前言

项目1搭建TensorFlow开发环境1

项目描述1
思维导图1

项目目标1
1.1人工智能、机器学习与深度学习2
1.1.1人工智能2
1.1.2机器学习2
1.1.3深度学习4
1.2深度学习简介5
1.2.1深度学习发展简史5
1.2.2深度学习的工作原理7
1.2.3深度学习的应用9
1.3
任务1：认识深度学习框架13
1.3.1TensorFlow13
1.3.2Keras14
1.3.3PyTorch14
1.3.4Caffe15
1.3.5MXNet15
1.3.6PaddlePaddle16
1.4
任务2：搭建深度学习开发环境17
1.4.1安装Anaconda17
1.4.2使用Conda管理环境20
1.4.3安装TensorFlow21
1.4.4常用编辑器22
拓展
项目24

项目2手写数字识别：TensorFlow初探26

项目描述26
思维导图26

项目目标26
2.1TensorFlow架构27
2.1.1TensorFlow架构图27
2.1.2TensorFlow1.x和2.0之间的差异28
2.1.3TensorFlow数据流图29
2.1.4TensorFlow运行机制31
2.2
任务1：张量的基本操作32
2.2.1张量的阶、形状、数据类型32
2.2.2现实世界中的数据张量35
2.2.3MNIST数据集39
2.2.4索引与切片43
2.2.5维度变换47
2.2.6广播机制51
2.3
任务2：张量的进阶操作54
2.3.1合并与分割54
2.3.2大值、小值、均值、和58
2.3.3张量比较60
2.3.4张量排序63
2.3.5张量中提取数值64
拓展
项目65

项目3房价预测：前馈神经网络67

项目描述67
思维导图67

项目目标67
3.1
任务1：实现一元线性回归模型68
3.1.1准备数据69
3.1.2构建模型69
3.1.3迭代训练70
3.1.4保存和读取模型71
3.2认识神经网络72
3.2.1神经元72
3.2.2激活函数74
3.3
任务2：房价预测78
3.3.1准备数据集79
3.3.2构建模型81
3.3.3训练模型83
3.4前馈神经网络87
3.4.1前馈神经网络拓扑结构87
3.4.2损失函数89
3.4.3反向传播算法92
3.4.4梯度下降算法95
拓展
项目100

项目4服装图像识别：Keras搭建与训练模型102

项目描述102
思维导图102

项目目标102
4.1认识tf.keras103
4.1.1Keras与tf.keras103
4.1.2层（Layer）104
4.1.3模型（Model）106
4.2
任务1：服装图像识别108
4.2.1构建模型108
4.2.2训练模型111
4.2.3评估模型115
4.3
任务2：保存与加载模型116
4.3.1SavedModel方式保存模型117
4.3.2H5格式保存模型118
4.3.3检查点（Checkpoint）格式保存模型119
4.4
任务3：tf.data优化训练数据120
4.4.1训练数据输入模型的方法120
4.4.2tf.dataAPI121
4.4.3tf.data.Dataset122
4.5
任务4：花卉识别125
4.5.1下载图片125
4.5.2构建花卉数据集127
4.5.3构建与训练模型129
4.5.4保存与加载模型130
拓展
项目131

项目5图像识别：卷积神经网络132

项目描述132
思维导图132

项目目标132
5.1认识卷积神经网络133
5.1.1卷积神经网络发展历史133
5.1.2全连接神经网络的问题134
5.2卷积神经网络基本结构135
5.2.1卷积运算135
5.2.2填充136
5.2.3步长137
5.2.4多输入通道和多输出通道138
5.2.5池化层139
5.3TensorFlow对卷积神经网络的支持140
5.3.1卷积函数141
5.3.2池化函数144
5.4
任务1：识别CIFAR-10图像145
5.4.1卷积网络的整体结构145
5.4.2CIFAR-10数据集146
5.4.3构造卷积神经网络模型148
5.4.4编译、训练并评估模型149
5.5
任务2：搭建经典卷积网络150
5.5.1图像识别的难题151
5.5.2AlexNet152
5.5.3VGG系列154
5.5.4ResNet156
5.6
任务3：ResNet实现图像识别158
5.6.1ResNet模型结构158
5.6.2BasicBlock类159
5.6.3搭建ResNet网络模型160
5.6.4加载数据集并训练模型162
拓展
项目163

项目6AI诗人：循环神经网络164

项目描述164
思维导图164

项目目标164
6.1认识循环神经网络165
6.1.1循环神经网络发展历史165
6.1.2循环神经网络的应用166
6.1.3循环神经网络的作用166
6.2
任务1：电影评论分类167
6.2.1IMDb数据集167
6.2.2使用全连接神经网络169
6.2.3循环神经网络典型结构170
6.2.4SimpleRNNCell使用方法171
6.2.5RNN分类IMDb数据集173
6.2.6RNN梯度消失176
6.3
任务2：AI诗人176
6.3.1长短期记忆（LSTM）176
6.3.2文本生成：AI诗人178
拓展
项目184

项目7预测汽车油耗效率：TensorFlow.js应用开发186

项目描述186
思维导图186

项目目标186
7.1认识TensorFlow.js187
7.1.1TensorFlow.js的优点187
7.1.2TensorFlow.js的核心概念188
7.1.3TensorFlow.js环境配置190
7.2
任务1：预测汽车油耗效率193
7.2.1创建主页并加载数据194
7.2.2定义模型结构196
7.2.3数据预处理196
7.2.4训练与测试模型197
7.3
任务2：手写数字识别200
7.3.1从GitHub获取源码并运行200
7.3.2创建相关文件201
7.3.3定义模型结构203
7.3.4训练模型206
7.3.5使用模型进行评估与预测208
拓展
项目210

项目8花卉识别：TensorFlowLite211

项目描述211
思维导图211

项目目标211
8.1认识TensorFlowLite212
8.1.1TensorFlowLite发展历史212
8.1.2TensorFlowLite的应用213
8.2TensorFlowLite体系结构213
8.2.1TensorFlowLite整体架构213
8.2.2TensorFlowLite转换器214
8.2.3FlatBuffers格式215
8.2.4TensorFlowLite解释执行器215
8.3
任务1：TensorFlowLite开发工作流程216
8.3.1选择模型216
8.3.2模型转换218
8.3.3模型推理219
8.3.4优化模型220
8.4
任务2：TensorFlowLite实现花卉识别220
8.4.1选择模型221
8.4.2Android部署226
拓展
项目233
参考文献234