1、圖書內容倡導並實踐理論實踐相結合的教學方式，鼓勵並督促學生“學習和練習相結合，理論與 實踐相結合”。針對圖書所要求的理論與實踐並重，兩方面都要抓，兩方面都要硬的要求，在實際教學過程中，除了基本的課堂授課以外，還會將知識點都設計並貫穿到實驗中，當堂實驗當堂講解當堂掌握，讓學生盡快掌握基本知識的應用。
2、將 Python語言內容加入課程中，使得學生能夠學習了解到目前 IT領域內比較受歡迎的熱門編程 語言。進一步擴寬學生的知識範圍，並為以後的就業打下了扎實的理論和實踐基礎。
3、TensorFlow 使用 Python 來構建和執行 graphs、編寫程序等工作。Python 作為一種流行的腳本語言，擁有免費、跨平臺、簡單易用、使用廣泛等優點；將它應用在人工智能課程的實驗項目上，可以明顯減少花費在實驗項目上的時間，用Python 語言所寫的代碼也更加易於閱讀和維護；不需要學習龐大的AO 接口；能夠快速簡單的建立工作流；
4、本圖書根據實際課程要求的培養目標，結合高校相關專業學生的實際情況，制定了具有鮮明自身特色的教學大綱，從知識的深度和廣度兩方面進一步針對目前流行的人工智能教材進行重新編寫，使教材內容更加的通俗易懂，並具備向國內其他高校相關專業進行普及的特點。
5、在理論教學和實驗教學的手段運用方面，將動畫的形式融入到多媒體教學中，從而將計算機進行思維的過程和特點以及一些繁瑣的算法推理，動態的展現給學生，進一步增強學生的學習興趣，提高學生的學習積極性。
6.本課程是谷歌產學合作項目支持課程。

本書是一本針對高校學生的**TensorFlow學習教材。作者結合眾多高質量的代碼，生動講解了TensorFlow的底層原理，並從實際應用問題入手，從實踐的角度出發，通過具體的TensorFlow案例程序介紹常見的模型和應用解決辦法。同時，在教材中還介紹了模型部署和編程過程中所用到的諸多開發技巧。是學習和掌握人工智能這個*新、*火的IT領域的推薦圖書。

張明，蘭州交通大學電信學院教師，韓國釜山廣域市國立釜慶大學獲工學博士學位。

何艷珊，蘭州交通大學電信學院教師，主要研究方向：數據挖掘與數據庫。

杜永文，碩士生導師，蘭州交通大學物聯網工程實驗室主任。2005年11月到蘭州交通大學任教至今；2005年1月畢業於西北工業大學，並獲工學博士學位。

基礎篇
第1章緒論1
1．1人工智能簡介1
1．1．1人工智能的概念1
1．1．2現代人工智能的興起5
1．1．3人工智能的學術流派5
1．2人工智能的發展歷史8
1．2．1孕育期（1956年之前）8
1．2．2形成期（1956～1969年）9
1．2．3發展期（1970年之後）11
1．3人工智能技術的研究內容與應用領域13
1．3．1神經網絡14
1．3．2機器學習15
1．3．3模式識別15
1．3．4自然語言理解16
1．3．5專家繫統17
1．3．6博弈17
1．3．7智能控制18
1．3．8其他18
1．4人工智能與TensorFlow18
1．4．1機器學習與深度學習18
1．4．2TensorFlow概念20
1．4．3TensorFlow的應用23
第2章Python基礎應用25
2．1引言25
2．2Python的安裝25
2．3數據類型與數據結構29
2．4數字29
2．5變量及其命名規則29
2．6語句和表達式30
2．7字符串31
2．8容器32
2．8．1列表32
2．8組35
2．8．3字典35
2．8．4復制36
2．9函數38
2．9．1常用內置函數及高階函數38
2．9．2用戶自定義函數42
2．10常用庫43
2．10．1時間庫43
2．10．2科學計算庫（NumPy）47
2．10．3可視化繪圖庫（Matplotlib）54
2．10．4鎖與線程58
2．10．5多線程編程59
第3章TensorFlow基礎62
3．1TensorFlow的架構62
3．2TensorFlow的開發環境搭建66
3．3數據流圖簡介77
3．3．1數據流圖基礎77
3．3．2節點的依賴關繫80
3．4TensorFlow中定義數據流圖83
3．4．1構建一個TensorFlow數據流圖83
3．4．2張量思維87
3．4．3張量的形狀90
3．4．4TensorFlow的Op91
3．4．5TensorFlow的Graph對像93
3．4．6TensorFlow的Session94
3．4．7輸入與占位符97
3．4．8Variable對像98
3．5通過名稱作用域組織數據流圖100
3．6構建數據流圖105
3．7運行數據流圖108
第4章TensorFlow運作方式114
4．1數據的準備和下載114
4．2圖表構建與推理115
4．2．1圖表構建115
4．2．2推理116
4．3損失與訓練117
4．3．1損失117
4．3．2訓練117
4．4狀態檢查與可視化118
4．4．1狀態檢查118
4．4．2狀態可視化119
4．5評估模型120
4．6評估圖表的構建與輸出123
4．6．1評估圖表的構建123
4．6．2評估圖表的輸出123
實戰 篇
第5章MNIST機器學習125
5．1MNIST數據集簡介125
5．2MNIST數據下載127
5．2．1數據的準備129
5．2．2數據重構130
5．2．3數據集對像130
5．3softmax回歸模型簡介131
5．4模型的訓練與評估132
5．5TensorFlow模型基本步驟135
5．6構建softmax回歸模型135
第6章卷積神經網絡138
6．1卷積神經網絡138
6．2卷積神經網絡的模型架構142
6．2．1ImageNet-2010網絡結構142
6．2．2DeepID網絡結構143
6．3卷積運算144
6．3．1輸入和卷積核145
6．3．2降維145
6．3．3填充145
6．3．4數據格式145
6．4卷積常見層146
6．4．1卷積層146
6．4．2池化層149
6．4．3歸一化150
6．4．4高級層151
6．5TensorFlow和圖像152
6．5．1圖像加載152
6．5．2圖像格式152
6．5．3圖像操作152
6．5．4顏色空間變換153
6．6模型訓練153
6．7模型評估154
6．8多GPU的模型訓練154
第7章字詞的向量表示155
7．1WordEmbedding的基本概念和知識156
7．2Skip-Gram模型158
7．2．1數據集的準備160
7．2．2模型結構161
7．2．3處理噪聲對比162
7．2．4模型訓練163
7．3嵌套學習可視化與評估164
7．4優化實現166
第8章遞歸神經網絡168
8．1遞歸神經網絡的架構169
8．2PTB數據170
8．3模型及LSTM170
8．3．1LSTM的概念172
8．3．2LSTM的結構173
8．3．3LSTM的控制門173
8．4反向傳播的截斷175
8．5輸入與損失函數175
8．6多個LSTM層堆疊175
8．7代碼的編譯與運行176
第9章Mandelbrot集合177
9．1庫的導入178
9．2會話和變量初始化179
9．3定義並運行計算179
第10章偏微分方程模擬仿真180
10．1計算函數的定義180
10．2偏微分方程的定義182
10．3仿真183
第11章人臉識別185
11．1人臉識別概念185
11．2人臉識別的流程188
11．2．1人臉圖像的采集188
11．2．2人臉圖像的檢測189
11．2．3人臉圖像的預處理189
11．2．4人臉圖像的特征提取189
11．2．5人臉圖像的匹配與識別190
11．2．6活體鋻別190
11．3人臉識別種類190
11．3．1人臉檢測190
11．3．2人臉關鍵點檢測191
11．3．3人臉驗證194
11．4人臉檢測194
11．4．1LFW數據集194
11．4．2數據預處理與檢測195
11．5性別和年齡識別196
11．5．1數據預處理198
11．5．2模型構建198
11．5．3模型訓練203
11．5．4模型驗證204