+ [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)