TensorFlow 2.X項目實戰(zhàn)

=======第1 篇 準備
第1 章 學習準備 /2
1．1 什么是TensorFlow 框架 /2
1．2 如何學習本書 /3
·
第2 章 快速上手TensorFlow /5
2．1 配置TensorFlow 環(huán)境 /5
2．2 訓練模型的兩種方式 /13
2．2．1 “靜態(tài)圖”方式/13
2．2．2 “動態(tài)圖”方式/14
2．3 實例1：用靜態(tài)圖訓練模型，使其能夠從一組數(shù)據(jù)中找到y(tǒng)≈2x 規(guī)律 15
2．4 實例2：用動態(tài)圖訓練一個具有保存檢查點功能的回歸模型 24
·
第3 章 TensorFlow 2．X 編程基礎(chǔ) /28
3．1 動態(tài)圖的編程方式 /28
3．1．1 實例3：在動態(tài)圖中獲取參數(shù) /28
3．1．2 實例4：在靜態(tài)圖中使用動態(tài)圖 /31
3．1．3 什么是自動圖 /32
3．2 掌握估算器框架接口的應(yīng)用 /33
3．3 實例7：將估算器模型轉(zhuǎn)化成靜態(tài)圖模型 49
3．4 實例8：用估算器框架實現(xiàn)分布式部署訓練 54
3．5 掌握tf．keras 接口的應(yīng)用 /58
3．6 分配運算資源與使用分布策略 72
3．7 用tfdbg 調(diào)試TensorFlow 模型/75
3．8 用自動混合精度加速模型訓練 75
·
=======第2 篇 基礎(chǔ)
第4 章 用TensorFlow 制作自己的數(shù)據(jù)集 80
4．1 數(shù)據(jù)集的基本介紹 /80
4．2 實例11：將模擬數(shù)據(jù)制作成內(nèi)存對象數(shù)據(jù)集 82
4．3 實例12：將圖片制作成內(nèi)存對象數(shù)據(jù)集 88
4．4 實例13：將Excel 文件制作成內(nèi)存對象數(shù)據(jù)集/94
4．5 實例14：將圖片文件制作成TFRecord 數(shù)據(jù)集/98
4．6 實例15：將內(nèi)存對象制作成Dataset 數(shù)據(jù)集 104
4．7 實例16：將圖片文件制作成Dataset 數(shù)據(jù)集 117
4．7．1 代碼實現(xiàn)：讀取樣本文件的目錄及標簽 117
4．8 實例17：在動態(tài)圖中讀取Dataset 數(shù)據(jù)集 123
4．9 實例18：在不同場景中使用數(shù)據(jù)集 125
4．10 tf．data．Dataset 接口的更多應(yīng)用 129
·
第5 章 數(shù)值分析與特征工程 /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 離散數(shù)據(jù)特征與連續(xù)數(shù)據(jù)特征 /131
5．1．4 連續(xù)數(shù)據(jù)與離散數(shù)據(jù)的相互轉(zhuǎn)換 /132
5．2 什么是特征列接口 /132
5．2．1 實例19：用feature_column 模塊處理連續(xù)值特征列 132
5．2．2 實例20：將連續(xù)值特征列轉(zhuǎn)換成離散值特征列 /136
5．2．3 實例21：將離散文本特征列轉(zhuǎn)換為one-hot 編碼與詞向量/139
5．2．4 實例22：根據(jù)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 實例23：使用序列特征列接口對文本數(shù)據(jù)預處理 /149
5．3 實例24：用wide_deep 模型預測人口收入 153
5．4 實例25：梯度提升樹（TFBT）接口的應(yīng)用 170
5．5 實例26：基于知識圖譜的電影推薦系統(tǒng) 173
5．6 實例27：預測飛機發(fā)動機的剩余使用壽命 182
·
=======第3 篇 進階
第6 章 自然語言處理 /200
6．1 BERT 模型與NLP 的發(fā)展階段 200
6．2 實例28：用TextCNN 模型分析評論者是否滿意 201
6．2．1 什么是卷積神經(jīng)網(wǎng)絡(luò) /201
6．2．2 模型任務(wù)與數(shù)據(jù)集介紹 /202
6．2．3 熟悉模型：了解TextCNN 模型 /202
6．2．4 數(shù)據(jù)預處理：用preprocessing 接口制作字典 203
6．2．5 代碼實現(xiàn)：生成NLP 文本數(shù)據(jù)集 206
6．2．6 代碼實現(xiàn)：定義TextCNN 模型 /208
6．2．7 運行程序 /210
6．3 實例29：用帶有注意力機制的模型分析評論者是否滿意 210
6．4 實例30：用帶有動態(tài)路由的RNN 模型實現(xiàn)文本分類任務(wù) /224
6．5 NLP 中的常見任務(wù)及數(shù)據(jù)集 236
6．6 了解Transformers 庫 /239
6．7 實例31：用管道方式完成多種NLP 任務(wù) 243
6．8 Transformers 庫中的自動模型類（TFAutoModel）/255
6．9 Transformers 庫中的BERTology 系列模型 /259
6．10 Transformers 庫中的詞表工具 269
6．11 BERTology 系列模型 /281
6．12 用遷移學習訓練BERT 模型來對中文分類/300
.
第7 章 機器視覺處理 /307
7．1 實例34：使用預訓練模型識別圖像 307
7．2 了解EfficientNet 系列模型 /311
7．3 實例36：在估算器框架中用tf．keras 接口訓練ResNet 模型，識別圖片中是橘子還是蘋果 /325
7．3．1 樣本準備 /325
7．3．2 代碼實現(xiàn)：準備訓練與測試數(shù)據(jù)集 326
7．3．3 代碼實現(xiàn)：制作模型輸入函數(shù) /326
7．3．4 代碼實現(xiàn)：搭建ResNet 模型 /327
7．3．5 代碼實現(xiàn)：訓練分類器模型 /328
7．3．6 運行程序：評估模型 /329
7．3．7 擴展：全連接網(wǎng)絡(luò)的優(yōu)化 /330
7．3．8 在微調(diào)過程中如何選取預訓練模型 330
7．4 基于圖片內(nèi)容的處理任務(wù) /331
7．5 實例37：用YOLO V3 模型識別門牌號 /341
.
=======第4 篇 高級
第8 章 生成式模型――能夠輸出內(nèi)容的模型 /364
8．1 快速了解信息熵（information entropy） 364
8．2 通用的無監(jiān)督模型――自編碼與對抗神經(jīng)網(wǎng)絡(luò) /372
8．3 實例38：用多種方法實現(xiàn)變分自編碼神經(jīng)網(wǎng)絡(luò) 373
8．4 常用的批量歸一化方法 /386
8．5 實例39：構(gòu)建DeblurGAN 模型，將模糊照片變清晰 388
8．6 全面了解WGAN 模型 /404
8．7 實例40：構(gòu)建AttGAN 模型，對照片進行加胡子、加頭簾、加眼鏡、變年輕等修改/411
8．8 散度在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用 /440
8．9 實例42：用最大化互信息（DIM）模型做一個圖片搜索器 453
.
第9 章 識別未知分類的方法――零次學習 /464
9．1 了解零次學習 /464
9．2 零次學習中的常見難點 /469
9．3 帶有視覺結(jié)構(gòu)約束的直推ZSL（VSC 模型） 472
9．4 詳解Sinkhorn 迭代算法 /481
9．5 實例43：用VSC 模型識別圖片中的鳥屬于什么類別 490
9．5．1 模型任務(wù)與樣本介紹 /490
9．5．2 用遷移學習的方式獲得訓練集分類模型 492
9．5．3 用分類模型提取圖片的視覺特征 /492
9．5．4 代碼實現(xiàn)：訓練VSC 模型，將類屬性特征轉(zhuǎn)換成類視覺特征 /493
9．5．5 代碼實現(xiàn)：基于W 距離的損失函數(shù) 494
9．5．6 加載數(shù)據(jù)并進行訓練 /495
9．5．7 代碼實現(xiàn)：根據(jù)特征距離對圖片進行分類 496
9．6 提升零次學習精度的方法 /497
9．6．1 分析視覺特征的質(zhì)量 /497
9．6．2 分析直推式學習的效果 /499
9．6．3 分析直推模型的能力 /499
9．6．4 分析未知類別的聚類效果 /500
9．6．5 清洗測試數(shù)據(jù)集/502
9．6．6 利用可視化方法進行輔助分析 /503
后記――讓技術(shù)更好地商業(yè)化落地 /505