【IT168 编译】人工智能和深度学习是当前非常热门的技术，人们对计算机视觉、图像识别和分类、自然语言处理（NLP）和语音识别的兴趣越来越高。深度学习所基于的深度神经网络（DNN）受到大量数据的训练，能以前所未有的精度解决复杂的任务。 TensorFlow是一个领先的开源软件框架，可帮助构建和训练神经网络。这里有一个很好的资源，可以帮助你开始使用TensorFlow：由Tom Hope、Yehezkel S. Resheff和Itay Leider撰写的“学习 TensorFlow”。

　　这本书篇幅简短，共228页。它简洁的介绍了如何为广泛的技术人员提供TensorFlow基础知识的实践方法。从数据科学家到数据工程师，再到学生和研究人员。如果你正在寻找神经网络和深度学习的深入介绍，但是这本书不适合你。本书会使你快速入门TensorFlow框架，让你能够启动并运行。这本书是TensorFlow的在线文档的替代方案。你需要熟悉Python编程，因为在本书中可以找到代码片段。

　　本书将引导到MNIST手写数字数据集来执行一些机器学习和图像处理。那么早期你正在用Python和TensorFlow构建卷积神经网络（CNN）。接下来，介绍CIFAR10数据集。你将学习训练一个DNN，并使用TensorFlow建立模型来识别汽车、飞机和各种动物的图像，精度达到70％。有些人可能会质疑MNIST和CIFAR数据集的使用（这些数据集与TensorFlow网站上讨论的数据集相同），但我不认为这是一件坏事。这些都是行业标准数据集，在学习新框架的同时提供一定程度的熟悉度。

　　以下是章节列表：

　　第一章 - 介绍

　　第2章 - 使用Flow：使用TensorFlow运行

　　第3章 - 了解张量流基础

　　第四章 - 卷积神经网络

　　第5章 - 文本I：使用文本和序列以及TensorBoard可视化

　　第6章 - 文本II：字向量，高级RNN和嵌入可视化

　　第7章 - 张量抽象和简化

　　第8章 - 队列、线程和读取数据

　　第9章 - 分布式张量流

　　第10章 - 使用张量流导出和服务的模型

　　只有228页，你可能不认为这本书是一个完整的TensorFlow参考手册。不过，如果你使用更深入的在线资源深入了解框架，则可以将本书作为第一级参考。你将从一些Python中受益，并且对计算机科学、机器学习、线性代数和统计学等方面的合理的认识几乎是可以预料的。

　　更高层次的抽象被放在本书的后面（第7章）。一旦你通过CNN和RNN的工作，本书介绍了contrib.learn，TFLearn和Keras的更高层次的抽象。本书将介绍如何安装和使用这些开源技术。本章将介绍使用群集来计算群集中的渐变以加快培训练速度的示例。　　

　　“学习TensorFlow”代表了这个流行的深度学习框架的简洁快速的介绍。这不是你唯一的学习资源，但是这是一个很好的开始。如果你发现自己正在经历关于Coursera的深度学习专业新的5门课程系列，你会发现TensorFlow被经常使用，这本书将是一个受欢迎的资源。