本书从TensorFlow 2.0的基础知识讲起，深入介绍TensorFlow 2.0的进阶实战，并配合项目实战案例，**介绍使用TensorFlow 2.0的新特性进行机器学习的方法，使读者能够系统地学习机器学习的相关知识，并对TensorFlow 2.0的新特性有更深入的理解。本书共14章，主要介绍机器学习、TensorFlow 2.0基础、张量、数据层、CNN等内容，中间还穿插了机器学习中常见的图形识别、文本处理和对抗训练等实例，以帮助读者理解TensorFlow 2.0。本书着重介绍了在TensorFlow 2.0中使用Keras的方法，Keras是TensorFlow 2.0中的**概念，十分有必要对其进行学习。本书内容通俗易懂、案例丰富、实用性强，特别适用于TensorFlow 2.0的入门者和进阶者，以及有志从事机器学习的爱好者，本书还适合用作相关机构的培训教材。

第1章 人工智能的概念 1 1.1 机器学习 1 1.2 神经网络 3 1.3 常用的深度学习框架 3 第2章 TensorFlow初探 5 2.1 在Linux系统中安装TensorFlow 2.0 5 2.2 在Linux系统中安装TensorFlow 2.0的GPU版本 5 2.3 在Windows系统中安装TensorFlow 2.0 6 2.4 在Windows系统中安装TensorFlow 2.0的GPU版本 14 第3章 TensorFlow的基础概念 17 3.1 张量 17 3.2 GPU加速 19 3.3 数据集 20 3.4 自定义层 22 3.4.1 网络层的常见操作 22 3.4.2 自定义网络层 24 3.4.3 网络层组合 25 3.4.4 自动求导 26 第4章 TensorFlow与多层感知器 30 4.1 MLP简介 30 4.2 基础MLP网络 30 4.2.1 回归分析 30 4.2.2 分类任务 33 4.3 基础模型 36 4.4 权重初始化 39 4.5 激活函数 41 4.6 批标准化 44 4.7 dropout 46 4.8 模型集成 48 4.9 优化器 49 第5章 TensorFlow与卷积神经网络 52 5.1 基础卷积神经网络 52 5.2 卷积层的概念及示例 53 5.3 池化层的概念及示例 54 5.4 全连接层的概念及示例 55 5.5 模型的概念、配置及训练 57 第6章 TensorFlow自编码器 60 6.1 自编码器简介 60 6.2 卷积自编码器 64 第7章 TensorFlow**编程 68 7.1 Keras基础 68 7.1.1 构造数据 68 7.1.2 样本权重和类权重 70 7.1.3 回调 72 7.2 函数式API 76 7.2.1 构建简单的网络 76 7.2.2 构建多个模型 78 7.2.3 两种典型的复杂网络 82 7.3 使用Keras自定义网络层和模型 86 7.3.1 构建简单网络 86 7.3.2 构建自定义模型 90 7.4 Keras训练模型 94 7.4.1 常见模型的训练流程 94 7.4.2 自定义指标 96 7.4.3 自定义训练和验证循环 100 7.5 Keras模型的保存 106 第8章 TensorFlow文本分类 121 8.1 简单文本分类 121 8.2 卷积文本分类 131 8.3 RNN文本分类 143 第9章 TensorFlow图像处理 152 9.1 图像分类 152 9.2 图像识别 162 9.3 生成对抗网络 168 第10章 TensorFlow决策树 180 10.1 Boosted Trees简介 180 10.2 数据预测 180 第11章 TensorFlow过拟合和欠拟合 197 11.1 过拟合和欠拟合的基本概念 197 11.2 过拟合和欠拟合 197 11.3 优化方法 208 11.3.1 dropout优化方案 208 11.3.2 L2正则化优化 212 第12章 TensorFlow结构化数据 217 12.1 数字列 219 12.2 bucketized列 220 12.3 类别列 222 12.4 嵌入列 223 12.5 哈希特征列 224 12.6 交叉功能列 226 12.7 结构化数据的使用 227 第13章 TensorFlow回归 233 13.1 一元线性回归 233 13.2 多元线性回归 237 13.3 汽车油耗回归示例 241