O'Reilly：TensorFlow速查手冊

目錄
前言 . 1
第1 章 TensorFlow 2 簡介 . 7
1.1 TensorFlow 2 的改進 8
1.1.1 Keras API .8
1.1.2 TensorFlow 中的可重用模型 9
1.2 簡化常用操作 10
1.2.1 開源數(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 遷移學習 12
1.2.6 模型風格 12
1.2.7 監(jiān)視訓練過程 12
1.2.8 分布式訓練 13
1.2.9 提供TensorFlow 模型服務(wù) 13
1.2.10 改善訓練體驗 13
1.3 總結(jié) 14
第2 章 數(shù)據(jù)存儲和攝取 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CSV 文件劃分為多個CSV 文件23
2.6 使用tf.io 創(chuàng)建文件模式對象 .24
2.7 創(chuàng)建流式數(shù)據(jù)集對象 .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 準備表格數(shù)據(jù)進行訓練 39
3.1.1 標記列 .41
3.1.2 將列交互編碼為可能的特征 46
3.1.3 創(chuàng)建交叉驗證數(shù)據(jù)集48
3.1.4 開始模型訓練過程 49
3.1.5 小結(jié) 50
3.2 準備圖像數(shù)據(jù)進行處理 51
3.2.1 將圖像轉(zhuǎn)換為固定大小 55
3.2.2 訓練模型 58
3.2.3 小結(jié) 60
3.3 準備文本數(shù)據(jù)進行處理 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 利用遷移學習完成圖像分類 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 評估：創(chuàng)建一個混淆矩陣 .81
4.2.7 小結(jié) 83
4.3 使用tf.keras.applications 模塊獲得預(yù)訓練模型 83
4.3.1 利用tf.keras.applications 實現(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 .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)建風格 107
6.1 使用符號式API .108
6.1.1 加載CIFAR-10 圖像 .108
6.1.2 檢查標簽分布 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)集進行訓練 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)置訓練循環(huán) 125
6.6 創(chuàng)建和使用自定義訓練循環(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)視訓練過程 133
7.1 回調(diào)對象 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 可視化顯示模型過擬合 .152
7.2.5 使用TensorBoard 可視化學習過程 153
7.3 總結(jié) .155
第8 章 分布式訓練 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)分離和分片過程 176
8.3.4 工作節(jié)點間的參數(shù)同步 177
8.3.5 模型檢查點回調(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：公平性評估和超參數(shù)調(diào)優(yōu) . 207
10.1 模型公平性 208
10.1.1 模型訓練和評估 210
10.1.2 公平性評估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 項選擇作為超參數(shù) 223
10.2.3 浮點值作為超參數(shù) 223
10.3 端到端超參數(shù)調(diào)優(yōu) .223
10.4 總結(jié) 231