"基於2.X版本覆蓋了TF的大量接口實戰案例可應用於真實場景真正把學習落實到項目和代碼中"

●第1篇準備
第1章學習準備2
1.1什麼是TensorFlow框架2
1.2如何學習本書3
第2章快速上手TensorFlow5
2.1配置TensorFlow環境5
2.2訓練模型的兩種方式13
2.2.1“靜態圖”方式13
2.2.2“動態圖”方式14
2.3實例1：用靜態圖訓練模型，使其能夠從一組數據中找到y≈2x規律15
2.4實例2：用動態圖訓練一個具有保存檢查點功能的回歸模型24
第3章TensorFlow2.X編程基礎28
3.1動態圖的編程方式28
3.1.1實例3：在動態圖中獲取參數28
3.1.2實例4：在靜態圖中使用動態圖31
3.1.3什麼是自動圖32
3.2掌握估算器框架接口的應用33
3.3實例7：將估算器模型轉化成靜態圖模型49
3.4實例8：用估算器框架實現分布式部署訓練54
3.5掌握tf.keras接口的應用58
3.6分配運算資源與使用分布策略72
3.7用tfdbg調試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
第4章用TensorFlow制作自己的數據集80
4.1數據集的基本介紹80
4.2實例11：將模擬數據制作成內存對像數據集82
4.3實例12：將圖片制作成內存對像數據集88
4.4實例13：將Excel文件制作成內存對像數據集94
4.5實例14：將圖片文件制作成TFRecord數據集98
4.6實例15：將內存對像制作成Dataset數據集104
4.7實例16：將圖片文件制作成Dataset數據集117
4.7.1代碼實現：讀取樣本文件的目錄及標簽117
4.8實例17：在動態圖中讀取Dataset數據集123
4.9實例18：在不同場景中使用數據集125
4.10tf.data.Dataset接口的更多應用129
第5章數值分析與特征工程130
5.1什麼是特征工程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離散數據特征與連續數據特征131
5.1.4連續數據與離散數據的相互轉換132
5.2什麼是特征列接口132
5.2.1實例19：用feature_column模塊處理連續值特征列132
5.2.2實例20：將連續值特征列轉換成離散值特征列136
5.2.3實例21：將離散文本特征列轉換為one-hot編碼與詞向量139
5.2.4實例22：根據特征列生成交叉列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據預處理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）接口的應用170
5.5實例26：基於知識圖譜的電影推薦繫統173
5.6實例27：預測飛機發動機的剩餘使用壽命182
第3篇進階
第6章自然語言處理200
6.1BERT模型與NLP的發展階段200
6.2實例28：用TextCNN模型分析評論者是否滿意201
6.2.1什麼是卷積神經網絡201
6.2.2模型任務與數據集介紹202
6.2.3熟悉模型：了解TextCNN模型202
6.2.4數據預處理：用preprocessing接口制作字典203
6.2.5代碼實現：生成NLP文本數據集206
6.2.6代碼實現：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：用帶有動態路由的RNN模型實現文本分類任務224
6.5NLP中的常見任務及數據集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243
6.8Transformers庫中的自動模型類（TFAutoModel）255
6.9Transformers庫中的BERTology繫列模型259
6.10Transformers庫中的詞表工具269
6.11BERTology繫列模型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繫列模型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：準備訓練與測試數據集326
7.3.3代碼實現：制作模型輸入函數326
7.3.4代碼實現：搭建ResNet模型327
7.3.5代碼實現：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：全連接網絡的優化330
7.3.8在微調過程中如何選取預訓練模型330
7.4基於圖片內容的處理任務331
7.5實例37：用YOLOV3模型識別門牌號341
第4篇高級
第8章生成式模型――能夠輸出內容的模型364
8.1快速了解信息熵（informationentropy）364
8.2通用的無監督模型――自編碼與對抗神經網絡372
8.3實例38：用多種方法實現變分自編碼神經網絡373
8.4常用的批量歸一化方法386
8.5實例39：構建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散度在神經網絡中的應用440
8.9實例42：用優選化互信息（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帶有視覺結構約束的直推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於什麼類別490
9.5.1模型任務與樣本介紹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：訓練VSC模型，將類屬性特征轉換成類視覺特征493
9.5.5代碼實現：基於W距離的損失函數494
9.5.6加載數據並進行訓練495
9.5.7代碼實現：根據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清洗測試數據集502
9.6.6利用可視化方法進行輔助分析503
後記――讓技術更好地商業化落地505

本書基於TensorFlow2.1版本進行編寫。書中內容分為4篇。第1篇包括TensorFlow的安裝、使用方法。這部分內容可以使讀者快速上手TensorFlow工具。第2篇包括數據集制作、特征工程等數據預處理工作，以及與數值分析相關的模型（其中包括wide_deep模型、梯度提升樹、知識圖譜、帶有JAN的RNN等模型）。第3篇從自然語言處理、計算機視覺兩個應用方向介紹了基礎的算法原理和主流的模型。具體包括：TextCNN模型、帶有注意力機制的模型、帶有動態路由的RNN模型、BERTology繫列模型、EfficientNet繫列模型、Anchor-Free模型、YOLOV3模型等。第4篇介紹了生成式模型和零次學習兩種技術，其中繫統地介紹了信息熵、歸一化、f-GAN、很優傳輸、Sinkhorn算法，以及變分自編碼、DeblurGAN、AttGAN、DIM、VSC等模型。本書結構清晰等