O'Reilly：TensorFlow速查手冊(cè)

目錄
前言 . 1
第1 章 TensorFlow 2 簡(jiǎn)介 . 7
1.1 TensorFlow 2 的改進(jìn) 8
1.1.1 Keras API .8
1.1.2 TensorFlow 中的可重用模型 9
1.2 簡(jiǎn)化常用操作 10
1.2.1 開(kāi)源數(shù)據(jù) 10
1.2.2 使用分布式數(shù)據(jù)集 10
1.2.3 數(shù)據(jù)流式處理 11
1.2.4 數(shù)據(jù)工程 11
1.2.5 遷移學(xué)習(xí) 12
1.2.6 模型風(fēng)格 12
1.2.7 監(jiān)視訓(xùn)練過(guò)程 12
1.2.8 分布式訓(xùn)練 13
1.2.9 提供TensorFlow 模型服務(wù) 13
1.2.10 改善訓(xùn)練體驗(yàn) 13
1.3 總結(jié) 14
第2 章 數(shù)據(jù)存儲(chǔ)和攝取 15
2.1 使用Python 生成器流式處理數(shù)據(jù) 16
2.2 使用生成器流式處理文件內(nèi)容 .18
2.3 JSON 數(shù)據(jù)結(jié)構(gòu) .21
2.4 建立文件名模式 22
2.5 將一個(gè)CSV 文件劃分為多個(gè)CSV 文件23
2.6 使用tf.io 創(chuàng)建文件模式對(duì)象 .24
2.7 創(chuàng)建流式數(shù)據(jù)集對(duì)象 .25
2.8 流式處理CSV 數(shù)據(jù)集 28
2.9 組織圖像數(shù)據(jù) 29
2.10 使用TensorFlow 圖像生成器31
2.11 流式處理交叉驗(yàn)證圖像33
2.12 查看調(diào)整大小后的圖像 .34
2.13 總結(jié) .36
第3 章 數(shù)據(jù)預(yù)處理 . 39
3.1 準(zhǔn)備表格數(shù)據(jù)進(jìn)行訓(xùn)練 39
3.1.1 標(biāo)記列 .41
3.1.2 將列交互編碼為可能的特征 46
3.1.3 創(chuàng)建交叉驗(yàn)證數(shù)據(jù)集48
3.1.4 開(kāi)始模型訓(xùn)練過(guò)程 49
3.1.5 小結(jié) 50
3.2 準(zhǔn)備圖像數(shù)據(jù)進(jìn)行處理 51
3.2.1 將圖像轉(zhuǎn)換為固定大小 55
3.2.2 訓(xùn)練模型 58
3.2.3 小結(jié) 60
3.3 準(zhǔn)備文本數(shù)據(jù)進(jìn)行處理 60
3.3.1 文本分詞 61
3.3.2 創(chuàng)建字典和反轉(zhuǎn)字典65
3.4 總結(jié) 67
第4 章 可重用模型元素 69
4.1 基本TensorFlow Hub 工作流 70
4.2 利用遷移學(xué)習(xí)完成圖像分類 74
4.2.1 模型需求 74
4.2.2 數(shù)據(jù)轉(zhuǎn)換和輸入處理75
4.2.3 利用TensorFlow Hub 實(shí)現(xiàn)模型 .77
4.2.4 定義輸出 78
4.2.5 輸出映射到純文本格式 79
4.2.6 評(píng)估：創(chuàng)建一個(gè)混淆矩陣 .81
4.2.7 小結(jié) 83
4.3 使用tf.keras.applications 模塊獲得預(yù)訓(xùn)練模型 83
4.3.1 利用tf.keras.applications 實(shí)現(xiàn)模型 83
4.3.2 微調(diào)tf.keras.applications 的模型 85
4.4 總結(jié) 86
第5 章 流式攝取數(shù)據(jù)管道 89
5.1 使用text_dataset_from_directory 函數(shù)流式處理文本文件 .90
5.1.1 下載文本數(shù)據(jù)并建立字典 .90
5.1.2 創(chuàng)建數(shù)據(jù)管道 92
5.1.3 檢查數(shù)據(jù)集 93
5.1.4 小結(jié) 94
5.2 使用flow_from_dataframe 方法利用文件列表流式處理圖像 94
5.2.1 下載圖像并創(chuàng)建目錄95
5.2.2 創(chuàng)建數(shù)據(jù)攝取管道 96
5.2.3 檢查數(shù)據(jù)集 99
5.2.4 構(gòu)建和訓(xùn)練tf.keras 模型 .100
5.3 使用from_tensor_slices 方法流式處理NumPy 數(shù)組 101
5.3.1 加載示例數(shù)據(jù)和庫(kù) .102
5.3.2 檢查NumPy 數(shù)組 103
5.3.3 為NumPy 數(shù)據(jù)建立輸入管道 104
5.4 總結(jié) .106
第6 章 模型創(chuàng)建風(fēng)格 107
6.1 使用符號(hào)式API .108
6.1.1 加載CIFAR-10 圖像 .108
6.1.2 檢查標(biāo)簽分布 110
6.1.3 檢查圖像 . 111
6.1.4 構(gòu)建數(shù)據(jù)管道 113
6.1.5 批處理數(shù)據(jù)集進(jìn)行訓(xùn)練 114
6.1.6 構(gòu)建模型 . 115
6.2 理解繼承 118
6.3 使用命令式API .121
6.4 選擇API 124
6.5 使用內(nèi)置訓(xùn)練循環(huán) 125
6.6 創(chuàng)建和使用自定義訓(xùn)練循環(huán) 126
6.6.1 創(chuàng)建循環(huán)的元素 126
6.6.2 在自定義訓(xùn)練循環(huán)中集成所有元素 128
6.7 總結(jié) .130
第7 章 監(jiān)視訓(xùn)練過(guò)程 133
7.1 回調(diào)對(duì)象 134
7.1.1 ModelCheckpoint 134
7.1.2 EarlyStopping 142
7.1.3 小結(jié) 144
7.2 TensorBoard .144
7.2.1 由本地Jupyter Notebook 調(diào)用TensorBoard 150
7.2.2 由本地命令終端調(diào)用TensorBoard .151
7.2.3 由Colab Notebook 調(diào)用TensorBoard 151
7.2.4 使用TensorBoard 可視化顯示模型過(guò)擬合 .152
7.2.5 使用TensorBoard 可視化學(xué)習(xí)過(guò)程 153
7.3 總結(jié) .155
第8 章 分布式訓(xùn)練 157
8.1 數(shù)據(jù)并行化 158
8.1.1 異步參數(shù)服務(wù)器 159
8.1.2 同步全歸約 160
8.2 使用類tf.distribute.MirroredStrategy 161
8.2.1 創(chuàng)建分布式訓(xùn)練 163
8.2.2 利用tf.distribute.MirroredStrategy 使用GPU 集群 167
8.2.3 小結(jié) 173
8.3 Horovod API 173
8.3.1 實(shí)現(xiàn)Horovod API 的代碼模式 .174
8.3.2 封裝模型架構(gòu) 175
8.3.3 封裝數(shù)據(jù)分離和分片過(guò)程 176
8.3.4 工作節(jié)點(diǎn)間的參數(shù)同步 177
8.3.5 模型檢查點(diǎn)回調(diào) 178
8.3.6 聚合梯度的分布式優(yōu)化器 178
8.3.7 使用Horovod API 的分布式訓(xùn)練 179
8.4 總結(jié) .186
第9 章 提供TensorFlow 模型服務(wù). 187
9.1 模型序列化 187
9.1.1 將模型保存為h5 格式 195
9.1.2 將模型保存為pb 格式 196
9.1.3 選擇模型格式 198
9.2 TensorFlow Serving .199
9.3 總結(jié) .206
第10 章 改善建模體驗(yàn)：公平性評(píng)估和超參數(shù)調(diào)優(yōu) . 207
10.1 模型公平性 208
10.1.1 模型訓(xùn)練和評(píng)估 210
10.1.2 公平性評(píng)估212
10.1.3 顯示Fairness Indicators.214
10.2 超參數(shù)調(diào)優(yōu) 221
10.2.1 整數(shù)列表作為超參數(shù) 222
10.2.2 項(xiàng)選擇作為超參數(shù) 223
10.2.3 浮點(diǎn)值作為超參數(shù) 223
10.3 端到端超參數(shù)調(diào)優(yōu) .223
10.4 總結(jié) 231