简单粗暴 TensorFlow 2 | A Concise Handbook of TensorFlow 2

简体中文版

繁體中文版

English Version

这是一本简明的 TensorFlow 2 入门指导手册，基于 Keras 和即时执行模式（Eager Execution），力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow 2。同时也是纸质版技术手册 《简明的 TensorFlow 2》 的部分草稿。

本手册的所有代码基于 TensorFlow 2.2 正式版。文中的所有示例代码可至 这里 获得。

本手册正于TensorFlow官方微信公众号（TensorFlow_official）连载，可点此查看 连载文章目录 。本手册的原始语言为简体中文，并有 繁体中文版 和 英文版 。本手册是 Google Summer of Code 2019 项目之一，并获得 谷歌开源贡献奖（Google Open Source Peer Bonus） 。

自2020年4月起，在每章文末加入了留言区，欢迎有需要的读者在文末讨论交流。

GitHub： https://github.com/snowkylin/tensorflow-handbook

教程答疑区： https://discuss.tf.wiki

纸质完整版：《简明的 TensorFlow 2》

本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。 豆瓣评分：https://book.douban.com/subject/35217981/ 纸质版购买链接： 京东 当当 天猫 图灵社区

目录

• 推荐序
  • 李双峰（Google TensorFlow 中国研发负责人）
  • Soonson Kwon (Global ML Ecosystem Programs Lead in Google)
  • 童云海（北京大学图书馆副馆长）
• 前言
  • 本书的适用群体
  • 如何使用本书
  • 致谢
• TensorFlow概述
  • 学生和研究者：模型的建立与训练
  • 开发者和工程师：模型的调用与部署
  • TensorFlow能帮助我们做什么？

基础

• TensorFlow安装与环境配置
  • 一般安装步骤
  • GPU版本TensorFlow安装指南
    • GPU硬件的准备
    • NVIDIA驱动程序的安装
    • CUDA Toolkit和cuDNN的安装
  • 第一个程序
  • IDE设置
  • TensorFlow所需的硬件配置 *
• TensorFlow基础
  • TensorFlow 1+1
  • 自动求导机制
  • 基础示例：线性回归
    • NumPy下的线性回归
    • TensorFlow下的线性回归
• TensorFlow 模型建立与训练
  • 模型（Model）与层（Layer）
  • 基础示例：多层感知机（MLP）
    • 数据获取及预处理： tf.keras.datasets
    • 模型的构建： tf.keras.Model 和 tf.keras.layers
    • 模型的训练： tf.keras.losses 和 tf.keras.optimizer
    • 模型的评估： tf.keras.metrics
  • 卷积神经网络（CNN）
    • 使用Keras实现卷积神经网络
    • 使用Keras中预定义的经典卷积神经网络结构
  • 循环神经网络（RNN）
  • 深度强化学习（DRL）
  • Keras Pipeline *
    • Keras Sequential/Functional API 模式建立模型
    • 使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型
  • 自定义层、损失函数和评估指标 *
    • 自定义层
    • 自定义损失函数和评估指标
• TensorFlow常用模块
  • tf.train.Checkpoint ：变量的保存与恢复
  • TensorBoard：训练过程可视化
    • 实时查看参数变化情况
    • 查看Graph和Profile信息
    • 实例：查看多层感知机模型的训练情况
  • tf.data ：数据集的构建与预处理
    • 数据集对象的建立
    • 数据集对象的预处理
    • 使用 tf.data 的并行化策略提高训练流程效率
    • 数据集元素的获取与使用
    • 实例：cats_vs_dogs图像分类
  • TFRecord ：TensorFlow数据集存储格式
    • 将数据集存储为 TFRecord 文件
    • 读取 TFRecord 文件
  • tf.function ：图执行模式 *
    • tf.function 基础使用方法
    • tf.function 内在机制
    • AutoGraph：将Python控制流转换为TensorFlow计算图
    • 使用传统的 tf.Session
  • tf.TensorArray ：TensorFlow 动态数组 *
  • tf.config：GPU的使用与分配 *
    • 指定当前程序使用的GPU
    • 设置显存使用策略
    • 单GPU模拟多GPU环境

部署

• TensorFlow模型导出
  • 使用SavedModel完整导出模型
  • Keras 自有的模型导出格式（Jinpeng）
• TensorFlow Serving
  • TensorFlow Serving安装
  • TensorFlow Serving模型部署
    • Keras Sequential模式模型的部署
    • 自定义Keras模型的部署
  • 在客户端调用以TensorFlow Serving部署的模型
    • Python客户端示例
    • Node.js客户端示例（Ziyang）
• TensorFlow Lite（Jinpeng）
  • 模型转换
  • Android部署
  • Quantization模型转换
  • 总结
• TensorFlow in JavaScript（Huan）
  • TensorFlow.js 简介
    • 浏览器中使用 TensorFlow.js 的优势
  • TensorFlow.js 环境配置
    • 在浏览器中使用 TensorFlow.js
    • 在 Node.js 中使用 TensorFlow.js
    • 在微信小程序中使用 TensorFlow.js
  • TensorFlow.js 模型部署
    • 在浏览器中加载 Python 模型
    • 在 Node.js 中执行原生 SavedModel 模型
    • 使用 TensorFlow.js 模型库
    • 在浏览器中使用 MobileNet 进行摄像头物体识别
  • TensorFlow.js 模型训练 *
    • TensorFlow.js 性能对比

大规模训练与加速

• TensorFlow分布式训练
  • 单机多卡训练： MirroredStrategy
  • 多机训练： MultiWorkerMirroredStrategy
• 使用TPU训练TensorFlow模型（Huan）
  • TPU 简介
    • 什么是 TPU
    • 为什么使用 TPU
    • TPU 性能
  • TPU 环境配置
    • 免费 TPU：Google Colab
    • Cloud TPU
  • TPU 基础使用

扩展

• TensorFlow Hub 模型复用（Jinpeng）
  • TF Hub 网站
  • TF Hub 安装
  • TF Hub 模型使用样例
  • TF Hub 模型retrain样例
• TensorFlow Datasets 数据集载入
• Swift for TensorFlow (S4TF) (Huan）
  • S4TF 简介
    • 为什么要使用 Swift 进行 TensorFlow 开发
  • S4TF 环境配置
    • 本地安装 Swift for TensorFlow
    • 在 Colaboratory 中快速体验 Swift for TensorFlow
    • 在 Docker 中快速体验 Swift for TensorFlow
  • S4TF 基础使用
    • 在 Swift 中使用标准的 TensorFlow API
    • 在 Swift 中直接加载 Python 语言库
    • 语言原生支持自动微分
    • MNIST数字分类
• TensorFlow Quantum: 混合量子-经典机器学习 *
  • 量子计算基本概念
    • 量子比特
    • 量子逻辑门
    • 量子线路
    • 多比特的量子线路和量子纠缠 *
    • 实例：使用Cirq建立简单的量子线路
  • 混合量子-经典机器学习
    • 量子数据集与带参数的量子门
    • 参数化的量子线路（PQC）
    • 将参数化的量子线路嵌入机器学习模型
    • 实例：对量子数据集进行二分类

附录

• 强化学习简介
  • 从动态规划说起
  • 加入随机性和概率的动态规划
  • 环境信息无法直接获得的情况
  • 从直接算法到迭代算法
    • q值的渐进性更新
    • 探索策略
  • 大规模问题的求解
  • 总结
• 使用Docker部署TensorFlow环境
• 在云端使用TensorFlow
  • 在Colab中使用TensorFlow
  • 在Google Cloud Platform（GCP）中使用TensorFlow
    • 在Compute Engine建立带GPU的实例并部署TensorFlow
    • 使用AI Platform中的Notebook建立带GPU的在线JupyterLab环境
  • 在阿里云上使用 GPU 实例运行 Tensorflow（Ziyang）
• 部署自己的交互式Python开发环境JupyterLab
• 参考资料与推荐阅读
• 术语中英对照表

Indices and tables

• 索引

• 模块索引

• 搜索页面