TensorFlow2.X项目实战

"基于2.X版本 覆盖了TF的大量接口 实战案例可应用于真实场景 真正把学习落实到项目和代码中"

本书基于TensorFlow2.1版本进行编写。书中内容分为4篇。第1篇包括TensorFlow的安装、使用方法。这部分内容可以使读者快速上手TensorFlow工具。第2篇包括数据集制作、特征工程等数据预处理工作，以及与数值分析相关的模型（其中包括wide_deep模型、梯度提升树、知识图谱、带有JANET单元的RNN等模型）。第3篇从自然语言处理、计算机视觉两个应用方向介绍了基础的算法原理和主流的模型。具体包括：TextCNN模型、带有注意力机制的模型、带有动态路由的RNN模型、BERTology系列模型、EfficientNet系列模型、Anchor-Free模型、YOLOV3模型等。第4篇介绍了生成式模型和零次学习两种技术，其中系统地介绍了信息熵、归一化、f-GAN、很优传输、Sinkhorn算法，以及变分自编码、DeblurGAN、AttGAN、DIM、VSC等模型。本书结构清晰、案例丰富、通俗易懂、实用性强，适合对人工智能、TensorFlow感兴趣的读者作为自学教程。另外，本书也适合社会培训学校作为培训教材，还适合计算机相关专业作为教学参考书。

"李金洪 “大蛇智能”网站创始人、“代码医生”工作室主程序员。 精通Python、C、C++、汇编、Java和Go等多种编程语言。擅长神经网络、算法、协议分析、逆向工程和移动互联网安全架构等技术。 在深度学习领域，参与过某移动互联网后台的OCR项目、某娱乐"

第1篇准备
第1章学习准备2
1.1什么是TensorFlow框架2
1.2如何学习本书3
第2章快速上手TensorFlow5
2.1配置TensorFlow环境5
2.2训练模型的两种方式13
2.2.1“静态图”方式13
2.2.2“动态图”方式14
2.3实例1：用静态图训练模型，使其能够从一组数据中找到y≈2x规律15
2.4实例2：用动态图训练一个具有保存检查点功能的回归模型24
第3章TensorFlow2.X编程基础28
3.1动态图的编程方式28
3.1.1实例3：在动态图中获取参数28
3.1.2实例4：在静态图中使用动态图31
3.1.3什么是自动图32
3.2掌握估算器框架接口的应用33
3.3实例7：将估算器模型转化成静态图模型49
3.4实例8：用估算器框架实现分布式部署训练54
3.5掌握tf.keras接口的应用58
3.6分配运算资源与使用分布策略72
3.7用tfdbg调试TensorFlow模型75
3.8用自动混合精度加速模型训练75
第2篇基础
第4章用TensorFlow制作自己的数据集80
4.1数据集的基本介绍80
4.2实例11：将模拟数据制作成内存对象数据集82
4.3实例12：将图片制作成内存对象数据集88
4.4实例13：将Excel文件制作成内存对象数据集94
4.5实例14：将图片文件制作成TFRecord数据集98
4.6实例15：将内存对象制作成Dataset数据集104
4.7实例16：将图片文件制作成Dataset数据集117
4.7.1代码实现：读取样本文件的目录及标签117
4.8实例17：在动态图中读取Dataset数据集123
4.9实例18：在不同场景中使用数据集125
4.10tf.data.Dataset接口的更多应用129
第5章数值分析与特征工程130
5.1什么是特征工程130
5.1.1特征工程的作用130
5.1.2特征工程的方法131
5.1.3离散数据特征与连续数据特征131
5.1.4连续数据与离散数据的相互转换132
5.2什么是特征列接口132
5.2.1实例19：用feature_column模块处理连续值特征列132
5.2.2实例20：将连续值特征列转换成离散值特征列136
5.2.3实例21：将离散文本特征列转换为one-hot编码与词向量139
5.2.4实例22：根据特征列生成交叉列147
5.2.5了解序列特征列接口148
5.2.6实例23：使用序列特征列接口对文本数据预处理149
5.3实例24：用wide_deep模型预测人口收入153
5.4实例25：梯度提升树（TFBT）接口的应用170
5.5实例26：基于知识图谱的电影推荐系统173
5.6实例27：预测飞机发动机的剩余使用寿命182
第3篇进阶
第6章自然语言处理200
6.1BERT模型与NLP的发展阶段200
6.2实例28：用TextCNN模型分析评论者是否满意201
6.2.1什么是卷积神经网络201
6.2.2模型任务与数据集介绍202
6.2.3熟悉模型：了解TextCNN模型202
6.2.4数据预处理：用preprocessing接口制作字典203
6.2.5代码实现：生成NLP文本数据集206
6.2.6代码实现：定义TextCNN模型208
6.2.7运行程序210
6.3实例29：用带有注意力机制的模型分析评论者是否满意210
6.4实例30：用带有动态路由的RNN模型实现文本分类任务224
6.5NLP中的常见任务及数据集236
6.6了解Transformers库239
6.7实例31：用管道方式完成多种NLP任务243
6.8Transformers库中的自动模型类（TFAutoModel）255
6.9Transformers库中的BERTology系列模型259
6.10Transformers库中的词表工具269
6.11BERTology系列模型281
6.12用迁移学习训练BERT模型来对中文分类300
第7章机器视觉处理307
7.1实例34：使用预训练模型识别图像307
7.2了解EfficientNet系列模型311
7.3实例36：在估算器框架中用tf.keras接口训练ResNet模型，识别图片中是橘子还是苹果325
7.3.1样本准备325
7.3.2代码实现：准备训练与测试数据集326
7.3.3代码实现：制作模型输入函数326
7.3.4代码实现：搭建ResNet模型327
7.3.5代码实现：训练分类器模型328
7.3.6运行程序：评估模型329
7.3.7扩展：全连接网络的优化330
7.3.8在微调过程中如何选取预训练模型330
7.4基于图片内容的处理任务331
7.5实例37：用YOLOV3模型识别门牌号341
第4篇高级
第8章生成式模型――能够输出内容的模型364
8.1快速了解信息熵（informationentropy）364
8.2通用的无监督模型――自编码与对抗神经网络372
8.3实例38：用多种方法实现变分自编码神经网络373
8.4常用的批量归一化方法386
8.5实例39：构建DeblurGAN模型，将模糊照片变清晰388
8.6全面了解WGAN模型404
8.7实例40：构建AttGAN模型，对照片进行加胡子、加头帘、加眼镜、变年轻等修改411
8.8散度在神经网络中的应用440
8.9实例42：用优选化互信息（DIM）模型做一个图片搜索器453
第9章识别未知分类的方法――零次学习464
9.1了解零次学习464
9.2零次学习中的常见难点469
9.3带有视觉结构约束的直推ZSL（VSC模型）472
9.4详解Sinkhorn迭代算法481
9.5实例43：用VSC模型识别图片中的鸟属于什么类别490
9.5.1模型任务与样本介绍490
9.5.2用迁移学习的方式获得训练集分类模型492
9.5.3用分类模型提取图片的视觉特征492
9.5.4代码实现：训练VSC模型，将类属性特征转换成类视觉特征493
9.5.5代码实现：基于W距离的损失函数494
9.5.6加载数据并进行训练495
9.5.7代码实现：根据特征距离对图片进行分类496
9.6提升零次学习精度的方法497
9.6.1分析视觉特征的质量497
9.6.2分析直推式学习的效果499
9.6.3分析直推模型的能力499
9.6.4分析未知类别的聚类效果500
9.6.5清洗测试数据集502
9.6.6利用可视化方法进行辅助分析503
后记――让技术更好地商业化落地505