TensorFlow是流行的、使用廣泛的機器學習框架，它使得每個人都能輕松開發機器學習解決方案。使用TensorFlow 2.0，你將研究一個改進後的框架結構，它提供了大量的新特性，以提升開發者的工作效率和便於開發者使用。本書通過聚焦於開發基於神經網絡的解決方案來介紹機器學習。本書通過聚焦於開發基於神經網絡的解決方案來介紹機器學習。本書從構建深度學習解決方案所需的概念和技術開始介紹，之後將介紹如何創建分類器、構建目標檢測和語義分割神經網絡、訓練生成式模型，以及使用TensorFlow 2.0的工等

●譯者序
前言
作者簡介
審校者簡介
第一部分神經網絡基礎
第1章什麼是機器學習2
1.1數據集的重要性3
1.1.1n維空間5
1.1.2維度詛咒8
1.2有監督學習9
1.2.1距離和相似性——k-NN算法10
1.2.2參數模型11
1.2.3評估模型性能——度量指標13
1.3無監督學習18
1.4半監督學習19
1.5總結20
1.6練習題20
第2章神經網絡與深度學習22
2.1神經網絡23
2.1.1生23
2.1.2人24
2.1.3全連接層25
2.1.4激活函數27
2.1.5損失函數29
2.1.6參數初始化30
2.2優化31
2.2.1梯度下降法32
2.2.2梯度下降優化算法34
2.2.3反向傳播和自動微分37
2.3卷積神經網絡39
2.3.1卷積運算符39
2.3.2二維卷積40
2.3.3卷間的二維卷積41
2.3.41×1×D卷積44
2.4正則化45
2.4.1dropout45
2.4.2數據擴充48
2.4.3早期停止48
2.4.4批量歸一化49
2.5總結50
2.6練習題51
第二部分TensorFlow基礎
第3章TensorFlow圖架構54
3.1環境設置55
3.1.1TensorFlow1.x的環境設置56
3.1.2TensorFlow2.0的環境設置57
3.2數據流圖58
3.2.1主要結構——tf.Graph60
3.2.2圖定義——從tf.Operation到tf.Tensor60
3.2.3圖放置——tf.device64
3.2.4圖執行——tf.Session66
3.2.5靜態圖中的變量69
3.3模型定義和訓練72
3.3.1用tf.layers定義模型72
3.3.2自動微分——損失函數和優化器75
3.4用Python操作圖78
3.4.1給占位符賦值79
3.4.2總結記錄80
3.4.3保存模型參數和模型選擇81
3.5總結83
3.6練習題85
第4章TensorFlow2.0架構86
4.1重新學習這個框架87
4.2Keras框架及其模型88
4.2.1順序API90
4.2.2函數式API92
4.2.3子類方法93
4.3eager執行模式和新的特征94
4.3.1基本示例94
4.3.2函數，而不是會話96
4.3.3不再有全局的東西97
4.3.4控制流99
4.3.5GradientTape101
4.3.6定制訓練循環102
4.3.7保存和恢復模型狀態105
4.3.8總結記錄和指標度量107
4.3.9AutoGraph111
4.4代碼庫遷移115
4.5總結117
4.6練習題117
第5章高效的數據輸入流水線和估計器API120
5.1高效的數據輸入流水線121
5.1.1輸入流水線的結構121
5.1.2tf.data.Dataset對像122
5.1.3性能優化125
5.1.4構建自己的數據集126
5.1.5數據擴充127
5.1.6TensroFlow數據集——tdfs128
5.1.7Keras整合130
5.1.8eager整合131
5.2估計器API132
5.2.1數據輸入流水線134
5.2.2定制估計器136
5.2.3預制估計器139
5.3總結140
5.4練習題141
第三部分神經網絡應用
第6章使用TensorFlowHub進行圖像分類144
6.1獲取數據145
6.2遷移學習147
6.2.1TensorFlowHub149
6.2.2使用Inceptionv3作為特征提取器150
6.2.3使數據適應模型152
6.2.4建立模型——hub.KerasLayer152
6.2.5訓練與評估154
6.2.6訓練速度155
6.3微調156
6.3.1何時微調157
6.3.2TensorFlowHub集成157
6.3.3訓練和評估158
6.3.4訓練速度159
6.4總結159
6.5練習題160
第7章目標檢測162
7.1獲取數據163
7.2目標定位167
7.2.1定位是一個回歸問題168
7.2.2IoU173
7.2.3平均精度175
7.2.4平均精度均值175
7.2.5改進訓練腳本176
7.3分類和定位177
7.3.1多任務學習177
7.3.2雙頭網絡178
7.3.3基於錨的檢測器180
7.3.4錨框180
7.4總結182
7.5練習題182
第8章語義分割和自定義數據集生成器184
8.1語義分割184
8.1.1挑戰185
8.1.2反卷積——轉置卷積186
8.1.3U-Net架構187
8.2創建一個TensorFlow數據集生成器191
8.2.1層次化結構192
8.2.2數據集類和DatasetInfo193
8.2.3創建數據集分割194
8.2.4生成示例195
8.2.5使用生成器198
8.3模型訓練與評估198
8.3.1數據準備199
8.3.2訓練循環和Keras回調函數199
8.3.3評估與推論201
8.4總結203
8.5練習題204
第9章生成式對抗網絡206
9.1了解GAN及其應用206
9.1.1價值函數207
9.1.2非飽和價值函數208
9.1.3模型定義和訓練階段208
9.1.4GAN的應用209
9.2無條件的GAN211
9.2.1準備數據211
9.2.2定義生成器212
9.2.3定義鋻別器213
9.2.4定義損失函數214
9.2.5無條件的GAN中的對抗訓練過程215
9.3有條件的GAN219
9.3.1為有條件的GAN獲取數據220
9.3.2在有條件的GAN中定義生成器220
9.3.3在有條件的GAN中定義鋻別器221
9.3.4對抗訓練過程222
9.4總結223
9.5練習題224
第10章在生產環境中部署模型226
10.1SavedModel序列化格式226
10.1.1特征227
10.1.2通過Keras模型創建SavedModel228
10.1.3使用通用函數進行SavedModel轉換229
10.2Python部署231
10.2.1通用計算圖231
10.2.2Keras模型233
10.2.3平面圖234
10.3支持部署的平臺235
10.3.1TensorFlow.js236
10.3.2Go綁定和tfgo240
10.4總結243
10.5練習題244

本書通過聚焦於開發基於神經網絡的解決方案來介紹機器學習，首先將從熟悉構建深度學習解決方案所需的概念和技術開始，然後介紹如何創建分類器、構建目標檢測和語義分割神經網絡、訓練生成式模型，以及使用TF 2.0的工具，如TensorFlow Datasets和TensorFlow Hub，加速開發過程。學完本書之後，讀者將能夠使用TF 2.0開發任何機器學習問題的解決方案，並能將它們部署到生產環境之中。