簡單粗暴 TensorFlow 2 | A Concise Handbook of TensorFlow 2

簡體中文版

繁體中文版

English Version

這是一本簡明的 TensorFlow 2 入門指導手冊，基於 Keras 和即時執行模式（Eager Execution），力圖讓具備一定機器學習及 Python 基礎的開發者們快速上手 TensorFlow 2。

本手冊的所有代碼基於 TensorFlow 2.1 和 2.0 正式版。文中的所有示例代碼可至 這裡 獲得。

本手冊正於TensorFlow官方微信公衆號（TensorFlow_official）連載，可點此查看 連載文章目錄 。本手冊的原始語言爲中文，其英文版仍在翻譯中。請訪問 https://v1.tf.wiki 以查看本手冊上一版的英文版。本手冊是 Google Summer of Code 2019 項目之一，並獲得 谷歌開源貢獻獎（Google Open Source Peer Bonus） 。

自2020年4月起，在每章文末加入了留言區，歡迎有需要的讀者在文末討論交流。

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

教程答疑區： https://discuss.tf.wiki

紙質完整版：《從來沒有這麼明白過: TensorFlow上車就學會》

本書紙質版《從來沒有這麼明白過: TensorFlow上車就學會》由深智數位出版，在本在線手冊的基礎上進行了細緻的編排校對，並增加了若干 TensorFlow 高級專題，為讀者帶來更好的閱讀體驗。 紙質版購買鏈接： 博客來 誠品線上 金石堂網路書店 天瓏網路書店 深智數位

目錄

• 前言
  • 本書的適用羣體
  • 如何使用本書
  • 致謝
• TensorFlow概述
  • 學生和研究者：模型的建立與訓練
  • 開發者和工程師：模型的呼叫與部署
  • TensorFlow 能幫助我們做什麼？

基礎

• TensorFlow 安裝與環境配置
  • 一般安裝步驟
  • GPU 版本 TensorFlow 安裝指南
    • GPU 硬體的準備
    • NVIDIA 驅動程式的安裝
    • CUDA Toolkit 和 cuDNN 的安裝
  • 第一個程式
  • IDE 設置
  • TensorFlow 所需的硬體配置 *
• TensorFlow 基礎
  • TensorFlow 1+1
  • 自動推導機制
  • 基礎範例：線性回歸
    • NumPy 下的線性回歸
    • TensorFlow下的線性回歸
• TensorFlow 模型建立與訓練
  • 模型（Model）與層（Layer）
  • 基礎範例：多層感知器（MLP）
    • 資料獲取及預處理： tf.keras.datasets
    • 模型的建構： tf.keras.Model 和 tf.keras.layers
    • 模型的訓練： tf.keras.losses 和 tf.keras.optimizer
    • 模型的評估： tf.keras.metrics
  • 卷積神經網路（CNN）
    • 使用Keras實現卷積神經網路
    • 使用Keras中預定義的典型卷積神經網路結構
  • 循環神經網路（RNN）
  • 深度強化學習（DRL）
  • Keras Pipeline *
    • Keras Sequential/Functional API 模式建立模型
    • 使用 Keras Model 的 compile 、 fit 和 evaluate 方法訓練和評估模型
  • 自定義層、損失函數和評量指標 *
    • 自定義層
    • 自定義損失函數和評量指標
• TensorFlow常用模組
  • tf.train.Checkpoint ：變數的保存與還原
  • TensorBoard：訓練過程可視化
    • 實時查看參數變化情況
    • 查看Graph和Profile信息
    • 實例：查看多層感知器模型的訓練情況
  • tf.data ：資料集的建立與預處理
    • 資料集對象的建立
    • 資料集對象的預處理
    • 使用 tf.data 的平行化策略提高訓練流程效率
    • 資料集元素的獲取與使用
    • 實例：cats_vs_dogs圖片分類
  • TFRecord ：TensorFlow資料集存儲格式
    • 將資料集存儲為 TFRecord 文件
    • 讀取 TFRecord 文件
  • tf.function ：圖執行模式 *
    • tf.function 基礎使用方法
    • tf.function 內在機制
    • AutoGraph：將Python控制流轉換為TensorFlow計算圖
    • 使用傳統的 tf.Session
  • tf.TensorArray ：TensorFlow 動態陣列 *
  • tf.config：GPU的使用與分配 *
    • 指定當前程式使用的GPU
    • 設置顯示卡記憶體儲存空間使用策略
    • 單GPU模擬多GPU環境

部署

• TensorFlow模型匯出
  • 使用SavedModel完整匯出模型
  • Keras Sequential save方法（Jinpeng）
• TensorFlow Serving
  • TensorFlow Serving 安裝
  • TensorFlow Serving 模型部署
    • Keras Sequential 模式模型的部署
    • 自定義 Keras 模型的部署
  • 在客戶端呼叫以 TensorFlow Serving 部署的模型
    • Python 客戶端範例
    • Node.js客戶端範例（Ziyang）
• TensorFlow Lite（Jinpeng）
  • 模型轉換
  • Android部署
  • Quantization 模型轉換
  • 總結
• TensorFlow in JavaScript（Huan）
  • TensorFlow.js 簡介
    • 瀏覽器中使用 TensorFlow.js 的優勢
  • TensorFlow.js 環境配置
    • 在瀏覽器中使用 TensorFlow.js
    • 在 Node.js 中使用 TensorFlow.js
    • 在微信小程式中使用 TensorFlow.js
  • TensorFlow.js 模型部署
    • 在瀏覽器中加載 Python 模型
    • 在 Node.js 中執行原生 SavedModel 模型
    • 使用 TensorFlow.js 模型資料庫
    • 在瀏覽器中使用 MobileNet 進行攝像頭物體辨識
  • TensorFlow.js 模型訓練 *
    • TensorFlow.js 性能對比

大規模訓練與加速

• TensorFlow分布式訓練
  • 單機多卡訓練： MirroredStrategy
  • 多機訓練： MultiWorkerMirroredStrategy
• 使用TPU訓練TensorFlow模型（Huan）
  • TPU 簡介
    • 什麼是 TPU
    • 爲什麼使用 TPU
    • TPU 性能
  • TPU 環境配置
    • 免費 TPU：Google Colab
    • Cloud TPU

擴展

• TensorFlow Hub 模型複用（Jinpeng）
  • TF Hub 網站
  • TF Hub 安裝
  • TF Hub 模型使用案例
  • TF Hub 模型 Retrain 範例
• TensorFlow Datasets 資料集載入
• Swift for TensorFlow (S4TF) (Huan）
  • S4TF 簡介
    • 為什麼要使用 Swift 進行 TensorFlow 開發
  • S4TF 環境配置
    • 本機安裝 Swift for TensorFlow
    • 在 Colaboratory 中快速體驗 Swift for TensorFlow
    • 在 Docker 中快速體驗 Swift for TensorFlow
  • S4TF 基礎使用
    • 在 Swift 中使用標準的 TensorFlow API
    • 在 Swift 中直接載入 Python 語言函式庫
    • 語言原生支持自動微分
    • MNIST數字分類
• TensorFlow Quantum: 混合量子-經典機器學習 *
  • 量子計算基本概念
    • 量子位元
    • 量子邏輯閘
    • 量子電路
    • 實例：使用Cirq建立簡單的量子電路
  • 混合量子-經典機器學習
    • 量子資料集與包含參數的量子閘
    • 參數化的量子電路（PQC）
    • 將參數化的量子電路嵌入機器學習模型
    • 範例：對量子資料集進行二分類

附錄

• 強化學習簡介
  • 從動態規劃說起
  • 加入隨機性和機率的動態規劃
  • 環境資訊無法直接獲得的情況
  • 從直接演算法到疊代演算法
    • q值的漸進性更新
    • 探索策略
  • 大規模問題的求解
  • 總結
• 使用Docker部署TensorFlow環境
• 在雲端使用TensorFlow
  • 在Colab中使用TensorFlow
  • 在Google Cloud Platform（GCP）中使用TensorFlow
    • 在 Compute Engine 建立支援 GPU 的實例並部署 TensorFlow
    • 使用 AI Platform 中的 Notebook 建立資源GPU 的線上 JupyterLab 環境
• 部署自己的互動式 Python 開發環境 JupyterLab
• 參考資料與推薦閱讀
• 專有名詞中英對照表

Indices and tables

• 索引

• 模块索引

• 搜索页面