SUMMARY.md

+   [精通 TensorFlow 1.x](README.md)
+   [TensorFlow 101](8.md)
    +   [什么是 TensorFlow？](9.md)
    +   [TensorFlow 核心](10.md)
    +   [代码预热 - Hello TensorFlow](11.md)
    +   [张量](12.md)
    +   [常量](13.md)
    +   [操作](14.md)
    +   [占位符](15.md)
    +   [从 Python 对象创建张量](16.md)
    +   [变量](17.md)
    +   [从库函数生成的张量](18.md)
    +   [使用相同的值填充张量元素](19.md)
    +   [用序列填充张量元素](20.md)
    +   [使用随机分布填充张量元素](21.md)
    +   [使用`tf.get_variable()`获取变量](22.md)
    +   [数据流图或计算图](23.md)
    +   [执行顺序和延迟加载](24.md)
    +   [跨计算设备执行图 - CPU 和 GPU](25.md)
    +   [将图节点放置在特定的计算设备上](26.md)
    +   [简单放置](27.md)
    +   [动态展示位置](28.md)
    +   [软放置](29.md)
    +   [GPU 内存处理](30.md)
    +   [多个图](31.md)
    +   [TensorBoard](32.md)
    +   [TensorBoard 最小的例子](33.md)
    +   [TensorBoard 详情](34.md)
    +   [总结](35.md)
+   [TensorFlow 的高级库](36.md)
    +   [TF Estimator - 以前的 TF 学习](37.md)
    +   [TF Slim](38.md)
    +   [TFLearn](39.md)
    +   [创建 TFLearn 层](40.md)
    +   [TFLearn 核心层](41.md)
    +   [TFLearn 卷积层](42.md)
    +   [TFLearn 循环层](43.md)
    +   [TFLearn 正则化层](44.md)
    +   [TFLearn 嵌入层](45.md)
    +   [TFLearn 合并层](46.md)
    +   [TFLearn 估计层](47.md)
    +   [创建 TFLearn 模型](48.md)
    +   [TFLearn 模型的类型](49.md)
    +   [训练 TFLearn 模型](50.md)
    +   [使用 TFLearn 模型](51.md)
    +   [PrettyTensor](52.md)
    +   [Sonnet](53.md)
    +   [总结](54.md)
+   [Keras 101](55.md)
    +   [安装 Keras](56.md)
    +   [Keras 中的神经网络模型](57.md)
    +   [在 Keras 建立模型的工作流程](58.md)
    +   [创建 Keras 模型](59.md)
    +   [用于创建 Keras 模型的顺序 API](60.md)
    +   [用于创建 Keras 模型的函数式 API](61.md)
    +   [Keras 层](62.md)
    +   [Keras 核心层](63.md)
    +   [Keras 卷积层](64.md)
    +   [Keras 池化层](65.md)
    +   [Keras 本地连接层](66.md)
    +   [Keras 循环层](67.md)
    +   [Keras 嵌入层](68.md)
    +   [Keras 合并层](69.md)
    +   [Keras 高级激活层](70.md)
    +   [Keras 正则化层](71.md)
    +   [Keras 噪音层](72.md)
    +   [将层添加到 Keras 模型](73.md)
    +   [用于将层添加到 Keras 模型的顺序 API](74.md)
    +   [用于向 Keras 模型添加层的函数式 API](75.md)
    +   [编译 Keras 模型](76.md)
    +   [训练 Keras 模型](77.md)
    +   [使用 Keras 模型进行预测](78.md)
    +   [Keras 的附加模块](79.md)
    +   [MNIST 数据集的 Keras 序列模型示例](80.md)
    +   [总结](81.md)
+   [使用 TensorFlow 进行经典机器学习](82.md)
    +   [简单的线性回归](83.md)
    +   [数据准备](84.md)
    +   [构建一个简单的回归模型](85.md)
    +   [定义输入，参数和其他变量](86.md)
    +   [定义模型](87.md)
    +   [定义损失函数](88.md)
    +   [定义优化器函数](89.md)
    +   [训练模型](90.md)
    +   [使用训练的模型进行预测](91.md)
    +   [多元回归](92.md)
    +   [正则化回归](93.md)
    +   [套索正则化](94.md)
    +   [岭正则化](95.md)
    +   [ElasticNet 正则化](96.md)
    +   [使用逻辑回归进行分类](97.md)
    +   [二分类的逻辑回归](98.md)
    +   [多类分类的逻辑回归](99.md)
    +   [二分类](100.md)
    +   [多类分类](101.md)
    +   [总结](102.md)
+   [使用 TensorFlow 和 Keras 的神经网络和 MLP](103.md)
    +   [感知机](104.md)
    +   [多层感知机](105.md)
    +   [用于图像分类的 MLP](106.md)
    +   [用于 MNIST 分类的基于 TensorFlow 的 MLP](107.md)
    +   [用于 MNIST 分类的基于 Keras 的 MLP](108.md)
    +   [用于 MNIST 分类的基于 TFLearn 的 MLP](109.md)
    +   [使用 TensorFlow，Keras 和 TFLearn 的 MLP 总结](110.md)
    +   [用于时间序列回归的 MLP](111.md)
    +   [总结](112.md)
+   [使用 TensorFlow 和 Keras 的 RNN](113.md)
    +   [简单循环神经网络](114.md)
    +   [RNN 变种](115.md)
    +   [LSTM 网络](116.md)
    +   [GRU 网络](117.md)
    +   [TensorFlow RNN](118.md)
    +   [TensorFlow RNN 单元类](119.md)
    +   [TensorFlow RNN 模型构建类](120.md)
    +   [TensorFlow RNN 单元包装器类](121.md)
    +   [适用于 RNN 的 Keras](122.md)
    +   [RNN 的应用领域](123.md)
    +   [用于 MNIST 数据的 Keras 中的 RNN](124.md)
    +   [总结](125.md)
+   [使用 TensorFlow 和 Keras 的时间序列数据的 RNN](126.md)
    +   [航空公司乘客数据集](127.md)
    +   [加载 airpass 数据集](128.md)
    +   [可视化 airpass 数据集](129.md)
    +   [使用 TensorFlow RNN 模型预处理数据集](130.md)
    +   [TensorFlow 中的简单 RNN](131.md)
    +   [TensorFlow 中的 LSTM](132.md)
    +   [TensorFlow 中的 GRU](133.md)
    +   [使用 Keras RNN 模型预处理数据集](134.md)
    +   [使用 Keras 的简单 RNN](135.md)
    +   [使用 Keras 的 LSTM](136.md)
    +   [使用 Keras 的 GRU](137.md)
    +   [总结](138.md)
+   [使用 TensorFlow 和 Keras 的文本数据的 RNN](139.md)
    +   [词向量表示](140.md)
    +   [为 word2vec 模型准备数据](141.md)
    +   [加载和准备 PTB 数据集](142.md)
    +   [加载和准备 text8 数据集](143.md)
    +   [准备小验证集](144.md)
    +   [使用 TensorFlow 的 skip-gram 模型](145.md)
    +   [使用 t-SNE 可视化单词嵌入](146.md)
    +   [keras 的 skip-gram 模型](147.md)
    +   [使用 TensorFlow 和 Keras 中的 RNN 模型生成文本](148.md)
    +   [TensorFlow 中的 LSTM 文本生成](149.md)
    +   [Keras 中的 LSTM 文本生成](150.md)
    +   [总结](151.md)
+   [使用 TensorFlow 和 Keras 的 CNN](152.md)
    +   [理解卷积](153.md)
    +   [了解池化](154.md)
    +   [CNN 架构模式 - LeNet](155.md)
    +   [用于 MNIST 数据的 LeNet](156.md)
    +   [使用 TensorFlow 的用于 MNIST 的 LeNet CNN](157.md)
    +   [使用 Keras 的用于 MNIST 的 LeNet CNN](158.md)
    +   [用于 CIFAR10 数据的 LeNet](159.md)
    +   [使用 TensorFlow 的用于 CIFAR10 的 ConvNets](160.md)
    +   [使用 Keras 的用于 CIFAR10 的 ConvNets](161.md)
    +   [总结](162.md)
+   [使用 TensorFlow 和 Keras 的自编码器](163.md)
    +   [自编码器类型](164.md)
    +   [TensorFlow 中的栈式自编码器](165.md)
    +   [Keras 中的栈式自编码器](166.md)
    +   [TensorFlow 中的去噪自编码器](167.md)
    +   [Keras 中的去噪自编码器](168.md)
    +   [TensorFlow 中的变分自编码器](169.md)
    +   [Keras 中的变分自编码器](170.md)
    +   [总结](171.md)
+   [TF 服务：生产中的 TensorFlow 模型](172.md)
    +   [在 TensorFlow 中保存和恢复模型](173.md)
    +   [使用保护程序类保存和恢复所有图变量](174.md)
    +   [使用保护程序类保存和恢复所选变量](175.md)
    +   [保存和恢复 Keras 模型](176.md)
    +   [TensorFlow 服务](177.md)
    +   [安装 TF 服务](178.md)
    +   [保存 TF 服务的模型](179.md)
    +   [提供 TF 服务模型](180.md)
    +   [在 Docker 容器中提供 TF 服务](181.md)
    +   [安装 Docker](182.md)
    +   [为 TF 服务构建 Docker 镜像](183.md)
    +   [在 Docker 容器中提供模型](184.md)
    +   [Kubernetes 中的 TensorFlow 服务](185.md)
    +   [安装 Kubernetes](186.md)
    +   [将 Docker 镜像上传到 dockerhub](187.md)
    +   [在 Kubernetes 部署](188.md)
    +   [总结](189.md)
+   [迁移学习和预训练模型](190.md)
    +   [ImageNet 数据集](191.md)
    +   [再训练或微调模型](192.md)
    +   [COCO 动物数据集和预处理图像](193.md)
    +   [TensorFlow 中的 VGG16](194.md)
    +   [使用 TensorFlow 中预训练的 VGG16 进行图像分类](195.md)
    +   [TensorFlow 中的图像预处理，用于预训练的 VGG16](196.md)
    +   [使用 TensorFlow 中的再训练的 VGG16 进行图像分类](197.md)
    +   [Keras 的 VGG16](198.md)
    +   [使用 Keras 中预训练的 VGG16 进行图像分类](199.md)
    +   [使用 Keras 中再训练的 VGG16 进行图像分类](200.md)
    +   [TensorFlow 中的 Inception v3](201.md)
    +   [使用 TensorFlow 中的 Inception v3 进行图像分类](202.md)
    +   [使用 TensorFlow 中的再训练的 Inception v3 进行图像分类](203.md)
    +   [总结](204.md)
+   [深度强化学习](205.md)
    +   [OpenAI Gym 101](206.md)
    +   [将简单的策略应用于 cartpole 游戏](207.md)
    +   [强化学习 101](208.md)
    +   [Q 函数（在模型不可用时学习优化）](209.md)
    +   [RL 算法的探索与开发](210.md)
    +   [V 函数（模型可用时学习优化）](211.md)
    +   [强化学习技巧](212.md)
    +   [强化学习的朴素神经网络策略](213.md)
    +   [实现 Q-Learning](214.md)
    +   [Q-Learning 的初始化和离散化](215.md)
    +   [使用 Q-Table 进行 Q-Learning](216.md)
    +   [Q-Network 或深度 Q 网络（DQN）的 Q-Learning](217.md)
    +   [总结](218.md)
+   [生成性对抗网络](219.md)
    +   [生成性对抗网络 101](220.md)
    +   [建立和训练 GAN 的最佳实践](221.md)
    +   [使用 TensorFlow 的简单的 GAN](222.md)
    +   [使用 Keras 的简单的 GAN](223.md)
    +   [使用 TensorFlow 和 Keras 的深度卷积 GAN](224.md)
    +   [总结](225.md)
+   [使用 TensorFlow 集群的分布式模型](226.md)
    +   [分布式执行策略](227.md)
    +   [TensorFlow 集群](228.md)
    +   [定义集群规范](229.md)
    +   [创建服务器实例](230.md)
    +   [定义服务器和设备之间的参数和操作](231.md)
    +   [定义并训练图以进行异步更新](232.md)
    +   [定义并训练图以进行同步更新](233.md)
    +   [总结](234.md)
+   [移动和嵌入式平台上的 TensorFlow 模型](235.md)
    +   [移动平台上的 TensorFlow](236.md)
    +   [Android 应用中的 TF Mobile](237.md)
    +   [Android 上的 TF Mobile 演示](238.md)
    +   [iOS 应用中的 TF Mobile](239.md)
    +   [iOS 上的 TF Mobile 演示](240.md)
    +   [TensorFlow Lite](241.md)
    +   [Android 上的 TF Lite 演示](242.md)
    +   [iOS 上的 TF Lite 演示](243.md)
    +   [总结](244.md)
+   [R 中的 TensorFlow 和 Keras](245.md)
    +   [在 R 中安装 TensorFlow 和 Keras 软件包](246.md)
    +   [R 中的 TF 核心 API](247.md)
    +   [R 中的 TF 估计器 API](248.md)
    +   [R 中的 Keras API](249.md)
    +   [R 中的 TensorBoard](250.md)
    +   [R 中的 tfruns 包](251.md)
    +   [总结](252.md)
+   [调试 TensorFlow 模型](253.md)
    +   [使用`tf.Session.run()`获取张量值](254.md)
    +   [使用`tf.Print()`打印张量值](255.md)
    +   [用`tf.Assert()`断言条件](256.md)
    +   [使用 TensorFlow 调试器（tfdbg）进行调试](257.md)
    +   [总结](258.md)
+   [张量处理单元](259.md)