能体：AND（与）运算 288
案例13-7：超智能体：XOR（异或）运算 289
13.5 CNN卷积神经网络算法 292
案例13-8：CNN卷积神经网络算法 292
第14章 Keras案例分析 297
14.1 Keras模型 298
14.2 Keras使用流程 299
14.3 Keras常用模块 300
14.4 Keras模型可视化 301
案例14-1：MLP多层神经网络 303
案例14-2：CNN卷积神经网络 309
案例14-3：IRNN修正循环神经网络 316
案例14-4：HRNN分层循环神经网络 322
第15章 TensorFlow常用运行模式 327
15.1 深度学习三大要素 327
15.2 神经网络基本结构 328
15.3 基本神经元层 329
15.4 神经网络通用流程 335
15.5 Loss损失函数 338
15.6 TensorFlow常用优化算法 340
新书资讯