簡(jiǎn)明的TensorFlow 2（全彩印刷）

目　　錄
第0　章 TensorFlow 概述　1
基　礎(chǔ) 篇
第　1 章 TensorFlow 的安裝與環(huán)境配置　4
1．1　一般安裝步驟　4
1．2　GPU 版本 TensorFlow 安裝指南　6
1．2．1　GPU 硬件的準(zhǔn)備　6
1．2．2　NVIDIA 驅(qū)動(dòng)程序的安裝　6
1．2．3　CUDA Toolkit 和 cuDNN 的安裝　8
1．3　第 一個(gè)程序　8
1．4　IDE 設(shè)置　9
1．5*　TensorFlow 所需的硬件配置　10
第　2 章 TensorFlow 基礎(chǔ)　12
2．1　TensorFlow 1+1　12
2．2　自動(dòng)求導(dǎo)機(jī)制　14
2．3　基礎(chǔ)示例：線性回歸　15
2．3．1　NumPy 下的線性回歸　16
2．3．2　TensorFlow 下的線性回歸　17
第　3 章 TensorFlow 模型建立與訓(xùn)練　19
3．1　模型與層　19
3．2　基礎(chǔ)示例：多層感知器（MLP）　22
3．2．1　數(shù)據(jù)獲取及預(yù)處理：tf．keras．datasets　23
3．2．2　模型的構(gòu)建：tf．keras．Model 和 tf．keras．layers　24
3．2．3　模型的訓(xùn)練：tf．keras．losses 和 tf．keras．optimizer　25
3．2．4　模型的評(píng)估：tf．keras．metrics　26
3．3　卷積神經(jīng)網(wǎng)絡(luò)（CNN）　28
3．3．1　使用 Keras 實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)　29
3．3．2　使用 Keras 中預(yù)定義的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)　30
3．4　循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）　35
3．5　深度強(qiáng)化學(xué)習(xí)（DRL）　40
3．6*　Keras Pipeline　43
3．6．1　Keras Sequential/Functional API 模式建立模　44
3．6．2　使用 Keras Model 的 compile、fit 和 evaluate 方法訓(xùn)練和評(píng)估模型　44
3．7*　自定義層、損失函數(shù)和評(píng)估指標(biāo)　45
3．7．1　自定義層　45
3．7．2　自定義損失函數(shù)和評(píng)估指標(biāo)　46
第　4 章 TensorFlow 常用模塊　48
4．1　tf．train．Checkpoint：變量的保存與恢復(fù)　48
4．2　TensorBoard：訓(xùn)練過(guò)程可視化　52
4．2．1　實(shí)時(shí)查看參數(shù)變化情況　52
4．2．2　查看 Graph 和 Profile 信息　53
4．2．3　實(shí)例：查看多層感知器模型的訓(xùn)練情況　55
4．3　tf．data：數(shù)據(jù)集的構(gòu)建與預(yù)處理　55
4．3．1　數(shù)據(jù)集對(duì)象的建立　55
4．3．2　數(shù)據(jù)集對(duì)象的預(yù)處理　57
4．3．3　使用 tf．data 的并行化策略提高訓(xùn)練流程效率　60
4．3．4　數(shù)據(jù)集元素的獲取與使用　61
4．3．5　實(shí)例：cats_vs_dogs 圖像分類　62
4．4　TFRecord：TensorFlow 數(shù)據(jù)集存儲(chǔ)格式　64
4．4．1　將數(shù)據(jù)集存儲(chǔ)為 TFRecord 文件　65
4．4．2　讀取 TFRecord 文件　66
4．5*　@tf．function：圖執(zhí)行模式　68
4．5．1　@tf．function 基礎(chǔ)使用方法　68
4．5．2　@tf．function 內(nèi)在機(jī)制　69
4．5．3　AutoGraph：將 Python 控制流轉(zhuǎn)換為 TensorFlow 計(jì)算圖　72
4．5．4　使用傳統(tǒng)的 tf．Session　73
4．6*　tf．TensorArray：TensorFlow 動(dòng)態(tài)數(shù)組　74
4．7*　tf．config：GPU 的使用與分配　75
4．7．1　指定當(dāng)前程序使用的 GPU　75
4．7．2　設(shè)置顯存使用策略　76
4．7．3　單 GPU 模擬多 GPU 環(huán)境　77
部　署 篇
第　5 章 TensorFlow 模型導(dǎo)出　80
5．1　使用 SavedModel 完整導(dǎo)出模型　80
5．2　Keras 自有的模型導(dǎo)出格式　82
第　6 章 TensorFlow Serving　84
6．1　TensorFlow Serving 安裝　84
6．2　TensorFlow Serving 模型部署　85
6．2．1　Keras Sequential 模式模型的部署　86
6．2．2　自定義 Keras 模型的部署　86
6．3　在客戶端調(diào)用以 TensorFlow Serving 部署的模型　87
6．3．1　Python 客戶端示例　87
6．3．2　Node．js 客戶端示例（Ziyang）　88
第　7 章 TensorFlow Lite　91
7．1　模型轉(zhuǎn)換　91
7．2　Android 部署　92
7．3　Quantized 模型轉(zhuǎn)換　96
7．4　總結(jié)　100
第　8 章 TensorFlow．js　101
8．1　TensorFlow．js 環(huán)境配置　102
8．1．1　在瀏覽器中使用 TensorFlow．js　102
8．1．2　在 Node．js 中使用 TensorFlow．js　103
8．1．3　在微信小程序中使用 TensorFlow．js　104
8．2　ensorFlow．js 模型部署　105
8．2．1　在瀏覽器中加載 Python 模型　105
8．2．2　在 Node．js 中執(zhí)行原生 SavedModel 模型　106
8．2．3　使用 TensorFlow．js 模型庫(kù)　107
8．2．4　在瀏覽器中使用 MobileNet 進(jìn)行攝像頭物體識(shí)別　107
8．3*　TensorFlow．js 模型訓(xùn)練與性能對(duì)比　110
大規(guī)模訓(xùn)練篇
第　9 章 TensorFlow 分布式訓(xùn)練　116
9．1　單機(jī)多卡訓(xùn)練：MirroredStrategy　116
9．2　多機(jī)訓(xùn)練：MultiWorkerMirrored-Strategy　118
第　10 章 使用 TPU 訓(xùn)練 TensorFlow 模型　120
10．1　TPU 簡(jiǎn)介　120
10．2　TPU 環(huán)境配置　122
10．3　TPU 基本用法　123
擴(kuò)　展 篇
第　11 章 TensorFlow Hub 模型復(fù)用　126
11．1　TF Hub 網(wǎng)站　126
11．2　TF Hub 安裝與復(fù)用　127
11．3　TF Hub 模型二次訓(xùn)練樣例　130
第　12 章 TensorFlow Datasets 數(shù)據(jù)集載入　131
第　13 章 Swift for TensorFlow　133
13．1　S4TF 環(huán)境配置　133
13．2　S4TF 基礎(chǔ)使用　134
13．2．1　在 Swift 中使用標(biāo)準(zhǔn)的 TensorFlow API　135
13．2．2　在 Swift 中直接加載 Python 語(yǔ)言庫(kù)　136
13．2．3　語(yǔ)言原生支持自動(dòng)微分　136
13．2．4　MNIST 數(shù)字分類　137
第　14 章* TensorFlow Quantum： 混合量子 - 經(jīng)典機(jī)器學(xué)習(xí)　140
14．1　量子計(jì)算基本概念　141
14．1．1　量子位　141
14．1．2　量子邏輯門　142
14．1．3　量子線路　143
14．1．4　實(shí)例：使用 Cirq 建立簡(jiǎn)單的量子線路　144
14．2　混合量子 - 經(jīng)典機(jī)器學(xué)習(xí)　144
14．2．1　量子數(shù)據(jù)集與帶參數(shù)的量子門　145
14．2．2　參數(shù)化的量子線路（PQC）　146
14．2．3　將參數(shù)化的量子線路嵌入機(jī)器學(xué)習(xí)模型　146
14．2．4　實(shí)例：對(duì)量子數(shù)據(jù)集進(jìn)行二分類　147
高　級(jí) 篇
第　15 章 圖執(zhí)行模式下的 TensorFlow 2　150
15．1　TensorFlow 1+1　150
15．1．1　使用計(jì)算圖進(jìn)行基本運(yùn)算　150
15．1．2　計(jì)算圖中的占位符與數(shù)據(jù)輸入　152
15．1．3　計(jì)算圖中的變量　153
15．2　自動(dòng)求導(dǎo)機(jī)制與優(yōu)化器　156
15．2．1　自動(dòng)求導(dǎo)機(jī)制　156
15．2．2　優(yōu)化器　157
15．2．3*　自動(dòng)求導(dǎo)機(jī)制的計(jì)算圖對(duì)比　158
15．3　基礎(chǔ)示例：線性回歸　161
15．3．1　自動(dòng)求導(dǎo)機(jī)制　162
15．3．2　優(yōu)化器　162
第　16 章 tf．GradientTape 詳解　164
16．1　基本使用　164
16．2　監(jiān)視機(jī)制　165
16．3　高階求導(dǎo)　166
16．4　持久保持記錄與多次求導(dǎo)　166
16．5　圖執(zhí)行模式　167
16．6　性能優(yōu)化　167
16．7　實(shí)例：對(duì)神經(jīng)網(wǎng)絡(luò)的各層變量獨(dú)立求導(dǎo)　167
第　17 章 TensorFlow 性能優(yōu)化　169
17．1　關(guān)于計(jì)算性能的若干重要事實(shí)　169
17．2　模型開(kāi)發(fā)：擁抱張量運(yùn)算　170
17．3　模型訓(xùn)練：數(shù)據(jù)預(yù)處理和預(yù)載入　171
17．4　模型類型與加速潛力的關(guān)系　171
17．5　使用針對(duì)特定 CPU 指令集優(yōu)化的 TensorFlow　172
17．6　性能優(yōu)化策略　172
第　18 章 Android 端側(cè) Arbitrary Style Transfer 模型部署　173
18．1　Arbitrary Style Transfer 模型解析　174
18．1．1　輸入輸出　174
18．1．2　bottleneck 數(shù)組　174
18．2　Arbitrary Style Transfer 模型部署　175
18．2．1　gradle 設(shè)置　175
18．2．2　style predict 模型部署　175
18．2．3　transform 模型部署　178
18．2．4　效果　180
18．3　總結(jié)　182
附錄　A 強(qiáng)化學(xué)習(xí)簡(jiǎn)介　183
附錄　B 使用 Docker 部署 TensorFlow 環(huán)境　197
附錄　C 在云端使用 TensorFlow　200
附錄　D 部署自己的交互式 Python 開(kāi)發(fā)環(huán)境 JupyterLab　211
附錄　E 參考資料與推薦閱讀　214
附錄　F 術(shù)語(yǔ)中英對(duì)照　216