●章 Python和TensorFlow 2.0的安装
1.1 Python基本安装和用法
1.1.1 Anaconda的下载与安装
1.1.2 Python编译器PyCharm的安装
1.1.3 使用Python计算softmax函数
1.2 TensorFlow 2.0 GPU版本的安装
1.2.1 检测Anaconda中的TensorFlow版本
1.2.2 TensorFlow 2.0 GPU版本基础显卡推荐和前置
1.3 Hello TensorFlow
1.4 本章小结
第2章 简化代码的复杂性：TensorFlow 2.0基础与进阶
2.1 配角转成主角――从TensorFlow Eager Execution转正谈起
2.1.1 Eager简介与调用
2.1.2 读取数据
2.1.3 使用TensorFlow 2.0模式进行线性回归的一个简单的例子
2.2 Hello TensorFlow & Keras
2.2.1 MODEL！MODEL！MODEL！还是MODEL
2.2.2 使用Keras API实现鸢尾花分类的例子（顺序模式）
2.2.3 使用Keras函数式编程实现鸢尾花分类的例子（重点）
2.2.4 使用保存的Keras模式对模型进行复用
2.2.5 使用TensorFlow 2.0标准化编译对Iris模型进行拟合
2.2.6 多输入单一输出TensorFlow 2.0编译方法（选学）
2.2.7 多输入多输出TensorFlow 2.0编译方法（选学）
2.3 全连接层详解
2.3.1 全连接层的定义与实现
2.3.2 使用TensorFlow 2.0自带的API实现全连接层
2.3.3 打印显示TensorFlow 2.0设计的Model结构和参数
2.4 本章小结
第3章 TensorFlow 2.0语法基础
3.1 BP神经网络简介
3.2 BP神经网络基础算法详解
3.2.1 小二乘法（LS算法）详解
3.2.2 道士下山的故事――梯度下降算法
3.3 反馈神经网络反向传播算法介绍
3.3.1 深度学习基础
3.3.2 链式求导法则
3.3.3 反馈神经网络原理与公式推导
3.3.4 反馈神经网络原理的激活函数
3.3.5 反馈神经网络原理的Python实现
3.4 本章小结
第4章 卷积层详解与MNIST实战
4.1 卷积运算基本概念
4.1.1 卷积运算
4.1.2 TensorFlow 2.0中卷积函数实现详解
4.1.3 池化运算
4.1.4 softmax激活函数
4.1.5 卷积神经网络原理
4.2 TensorFlow 2.0编程实战―MNIST手写体识别
4.2.1 MNIST数据集
4.2.2 MNIST数据集特征和标签介绍
4.2.3 TensorFlow 2.0编程实战MNIST数据集
4.2.4 使用自定义的卷积层实现MNIST识别
4.3 本章小结
第5章 TensorFlow 2.0 Dataset使用详解
5.1 Dataset API基本结构和内容
5.1.1 Dataset API数据种类
5.1.2 Dataset API基础使用
5.2 Dataset API不错用法
5.2.1 Dataset API数据转换方法
5.2.2 一个读取图片数据集的例子
5.3 使用TFRecord API创建和使用数据集
5.3.1 TFRecord详解
5.3.2 TFRecord的创建
5.3.3 TFRecord的读取
5.4 TFRecord实战――带有处理模型的完整例子
5.4.1 创建数据集
5.4.2 创建解析函数
5.4.3 创建数据模型
5.4 本章小结
第6章 从开始：ResNet
6.1 ResNet基础原理与程序设计基础
6.1.1 ResNet诞生的背景
6.1.2 模块工具的TensorFlow实现――不要重复造轮子
6.1.3 TensorFlow不错模块layers用法简介
6.2 ResNet实战CIFAR-100数据集分类
6.2.1 CIFAR-100数据集简介
6.2.2 ResNet残差模块的实现
6.2.3 ResNet网络的实现
6.2.4 使用ResNet对CIFAR-100进行分类
6.3 ResNet的兄弟――ResNeXt
6.3.1 ResNeXt诞生的背景
6.3.2 ResNeXt残差模块的实现
6.3.3 ResNeXt网络的实现
6.3.4 ResNeXt和ResNet的比较
其他的卷积神经模型简介
.1 SqueezeNet模型简介
.2 Xception模型简介
6.5 本章小结
第7章 Attention is all we need！
7.1 简单的理解注意力机制
7.1.1 何为“注意力”
7.1.2 “hard or soft？”――注意力机制的两种常见形式
7.1.3 “Spatial and Channel！”――注意力机制的两种实现形式
7.2 SENet 和CBAM注意力机制的经典模型
7.2.1 后的――SENet
7.2.2 结合了Spatial和Channel的CBAM模型
7.2.3 注意力的前沿研究――基于细粒度的图像注意力机制
7.3 本章小结
第8章 卷积神经网络实战：识文断字我也可以
8.1 文本数据处理
8.1.1 数据集介绍和数据清洗
8.1.2 停用词的使用
8.1.3 词向量训练模型word2vec使用介绍
8.1.4 文本主题的提取――基于TF-IDF（选学）
8.1.5 文本主题的提取――基于TextRank（选学）
8.2 针对文本的卷积神经网络模型简介――字符卷积
8.2.1 字符（非单词）文本的处理
8.2.2 卷积神经网络文本分类模型的实现――Conv1D（一维卷积）
8.3 针对文本的卷积神经网络模型简介――词卷积
8.3.1 单词的文本处理
8.3.2 卷积神经网络文本分类模型的实现――Conv2D（二维卷积）
8.4 使用卷积对文本分类的补充内容
8.4.1 汉字的文本处理
8.4.2 其他的一些细节
8.5 本章小结