精通 TensorFlow 1.x 中文版（初稿）

• TensorFlow 101
  • 什么是 TensorFlow？
  • TensorFlow 核心
  • 代码预热 - Hello TensorFlow
  • 张量
  • 常量
  • 操作
  • 占位符
  • 从 Python 对象创建张量
  • 变量
  • 从库函数生成的张量
  • 使用相同的值填充张量元素
  • 用序列填充张量元素
  • 使用随机分布填充张量元素
  • 使用tf.get_variable()获取变量
  • 数据流图或计算图
  • 执行顺序和延迟加载
  • 跨计算设备执行图 - CPU 和 GPU
  • 将图节点放置在特定的计算设备上
  • 简单放置
  • 动态展示位置
  • 软放置
  • GPU 内存处理
  • 多个图
  • TensorBoard
  • TensorBoard 最小的例子
  • TensorBoard 详情
  • 总结
• TensorFlow 的高级库
  • TF Estimator - 以前的 TF 学习
  • TF Slim
  • TFLearn
  • 创建 TFLearn 层
  • TFLearn 核心层
  • TFLearn 卷积层
  • TFLearn 循环层
  • TFLearn 正则化层
  • TFLearn 嵌入层
  • TFLearn 合并层
  • TFLearn 估计层
  • 创建 TFLearn 模型
  • TFLearn 模型的类型
  • 训练 TFLearn 模型
  • 使用 TFLearn 模型
  • PrettyTensor
  • Sonnet
  • 总结
• Keras 101
  • 安装 Keras
  • Keras 中的神经网络模型
  • 在 Keras 建立模型的工作流程
  • 创建 Keras 模型
  • 用于创建 Keras 模型的顺序 API
  • 用于创建 Keras 模型的函数式 API
  • Keras 层
  • Keras 核心层
  • Keras 卷积层
  • Keras 池化层
  • Keras 本地连接层
  • Keras 循环层
  • Keras 嵌入层
  • Keras 合并层
  • Keras 高级激活层
  • Keras 正则化层
  • Keras 噪音层
  • 将层添加到 Keras 模型
  • 用于将层添加到 Keras 模型的顺序 API
  • 用于向 Keras 模型添加层的函数式 API
  • 编译 Keras 模型
  • 训练 Keras 模型
  • 使用 Keras 模型进行预测
  • Keras 的附加模块
  • MNIST 数据集的 Keras 序列模型示例
  • 总结
• 使用 TensorFlow 进行经典机器学习
  • 简单的线性回归
  • 数据准备
  • 构建一个简单的回归模型
  • 定义输入，参数和其他变量
  • 定义模型
  • 定义损失函数
  • 定义优化器函数
  • 训练模型
  • 使用训练的模型进行预测
  • 多元回归
  • 正则化回归
  • 套索正则化
  • 岭正则化
  • ElasticNet 正则化
  • 使用逻辑回归进行分类
  • 二分类的逻辑回归
  • 多类分类的逻辑回归
  • 二分类
  • 多类分类
  • 总结
• 使用 TensorFlow 和 Keras 的神经网络和 MLP
  • 感知机
  • 多层感知机
  • 用于图像分类的 MLP
  • 用于 MNIST 分类的基于 TensorFlow 的 MLP
  • 用于 MNIST 分类的基于 Keras 的 MLP
  • 用于 MNIST 分类的基于 TFLearn 的 MLP
  • 使用 TensorFlow，Keras 和 TFLearn 的 MLP 总结
  • 用于时间序列回归的 MLP
  • 总结
• 使用 TensorFlow 和 Keras 的 RNN
  • 简单循环神经网络
  • RNN 变种
  • LSTM 网络
  • GRU 网络
  • TensorFlow RNN
  • TensorFlow RNN 单元类
  • TensorFlow RNN 模型构建类
  • TensorFlow RNN 单元包装器类
  • 适用于 RNN 的 Keras
  • RNN 的应用领域
  • 用于 MNIST 数据的 Keras 中的 RNN
  • 总结
• 使用 TensorFlow 和 Keras 的时间序列数据的 RNN
  • 航空公司乘客数据集
  • 加载 airpass 数据集
  • 可视化 airpass 数据集
  • 使用 TensorFlow RNN 模型预处理数据集
  • TensorFlow 中的简单 RNN
  • TensorFlow 中的 LSTM
  • TensorFlow 中的 GRU
  • 使用 Keras RNN 模型预处理数据集
  • 使用 Keras 的简单 RNN
  • 使用 Keras 的 LSTM
  • 使用 Keras 的 GRU
  • 总结
• 使用 TensorFlow 和 Keras 的文本数据的 RNN
  • 词向量表示
  • 为 word2vec 模型准备数据
  • 加载和准备 PTB 数据集
  • 加载和准备 text8 数据集
  • 准备小验证集
  • 使用 TensorFlow 的 skip-gram 模型
  • 使用 t-SNE 可视化单词嵌入
  • keras 的 skip-gram 模型
  • 使用 TensorFlow 和 Keras 中的 RNN 模型生成文本
  • TensorFlow 中的 LSTM 文本生成
  • Keras 中的 LSTM 文本生成
  • 总结
• 使用 TensorFlow 和 Keras 的 CNN
  • 理解卷积
  • 了解池化
  • CNN 架构模式 - LeNet
  • 用于 MNIST 数据的 LeNet
  • 使用 TensorFlow 的用于 MNIST 的 LeNet CNN
  • 使用 Keras 的用于 MNIST 的 LeNet CNN
  • 用于 CIFAR10 数据的 LeNet
  • 使用 TensorFlow 的用于 CIFAR10 的 ConvNets
  • 使用 Keras 的用于 CIFAR10 的 ConvNets
  • 总结
• 使用 TensorFlow 和 Keras 的自编码器
  • 自编码器类型
  • TensorFlow 中的栈式自编码器
  • Keras 中的栈式自编码器
  • TensorFlow 中的去噪自编码器
  • Keras 中的去噪自编码器
  • TensorFlow 中的变分自编码器
  • Keras 中的变分自编码器
  • 总结
• TF 服务：生产中的 TensorFlow 模型
  • 在 TensorFlow 中保存和恢复模型
  • 使用保护程序类保存和恢复所有图变量
  • 使用保护程序类保存和恢复所选变量
  • 保存和恢复 Keras 模型
  • TensorFlow 服务
  • 安装 TF 服务
  • 保存 TF 服务的模型
  • 提供 TF 服务模型
  • 在 Docker 容器中提供 TF 服务
  • 安装 Docker
  • 为 TF 服务构建 Docker 镜像
  • 在 Docker 容器中提供模型
  • Kubernetes 中的 TensorFlow 服务
  • 安装 Kubernetes
  • 将 Docker 镜像上传到 dockerhub
  • 在 Kubernetes 部署
  • 总结
• 迁移学习和预训练模型
  • ImageNet 数据集
  • 再训练或微调模型
  • COCO 动物数据集和预处理图像
  • TensorFlow 中的 VGG16
  • 使用 TensorFlow 中预训练的 VGG16 进行图像分类
  • TensorFlow 中的图像预处理，用于预训练的 VGG16
  • 使用 TensorFlow 中的再训练的 VGG16 进行图像分类
  • Keras 的 VGG16
  • 使用 Keras 中预训练的 VGG16 进行图像分类
  • 使用 Keras 中再训练的 VGG16 进行图像分类
  • TensorFlow 中的 Inception v3
  • 使用 TensorFlow 中的 Inception v3 进行图像分类
  • 使用 TensorFlow 中的再训练的 Inception v3 进行图像分类
  • 总结
• 深度强化学习
  • OpenAI Gym 101
  • 将简单的策略应用于 cartpole 游戏
  • 强化学习 101
  • Q 函数（在模型不可用时学习优化）
  • RL 算法的探索与开发
  • V 函数（模型可用时学习优化）
  • 强化学习技巧
  • 强化学习的朴素神经网络策略
  • 实现 Q-Learning
  • Q-Learning 的初始化和离散化
  • 使用 Q-Table 进行 Q-Learning
  • Q-Network 或深 Q 网络（DQN）的 Q-Learning
  • 总结
• 生成性对抗网络
  • 生成性对抗网络 101
  • 建立和训练 GAN 的最佳实践
  • 使用 TensorFlow 的简单的 GAN
  • 使用 Keras 的简单的 GAN
  • 使用 TensorFlow 和 Keras 的深度卷积 GAN
  • 总结
• 使用 TensorFlow 集群的分布式模型
  • 分布式执行策略
  • TensorFlow 集群
  • 定义集群规范
  • 创建服务器实例
  • 定义服务器和设备之间的参数和操作
  • 定义并训练图以进行异步更新
  • 定义并训练图以进行同步更新
  • 总结
• 移动和嵌入式平台上的 TensorFlow 模型
  • 移动平台上的 TensorFlow
  • Android 应用中的 TF Mobile
  • Android 上的 TF Mobile 演示
  • iOS 应用中的 TF Mobile
  • iOS 上的 TF Mobile 演示
  • TensorFlow Lite
  • Android 上的 TF Lite 演示
  • iOS 上的 TF Lite 演示
  • 总结
• R 中的 TensorFlow 和 Keras
  • 在 R 中安装 TensorFlow 和 Keras 软件包
  • R 中的 TF 核心 API
  • R 中的 TF 估计器 API
  • R 中的 Keras API
  • R 中的 TensorBoard
  • R 中的 tfruns 包
  • 总结
• 调试 TensorFlow 模型
  • 使用tf.Session.run()获取张量值
  • 使用tf.Print()打印张量值
  • 用tf.Assert()断言条件
  • 使用 TensorFlow 调试器（tfdbg）进行调试
  • 总结
• 张量处理单元

来源：https://my.oschina.net/wizardforcel/blog/3106524