TensorFlow教程（从入门到精通）

TensorFlow图标 TensorFlow 是一个开源的、基于 Python 的、目前最热门的机器学习框架。

TensorFlow 在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，而且支持多种客户端语言下的安装和运行。兼容运行的语言除 Python 外还有 C/C++、Java、Go、R语言等。

本套教程从机器学习和 TensorFlow 的基础开始，针对初学者只选择实际应用中的必需知识，对前馈神经网络、卷积神经网络、循环神经网络、深度强化学习进行了浅显易懂的阐述，其中包括很多具体的 TensorFlow 示例，最后的项目实战能够教会初学者运用深度学习解决实际问题，从而进入人工智能这一前沿的热门领域。

读懂这套 TensorFlow 教程，能让初学者快速地了解和掌握这一工具，并能搭建常用的神经网络模型。

教程目录: 1. 人工智能简介; 2. TensorFlow2.0简介; 3. 神经网络的基本结构; 4. 卷积神经网络的特征和结构; 5. 简单循环神经网络及基本结构; 6. 从AlphaGo看深度强化学习; 7. Chars74K—CNN实战项目; 8. 机器学习是什么; 9. TensorFlow的相关术语; 10. 神经网络中常用的激活函数; 11. 卷积是什么; 12. 循环神经网络的计算和参数更新; 13. 强化学习的基本概念（实例讲解）; 14. CIFAR-10—CNN实战项目; 15. 机器学习的基本流程; 16. TensorFlow的架构; 17. 神经网络中常用的损失函数; 18. 卷积层的基本结构; 19. 常用的循环神经网络结构; 20. 马尔可夫决策过程（MDP）; 21. 新闻文本分类—RNN实战项目; 22. 数据预处理的常用方式; 23. TensorFlow安装教程（图示版）; 24. 神经网络中的输出单元; 25. 卷积神经网络池化层的作用和种类; 26. TensorFlow实现循环神经网络; 27. 最优价值函数和贝尔曼方程; 28. 聊天机器人—RNN实战项目; 29. 特征工程的主要内容; 30. Tensorflow "tf.data" API的使用; 31. 神经网络实现MNIST手写数字识别; 32. 卷积神经网络实现图像分类; 33. 循环神经网络长期依赖问题及优化; 34. 强化学习算法：价值迭代和策略迭代算法; 35. DQN算法实现“CartPole”游戏—DRL实战项目; 36. 模型的评估和选择; 37. TensorFlow "tf.keras"API的应用; 38. LSTM（长短期记忆网络）的结构与计算; 39. 蒙特卡罗方法; 40. 深度学习的发展历程; 41. TensorFlow GPU安装教程（图示版）; 42. GRU(门控循环单元)网络结构与计算; 43. 时序差分学习算法; 44. 深度学习的应用领域; 45. TensorFlow GPU的使用; 46. TensorFlow实现LSTM和GRU; 47. 值函数近似算法; 48. 循环神经网络的应用; 49. 策略搜索（强化学习方法）; 50. 浅谈注意力模型; 51. Q-Learning算法实现“Frozen Lake”游戏; 52. REINFORCE算法实现“CartPole-v1”游戏; 53. Actor-Critic算法实现“MountainCar-v0”游戏; 54. DQN和DDPG深度强化学习的2个算法