TensorFlow 2.0深度学习从零开始学

第1章 TensorFlow 2．0的安装
1．1 Python基本安装和用法
1．1．1 Anaconda的下载与安装
1．1．2 Python编译器PyCharm的安装
1．1．3 使用Python计算softmax函数
1．2 TensorFlow 2．0 GPU版本的安装
1．2．1 检测Anaconda中的TensorFlow版本
1．2．2 TensorFlow 2．0 GPU版本基础显卡推荐和前置软件安装
1．3 Hello TensorFlow 2．
1．4 本章小结
第2章 TensorFlow 2．0令人期待的变化
2．1 新的架构、新的运行、新的开始
2．1．1 API精简
2．1．2 Eager Execution
2．1．3 取消全局变量
2．1．4 使用函数而不是会话
2．1．5 弃用collection
2．2 配角转成主角：从TensorFlow Eager Execution转正谈起
2．2．1 Eager简介与调用
2．2．2 读取数据
2．3 使用TensorFlow 2．0模式进行线性回归的一个简单例子
2．3．1 模型的工具与数据的生成
2．3．2 模型的定义
2．3．3 损失函数的定义
2．3．4 梯度函数的更新计算
2．4 TensorFlow 2．0进阶-AutoGraph和t￡缸lcdon
2．5 本章小结
第3章 TensorFlow和Keras
3．1 模型！模型！模型！还是模型
3．2 使用Keras API实现鸢尾花分类的例子（顺序模式）
3．2．1 数据的准备
3．2．2 数据的处理
3．2．3 梯度更新函数的写法
3．2．4 使用Keras函数式编程实现鸢尾花分类的例子（重点）
3．2．5 使用保存的Keras模式对模型进行复用
3．2．6 使用TensorFlow 2．0标准化编译对iris模型进行拟合
3．3 多输入单一输出TensorFlow 2．0编译方法（选学）
3．3．1 数据的获取与处理
3．3．2 模型的建立
3．3．3 数据的组合
3．4 多输入多输出TensorFlow 2．0编译方法（选学）
3．5 全连接层详解
3．5．1 全连接层的定义与实现
3．5．2 使用TensorFlow 2．0自带的API实现全连接层
3．5．3 打印显示TensorFlow 2．0设计的模型结构和参数
3．6 本章小结
第4章 TensorFlow 2．0语法基础
4．1 BP神经网络简介
4．2 BP神经网络的两个基础算法
4．2．1 最小二乘法（LS算法）
4．2．2 道士下山的故事——梯度下降算法
4．3 反馈神经网络反向传播算法
4．3．1 深度学习基础
4．3．2 链式求导法则
4．3．3 反馈神经网络原理与公式推导
4．3．4 反馈神经网络原理的激活函数
4．3．5 反馈神经网络原理的Python实现
4．4 本章小结
第5章 卷积层与MNIST实战
5．1 卷积运算
5．1．1 卷积运算的基本概念
5．1．2 TensorFlow2．0中卷积函数的实现
5．1．3 池化运算
5．1．4 softmax激活函数
5．1．5 卷积神经网络原理
5．2 TensorFlow2．0编程实战：MNIST手写体识别
5．2．1 MNIST数据集
5．2．2 MNIST数据集特征和标注
5．2．3 TensorFlow2．0编程实战：MNIST数据集
5．2．4 使用自定义的卷积层实现MNIST识别
5．3 本章小结
……
第6章 TensorFlow 2．0 Dataset使用详解
第7章 TensorFlow Datasets和TensorBoard详解
第8章 从冠军开始：ResNet
第9章 注意力机制
第10章 卷积神经网络实战：识文断字也可以