本书以TensorFlow为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在TensorFlow框架下的实现步骤。全书分为基础篇和实战篇，包括17章内容和两个附录，分别为深度学习简介、深度学习框架、机器学习基础知识、TensorFlow深度学习基础、回归模型、神经网络基础、卷积神经网络与计算机视觉、神经网络与自然语言处理、基于YOLO V3的安全帽佩戴检测、基于ResNet的人脸关键点检测、基于ResNet的花卉图片分类、基于U-Net的细胞分割、基于DCGAN的MNIST数据生成、基于迁移学习的电影评论分类、基于LSLM的原创音乐生成、基于RNN的文本分类以及基于TensorFlowTTS的中文语音合成。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。
本书适合Python深度学习初学者、机器学习算法分析从业人员以及全国高等学校计算机科学与技术、软件工程等相关专业的师生阅读。

第1部分 基础篇
第1章 深度学习简介
1.1 计算机视觉
1.1.1 定义
1.1.2 基本任务
1.1.3 传统方法
1.1.4 仿生学与深度学习
1.1.5 现代深度学习
1.1.6 影响卷积神经网络发展的因素
1.2 自然语言处理
1.2.1 自然语言处理的基本问题
1.2.2 传统方法与神经网络方法的比较
1.2.3 发展趋势
1.3 强化学习
1.3.1 什么是强化学习
1.3.2 强化学习算法简介
1.3.3 强化学习的应用
第2章 深度学习框架
2.1 Caffe
2.1.1 Caffe简介
2.1.2 Caffe的特点
2.1.3 Caffe概述
2.2 TensorFlow
2.2.1 TensorFlow简介
2.2.2 数据流图
2.2.3 TensorFlow的特点
2.2.4 TensorFlow概述
2.3 PyTorch
2.3.1 PyTorch简介
2.3.2 PyTorch的特点
2.3.3 PyTorch概述
2.4 三者的比较
2.4.1 Caffe
2.4.2 TensorFlow
2.4.3 PyTorch
第3章 机器学习基础知识
3.1 模型评估与模型参数选择
3.1.1 验证
3.1.2 正则化
3.2 监督学习与非监督学习
3.2.1 监督学习
3.2.2 非监督学习
第4章 TensorFlow深度学习基础
4.1 Tensor对象及其运算
4.2 Tensor的索引和切片
4.3 Tensor的变换、拼接和拆分
4.4 TensorFlow的Reduction操作
4.5 三种计算图
4.6 TensorFlow的自动微分
第5章 回归模型
5.1 线性回归
5.2 Logistic回归
5.3 用TensrFlow实现Logistic回归
5.3.1 数据准备
5.3.2 模型搭建与训练
第6章 神经网络基础
6.1 基础概念
6.2 感知器
6.2.1 单层感知器
6.2.2 多层感知器
6.3 BP神经网络
6.3.1 梯度下降
6.3.2 后向传播
6.4 Dropout正则化
6.5 批标准化
6.5.1 批标准化的实现方式
6.5.2 批标准化的使用方法
第7章 卷积神经网络与计算机视觉
7.1 卷积神经网络的基本思想
7.2 卷积操作
7.3 池化层
7.4 卷积神经网络
7.5 经典网络结构
7.5.1 VGG网络
7.5.2 InceptionNet
7.5.3 ResNet
7.6 用TensorFlow进行手写数字识别
第8章 神经网络与自然语言处理
8.1 语言建模
8.2 基于多层感知器的架构
8.3 基于循环神经网络的架构
8.3.1 循环单元
8.3.2 通过时间后向传播
8.3.3 带有门限的循环单元
8.3.4 循环神经网络语言模型
8.3.5 神经机器翻译
8.4 基于卷积神经网络的架构
8.5 基于Transformer的架构
8.5.1 多头注意力
8.5.2 非参位置编码
8.5.3 编码器单元与解码器单元
8.6 表示学习与预训练技术
8.6.1 词向量
8.6.2 加人上下文信息的特征表示
8.6.3 网络预训练
第2部分 实战篇
第9章 基于YOLO V3的安全帽佩戴检测
9.1 数据准备
9.1.1 数据采集与标注
9.1.2 模型选择
9.1.3 数据格式转换
9.2 模型构建、训练和测试
9.2.1 YOLO系列模型
9.2.2 模型训练
9.2.3 测试与结果
第10章 基于ResNet的人脸关键点检测
10.1 数据准备
10.1.1 人脸裁剪与缩放
10.1.2 数据归一化处理
10.1.3 整体代码
10.2 模型搭建与训练
10.2.1 特征图生成
10.2.2 模型搭建
10.2.3 模型训练
10.3 模型评价
第ll章 基于ResNet的花卉图片分类
11.1 环境与数据准备
11.1.1 环境安装
11.1.2 数据集简介
11.1.3 数据集的下载与处理
11.2 模型构建、训练和测试
11.2.1 模型创建与训练
11.2.2 测试与结果
第12章 基于U-Net的细胞分割
12.1 细胞分割
12.1.1 细胞分割简介
12.1.2 传统细胞分割算法
12.2 基于U-Net细胞分割的实现
12.2.1 U-Net简介
12.2.2 ISBI简介
12.2.3 数据加载
12.2.4 模型训练
12.2.5 训练结果
第13章 基于DCGAN的MNIST数据生成
13.1 生成对抗网络介绍
13.2 准备工作
13.3 创建模型
13.3.1 生成器
13.3.2 判别器
13.4 损失函数和优化器
13.4.1 判别器损失
13.4.2 生成器损失
13.4.3 保存检查点
13.5 定义训练循环
13.6 训练模型和输出结果
第14章 基于迁移学习的电影评论分类
14.1 迁移学习概述
14.2 IMDB数据集
14.3 构建模型解决IMDB数据集分类问题
14.4 模型训练和结果展示