●部分TensorFlow2基本内容介绍
章TensorFlow2简介
1.1初识TensorFlow生态系统
1.2TensorFlow的安装
1.3内务管理和Eager操作
1.3.1导入TensorFlow
1.3.2TensorFlow的编码风格约定
1.3.3动态图机制
1.3.4声明Eager变量
1.3.5声明TensorFlow常量
1.3.6创建tensor张量
1.3.7张量的秩（维数）
1.3.8指定张量的元素
1.3.9将张量转换为NumPy/Python变量
1.3.10计算张量的大小（元素数）
1.3.11查看张量的数据类型
1.3.12张量元素的基本运算规则
1.3.13广播机制
1.3.14TensorFlow转置和矩阵乘法
1.3.15张量数据类型的转换
1.3.16声明不规则张量
1.4TensorFlow的基本操作
1.4.1计算张量的平方差
1.4.2计算平均值
1.4.3随机初始化张量
1.4.4查找大和小元素的索引
1.4.5使用检查点保存和恢复张量值
1.4.6tf.function
1.5小结
第2章TensorFlow2的不错API——Keras
2.1Keras的使用情况及优势
2.2Keras特性
2.3Keras默认配置文件
2.4Keras后端
2.5Keras数据类型
2.6Keras模型
2.6.1Keras序列模型
2.6.2Keras函数式API
2.6.3子类化Keras模型类
2.使用数据管道
2.6.5保存和加载Keras模型
2.6.6Keras数据集
2.7小结
第3章基于TensorFlow2的ANN技术
3.1获取数据集
3.1.1从NumPy数组获取数据
3.1.2从CSV文件获取数据
3.1.3使用TFRecords存取数据
3.1.4使用独热编码处理数据
3.2ANN层
3.2.1全连接层
3.2.2卷积层
3.2.3大池化层
3.2.4批标准化层和Dropout层
3.2.5Softmax层
3.3激活函数
3.4创建模型
3.5梯度计算
3.6损失函数
3.7小结
第二部分TensorFlow2中的有监督和无监督学习
第4章基于TensorFlow2的有监督学习
4.1有监督学习
4.2线性回归
4.3个线性回归示例
4.4波士顿房价数据集
4.5逻辑回归（分类）
4.6k近邻（KNN）
4.7小结
第5章基于TensorFlow2的无监督学习
5.1自动编码器
5.2一个简单的自动编码器
5.2.1数据预处理
5.2.2训练
5.2.3结果显示
5.3自动编码器的应用——去噪
5.3.1设置
5.3.2数据预处理
5.3.3带噪声的图像
5.3.4创建编码层
5.3.5创建解码层
5.3.6模型概要
5.3.7模型实例化、编译和训练
5.3.8图像去噪
5.3.9TensorBoard输出
5.4小结
第三部分TensorFlow2的神经网络应用
第6章基于TensorFlow2的图像识别
6.1基于TensorFlow的QuickDraw图像分类
6.1.1数据获取
6.1.2设置环境
6.1.3数据预处理
6.1.4模型创建
6.1.5模型训练和测试
6.1.6TensorBoard回调函数
6.1.7模型保存、加载和重新测试
6.1.8用.h5格式保存和加载NumPy图像数据
6.1.9预训练模型的加载和使用
6.2基于TensorFlow的CIFAR10图像分类
6.2.1简介
6.2.2应用
6.3小结
第7章基于TensorFlow2的图像风格迁移
7.1导入配置
7.2图像预处理
7.3查看原始图像
7.4使用VGG19架构
7.5创建模型
7.6计算损失
7.7执行风格迁移
7.8终展示
7.9小结
第8章基于TensorFlow2的循环神经网络
8.1神经网络处理模式
8.2循环结构
8.3RNN的应用
8.4RNN代码示例
8.5模型构建与实例化
8.6模型训练与使用
8.7小结
第9章TensorFlow Estimators和TensorFlow Hub
9.1TensorFlow Estimators
9.2TensorFlow Hub
9.2.1IMDB（电影评论数据库）
9.2.2数据集
9.2.3代码
9.3小结
附录从tf1.12转换为tf2