（1）一切以代碼說話：本書的一切原理都有相應的代碼實現。一時不能理解的原理，可以通過實踐慢慢體會，能夠讓程序員以較低的成本迅速入門。（2）從現像到本質：世界上除了這兩種主流框架之外，還有微軟的cntk、亞馬遜的mxnet、百度的paddlepaddle等。其實本質上它們都趨同的，有了本書學習的基礎，寄希讀者可以更高維度地思考框架背後的設計理念，有所取舍，而不淪為其奴僕。（3）5-4-6 速成法：深度學習用到的數學知識很多，概念也很多，學習曲線很陡。但是，筆者還是從中抓住了一條主線——計算圖模型。等

●緒論？程序員為什麼要學習機器學習 0.1？工業革命級的技術紅利 0.2？中美兩國為機器學習作背書 0.3？從編程思維向數據思維的進化 第1章？30分鐘環境搭建速成 1.1？使用Anaconda搭建開發環境 1.2？使用Python自帶的開發環境 1.3？從源代碼搭建開發環境 第2章？深度學習5-4-6速成法 2.1？計算圖模型與計算框架 2.2？五步法構造基本模型 2.3？案例教程 2.4？5-4-6速成法學習PyTorch 2.5？5-4-6速成法學習TensorFlow 2.6？在TensorFlow中使用Keras 2.7？本章小結 第3章？張量與計算圖 3.1？0維張量：標量 3.2？計算圖與流程控制 3.3？變量 第4章？向量與矩陣 4.1？1維張量：向量 4.2？2維張量：矩陣 4.3？n維：張量 第5章？高級矩陣編程 5.1？範數及其實現 5.2？跡運算 5.3？矩陣分解 第6章？優化方法 6.1？梯度下降的基本原理 6.2？高維條件下的梯度下降 6.3？PyTorch和TensorFlow中的梯度計算 6.4？梯度下降案例教程 6.5？優化方法進階 第7章？深度學習基礎 7.1？從回歸到分類 7.2？深度學習簡史 第8章？基礎網絡結構：卷積網絡 8.1？卷積的原理與計算 8.2？池化層 8.3？激活函數 8.4？AlexNet 第9章？卷積網絡圖像處理進階 9.1？小卷積核改進VGGNet 9.2？GoogLeNet 9.3？殘差網絡 9.4？目標檢測 9.5？人臉識別 第10章？基礎網絡結構：循環神經網絡 10.1？循環神經網絡原理 10.2？實用循環神經網絡：LSTM 10.3？LSTM案例教程 10.4？實用循環神經網絡：GRU 10.5？雙向循環神經網絡 10.6？將隱藏狀態串聯起來 第11章？RNN在自然語言處理中的應用 11.1？文本編碼：從獨熱編碼到詞向量 11.2？Char-RNN算法 11.3？Char-RNN的訓練 11.4？Char-RNN的預測推理 11.5？Char-RNN完整模型 第12章？用JavaScript進行TensorFlow編程 12.1？TensorFlow.js的簡介和安裝 12.2？TensorFlow.js的張量操作 12.3？TensorFlow.js的常用運算 12.4？激活函數 12.5？TensorFlow.js變量 12.6？TensorFlow.js神經網絡編程 12.7？TensorFlow.js實現完整模型 12.8？TensorFlow.js的後端接口 第13章？高級編程 13.1？GPU加速 13.2？生成對抗網絡 13.3？Attention機制 13.4？多任務學習 第14章？超越深度學習 14.1？自動機器學習AutoML 14.2？Autokeras 14.3？Windows Subsystem for Linux 14.4？強化學習 14.5？強化學習編程 14.6？下一步的學習方法

    《TensorFlow+PyTorch深度學習從算法到實戰》詳盡介紹深度學習相關的基本原理與使用TensorFlow、PyTorch兩大主流框架的開發基礎知識和基本技術，並且展示了在圖像識別與文本生成實際問題中的應用方法。同時考慮到程序員擅長JavaScript 的人員比熟悉Python 的人員更多的情況，特別增加了對於TensorFlow.js 的介紹。初學者面對深度學習望而卻步的主要原因是認為入門門檻太高，需要較多的算法基礎訓練。針對此問題，本書原創了5-4-6 學習模型提綱挈領地降低學習曲線，並通過將知識點和難點分散到代碼中的方式讓讀者以熟悉的方式迅速入門，並且為進一步學習打下堅實的基礎。同時，本書也介紹了AutoML和深度強化學習等新技術，幫助讀者開闊眼界。    《TensorFlow+PyT等

劉子瑛編著 著

    第3章張量與計算圖第2章我們嘗試了深度學習的樂趣。“萬丈高樓平地起”，我們看到了目標之後，並不等於有捷徑達到目標，還是需要踏踏實實地從素開始學習。Google的深度學習框架名稱為TensorFlow，可見Tensor張量對於這個框架的重要性。另外，張量雖然很重要，但是如何將張量組合起來也同樣重要。目前主流的框架都是通過計算圖的方式來將張量組織起來。我們通過靜態計算圖的典型案例TensorFlow和動態計算圖的典型PyTorch，可以深刻地理解計算圖的本質。本章將介紹以下內容0維張量：標量計算圖與流程控制變量3.1 0維張量：標量所謂張量，從程序員的角度理解，就是一個多維的數組。根據維數不同，不同的張量有不同的別名。0維的張量，稱為標量。標量雖然最簡單，但是也涉及數據類型、算術運算、邏輯運算、飽和運算等基礎操作。1維的張量，稱為向量。從等