30天吃掉那只 TensorFlow2

📚 gitbook电子书地址: https://lyhue1991.github.io/eat_tensorflow2_in_30_days

🚀 github项目地址:https://github.com/lyhue1991/eat_tensorflow2_in_30_days

一,TensorFlow2 🍎 or Pytorch🔥

先说结论:

如果是工程师,应该优先选TensorFlow2.

如果是学生或者研究人员,应该优先选择Pytorch.

如果时间足够,最好TensorFlow2和Pytorch都要学习掌握。

理由如下:

  • 1,在工业界最重要的是模型落地,目前国内的大部分互联网企业只支持TensorFlow模型的在线部署,不支持Pytorch。 并且工业界更加注重的是模型的高可用性,许多时候使用的都是成熟的模型架构,调试需求并不大。
  • 2,研究人员最重要的是快速迭代发表文章,需要尝试一些较新的模型架构。而Pytorch在易用性上相比TensorFlow2有一些优势,更加方便调试。 并且在2019年以来在学术界占领了大半壁江山,能够找到的相应最新研究成果更多。
  • 3,TensorFlow2和Pytorch实际上整体风格已经非常相似了,学会了其中一个,学习另外一个将比较容易。两种框架都掌握的话,能够参考的开源模型案例更多,并且可以方便地在两种框架之间切换。

二,Keras🍏 and tf.keras 🍎

先说结论:

Keras库在2.3.0版本后将不再更新,用户应该使用tf.keras。

Keras可以看成是一种深度学习框架的高阶接口规范,它帮助用户以更简洁的形式定义和训练深度学习网络。

使用pip安装的Keras库同时在tensorflow,theano,CNTK等后端基础上进行了这种高阶接口规范的实现。

而tf.keras是在TensorFlow中以TensorFlow低阶API为基础实现的这种高阶接口,它是Tensorflow的一个子模块。

tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样,但并非全部,它和TensorFlow之间的结合更为紧密。

随着谷歌对Keras的收购,Keras库2.3.0版本后也将不再进行更新,用户应当使用tf.keras而不是使用pip安装的Keras.

三,本书📖面向读者 👼

本书假定读者有一定的机器学习和深度学习基础,使用过Keras或者Tensorflow1.0或者Pytorch搭建训练过模型。

对于没有任何机器学习和深度学习基础的同学,建议在学习本书时同步参考学习《Python深度学习》一书。

《Python深度学习》这本书是Keras之父Francois Chollet所著,该书假定读者无任何机器学习知识,以Keras为工具,

使用丰富的范例示范深度学习的最佳实践,该书通俗易懂,全书没有一个数学公式,注重培养读者的深度学习直觉。

四,本书写作风格 🍉

本书是一本对人类用户极其友善的TensorFlow2.0入门工具书,不刻意恶心读者是本书的底限要求,Don’t let me think是本书的最高追求。

本书主要是在参考TensorFlow官方文档和函数doc文档基础上整理写成的。

但本书在篇章结构和范例选取上做了大量的优化。

不同于官方文档混乱的篇章结构,既有教程又有指南,缺少整体的编排逻辑。

本书按照内容难易程度、读者检索习惯和TensorFlow自身的层次结构设计内容,循序渐进,层次清晰,方便按照功能查找相应范例。

不同于官方文档冗长的范例代码,本书在范例设计上尽可能简约化和结构化,增强范例易读性和通用性,大部分代码片段在实践中可即取即用。

如果说通过学习TensorFlow官方文档掌握TensorFlow2.0的难度大概是9的话,那么通过学习本书掌握TensorFlow2.0的难度应该大概是3.

谨以下图对比一下TensorFlow官方教程与本教程的差异。

30天吃掉那只 TensorFlow2 - 图1

五,本书学习方案 ⏰

1,学习计划

本书是作者利用工作之余和疫情放假期间大概2个月写成的,大部分读者应该在30天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然,本书也非常适合作为TensorFlow的工具手册在工程落地时作为范例库参考。

点击学习内容蓝色标题即可进入该章节。

日期 学习内容 内容难度 预计学习时间 更新状态
  一、TensorFlow的建模流程 ⭐️ 0hour
day1 1-1,结构化数据建模流程范例 ⭐️⭐️⭐️ 1hour
day2 1-2,图片数据建模流程范例 ⭐️⭐️⭐️⭐️ 2hour
day3 1-3,文本数据建模流程范例 ⭐️⭐️⭐️⭐️⭐️ 2hour
day4 1-4,时间序列数据建模流程范例 ⭐️⭐️⭐️⭐️⭐️ 2hour
  二、TensorFlow的核心概念 ⭐️ 0hour
day5 2-1,张量数据结构 ⭐️⭐️⭐️⭐️ 1hour
day6 2-2,三种计算图 ⭐️⭐️⭐️⭐️⭐️ 2hour
day7 2-3,自动微分机制 ⭐️⭐️⭐️ 1hour
  三、TensorFlow的层次结构 ⭐️ 0hour
day8 3-1,低阶API示范 ⭐️⭐️⭐️⭐️ 1hour
day9 3-2,中阶API示范 ⭐️⭐️⭐️ 1hour
day10 3-3,高阶API示范 ⭐️⭐️⭐️ 1hour
  四、TensorFlow的低阶API ⭐️ 0hour
day11 4-1,张量的结构操作 ⭐️⭐️⭐️⭐️⭐️ 2hour
day12 4-2,张量的数学运算 ⭐️⭐️⭐️⭐️ 1hour
day13 4-3,AutoGraph的使用规范 ⭐️⭐️⭐️ 0.5hour
day14 4-4,AutoGraph的机制原理 ⭐️⭐️⭐️⭐️⭐️ 2hour
day15 4-5,AutoGraph和tf.Module ⭐️⭐️⭐️⭐️ 1hour
  五、TensorFlow的中阶API ⭐️ 0hour
day16 5-1,数据管道Dataset ⭐️⭐️⭐️⭐️⭐️ 2hour
day17 5-2,特征列feature_column ⭐️⭐️⭐️⭐️ 1hour
day18 5-3,激活函数activation ⭐️⭐️⭐️ 0.5hour
day19 5-4,模型层layers ⭐️⭐️⭐️ 1hour
day20 5-5,损失函数losses ⭐️⭐️⭐️ 1hour
day21 5-6,评估指标metrics ⭐️⭐️⭐️ 1hour
day22 5-7,优化器optimizers ⭐️⭐️⭐️ 0.5hour
day23 5-8,回调函数callbacks ⭐️⭐️⭐️⭐️ 1hour
  六、TensorFlow的高阶API ⭐️ 0hour
day24 6-1,构建模型的3种方法 ⭐️⭐️⭐️ 1hour
day25 6-2,训练模型的3种方法 ⭐️⭐️⭐️⭐️ 1hour
day26 6-3,使用单GPU训练模型 ⭐️⭐️ 0.5hour
day27 6-4,使用多GPU训练模型 ⭐️⭐️ 0.5hour
day28 6-5,使用TPU训练模型 ⭐️⭐️ 0.5hour
day29 6-6,使用tensorflow-serving部署模型 ⭐️⭐️⭐️⭐️ 1hour
day30 6-7,使用spark-scala调用tensorflow模型 ⭐️⭐️⭐️⭐️⭐️ 2hour
  后记:一个吃货和一道菜的故事 ⭐️ 0hour

2,学习环境

本书全部源码在jupyter中编写测试通过,建议通过git克隆到本地,并在jupyter中交互式运行学习。

为了直接能够在jupyter中打开markdown文件,建议安装jupytext,将markdown转换成ipynb文件。

  1. #克隆本书源码到本地,使用码云镜像仓库国内下载速度更快
  2. #!git clone https://gitee.com/Python_Ai_Road/eat_tensorflow2_in_30_days
  3. #建议在jupyter notebook 上安装jupytext,以便能够将本书各章节markdown文件视作ipynb文件运行
  4. #!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext
  5. #建议在jupyter notebook 上安装最新版本tensorflow 测试本书中的代码
  6. #!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U tensorflow
  1. import tensorflow as tf
  2. #注:本书全部代码在tensorflow 2.1版本测试通过
  3. tf.print("tensorflow version:",tf.__version__)
  4. a = tf.constant("hello")
  5. b = tf.constant("tensorflow2")
  6. c = tf.strings.join([a,b]," ")
  7. tf.print(c)
  1. tensorflow version: 2.1.0
  2. hello tensorflow2

六,鼓励和联系作者 🎈🎈

如果本书对你有所帮助,想鼓励一下作者,记得给本项目加一颗星星star⭐️,并分享给你的朋友们喔😊!

如果对本书内容理解上有需要进一步和作者交流的地方,欢迎在公众号”Python与算法之美”下留言。作者时间和精力有限,会酌情予以回复。

也可以在公众号后台回复关键字:加群,加入读者交流群和大家讨论。

image.png