第1章 MNIST机器学习入门

 1.1 MNIST数据集

1.1.1 简介

1.1.2 实验：将MNIST数据集保存为图片

1.1.3 图像标签的独热(one-hot)表示

 1.2 利用TensorFlow识别MN

1.2.1 Softmax回归

1.2.2 两层卷积网络分类

 1.3 总结

第2章 CIFAR-10与ImageNet图像识别

 2.1 CIFAR-10数据集

2.1.1 CIFAR-10简介

2.1.2 下载CIFAR-10数据

2.1.3 TensorFlow的数据读取机制

2.1.4 实验：将CIFAR-10数据集保存为图片形式

 2.2 利用TensorFlow训练CIFAR-10识别模型

2.2.1 数据增强(Data Augmentation)

2.2.2 CIFAR-10识别模型

2.2.3 训练模型

2.2.4 在TensorFlow中查看训练进度

2.2.5 测试模型效果

 2.3 ImageNet图像识别模型

2.3.1 ImageNet数据集简介

2.3.2 历代ImageNet图像识别模型

 2.4 总结

第3章 打造自己的图像识别模型

 3.1 微调(Fine-tune)的原理

 3.2 数据准备

 3.3 使用TensorFlow Slim微调模型

3.3.1 下载TensorFlow Slim的源代码

3.3.2 定义新的datasets文件

3.3.3 准备训练文件夹

3.3.4 开始训练

3.3.5 训练程序行为

3.3.6 验证模型正确率

3.3.7 TensorBoard可视化与超参数选择

3.3.8 导出模型并对单张图片进行识别

 3.4 总结

第4章 Deep Dream模型

 4.1 Deep Dream的技术原理

 4.2 TensorFlow中的Deep Dream模型实践

4.2.1 导入Inception模型

4.2.2 生成原始的Deep Dream图像

4.2.3 生成更大尺寸的Deep Dream图像

4.2.4 生成更高质量的Deep Dream图像

4.2.5 终的Deep Dream模型

 4.3 总结

第5章 深度学习中的目标检测

 5.1 深度学习中目标检测的原理

5.1.1 R-N的原理

5.1.2 SPPNet的原理

……

第6章 人脸检测和人脸识别

第7章 图像风格迁移

第8章 GAN和DCGAN入门

第9章 pix2pix模型与自动上色技术

第10章 超分辨率：如何让图像变得更清晰

第11章 CycleGAN与非配对图像转换

第12章 RNN基本结构与Char RNN文本生成

第13章 序列分类问题详解

第14章 词的向量表示：word2vec与词嵌入

第15章 在TensorFlow中进行时间序列预测

第16章 神经网络机器翻译技术

第17章 看图说话：将图像转换为文字

第18章 强化学习入门之Q

第19章 强化学习入门之SARSA算法

第20章 深度强化学习：Deep Q Learning

第21章 策略梯度（Policy Gradient）算法

何之源编著的这本《21个项目玩转深度学习（基于TensorFlow的实践详解）》以实践为导向，深入介绍了深度学习技术和TensorFlow框架编程内容。

通过本书，读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用，还可以使用神经网络生成图像和文本，进行时间序列预测、搭建机器翻译引擎，训练机器玩游戏等。全书共包含21个项目，分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣，了解算法和编程框架的细节，让学习深度学习算法和TensorFlow的过程变得轻松和高效。本书基于TensorFlow 1.4版本，并介绍了该版本中的一些新特性。

本书适合有一定机器学习基础的学生、研究者或从业者阅读，尤其是希望深入研究TensorFlow和深度学习算法的数据工程师，也适合对人工智能、深度学习感兴趣的在校学生，以及希望进入大数据应用的研究者。

何之源编著的这本《21个项目玩转深度学习（基于TensorFlow的实践详解）》以TensorFlow为工具，从基础的MNIST手写体识别开始，介绍基础的卷积神经网络、循环神经网络，包括正处于前沿的对抗生成网络、深度强化学习等课题。书中所有内容由21个可以动手实验的项目组织起来，并在其中穿插TensorFlow的教学内容，让读者可以在实践中轻松地入门深度学习，掌握TensorFlow的使用方法，并积累丰富的深度学习实战经验。

通过本书，可以学到：在动手实践中快速进入深度学习领域；通过实验快速掌握TensorFlow的操作方法；掌握卷积神经网络、循环神经网络、对抗生成网络和深度强化学习等知识；积累丰富的深度学习实战项目，如图像分类、目标检测、人脸识别、图像生成、文本生成、序列分类、时间序列预测等；学习TensorFlow的一些新特性，如Time Series模块、RNNCell等。