TensorFlow 2.X項(xiàng)目實(shí)戰(zhàn)

=======第1 篇 準(zhǔn)備
第1 章 學(xué)習(xí)準(zhǔn)備 /2
1．1 什么是TensorFlow 框架 /2
1．2 如何學(xué)習(xí)本書(shū) /3
·
第2 章 快速上手TensorFlow /5
2．1 配置TensorFlow 環(huán)境 /5
2．2 訓(xùn)練模型的兩種方式 /13
2．2．1 “靜態(tài)圖”方式/13
2．2．2 “動(dòng)態(tài)圖”方式/14
2．3 實(shí)例1：用靜態(tài)圖訓(xùn)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(shí)例2：用動(dòng)態(tài)圖訓(xùn)練一個(gè)具有保存檢查點(diǎn)功能的回歸模型 24
·
第3 章 TensorFlow 2．X 編程基礎(chǔ) /28
3．1 動(dòng)態(tài)圖的編程方式 /28
3．1．1 實(shí)例3：在動(dòng)態(tài)圖中獲取參數(shù) /28
3．1．2 實(shí)例4：在靜態(tài)圖中使用動(dòng)態(tài)圖 /31
3．1．3 什么是自動(dòng)圖 /32
3．2 掌握估算器框架接口的應(yīng)用 /33
3．3 實(shí)例7：將估算器模型轉(zhuǎn)化成靜態(tài)圖模型 49
3．4 實(shí)例8：用估算器框架實(shí)現(xiàn)分布式部署訓(xùn)練 54
3．5 掌握tf．keras 接口的應(yīng)用 /58
3．6 分配運(yùn)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(dòng)混合精度加速模型訓(xùn)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(shí)例11：將模擬數(shù)據(jù)制作成內(nèi)存對(duì)象數(shù)據(jù)集 82
4．3 實(shí)例12：將圖片制作成內(nèi)存對(duì)象數(shù)據(jù)集 88
4．4 實(shí)例13：將Excel 文件制作成內(nèi)存對(duì)象數(shù)據(jù)集/94
4．5 實(shí)例14：將圖片文件制作成TFRecord 數(shù)據(jù)集/98
4．6 實(shí)例15：將內(nèi)存對(duì)象制作成Dataset 數(shù)據(jù)集 104
4．7 實(shí)例16：將圖片文件制作成Dataset 數(shù)據(jù)集 117
4．7．1 代碼實(shí)現(xiàn)：讀取樣本文件的目錄及標(biāo)簽 117
4．8 實(shí)例17：在動(dòng)態(tài)圖中讀取Dataset 數(shù)據(jù)集 123
4．9 實(shí)例18：在不同場(chǎng)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(shí)例19：用feature_column 模塊處理連續(xù)值特征列 132
5．2．2 實(shí)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(shí)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(shí)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(shí)例23：使用序列特征列接口對(duì)文本數(shù)據(jù)預(yù)處理 /149
5．3 實(shí)例24：用wide_deep 模型預(yù)測(cè)人口收入 153
5．4 實(shí)例25：梯度提升樹(shù)（TFBT）接口的應(yīng)用 170
5．5 實(shí)例26：基于知識(shí)圖譜的電影推薦系統(tǒng) 173
5．6 實(shí)例27：預(yù)測(cè)飛機(jī)發(fā)動(dòng)機(jī)的剩余使用壽命 182
·
=======第3 篇 進(jìn)階
第6 章 自然語(yǔ)言處理 /200
6．1 BERT 模型與NLP 的發(fā)展階段 200
6．2 實(shí)例28：用TextCNN 模型分析評(píng)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(yù)處理：用preprocessing 接口制作字典 203
6．2．5 代碼實(shí)現(xiàn)：生成NLP 文本數(shù)據(jù)集 206
6．2．6 代碼實(shí)現(xiàn)：定義TextCNN 模型 /208
6．2．7 運(yùn)行程序 /210
6．3 實(shí)例29：用帶有注意力機(jī)制的模型分析評(píng)論者是否滿意 210
6．4 實(shí)例30：用帶有動(dòng)態(tài)路由的RNN 模型實(shí)現(xiàn)文本分類任務(wù) /224
6．5 NLP 中的常見(jiàn)任務(wù)及數(shù)據(jù)集 236
6．6 了解Transformers 庫(kù) /239
6．7 實(shí)例31：用管道方式完成多種NLP 任務(wù) 243
6．8 Transformers 庫(kù)中的自動(dòng)模型類（TFAutoModel）/255
6．9 Transformers 庫(kù)中的BERTology 系列模型 /259
6．10 Transformers 庫(kù)中的詞表工具 269
6．11 BERTology 系列模型 /281
6．12 用遷移學(xué)習(xí)訓(xùn)練BERT 模型來(lái)對(duì)中文分類/300
.
第7 章 機(jī)器視覺(jué)處理 /307
7．1 實(shí)例34：使用預(yù)訓(xùn)練模型識(shí)別圖像 307
7．2 了解EfficientNet 系列模型 /311
7．3 實(shí)例36：在估算器框架中用tf．keras 接口訓(xùn)練ResNet 模型，識(shí)別圖片中是橘子還是蘋(píng)果 /325
7．3．1 樣本準(zhǔn)備 /325
7．3．2 代碼實(shí)現(xiàn)：準(zhǔn)備訓(xùn)練與測(cè)試數(shù)據(jù)集 326
7．3．3 代碼實(shí)現(xiàn)：制作模型輸入函數(shù) /326
7．3．4 代碼實(shí)現(xiàn)：搭建ResNet 模型 /327
7．3．5 代碼實(shí)現(xiàn)：訓(xùn)練分類器模型 /328
7．3．6 運(yùn)行程序：評(píng)估模型 /329
7．3．7 擴(kuò)展：全連接網(wǎng)絡(luò)的優(yōu)化 /330
7．3．8 在微調(diào)過(guò)程中如何選取預(yù)訓(xùn)練模型 330
7．4 基于圖片內(nèi)容的處理任務(wù) /331
7．5 實(shí)例37：用YOLO V3 模型識(shí)別門(mén)牌號(hào) /341
.
=======第4 篇 高級(jí)
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(wú)監(jiān)督模型――自編碼與對(duì)抗神經(jīng)網(wǎng)絡(luò) /372
8．3 實(shí)例38：用多種方法實(shí)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(shí)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(shí)例40：構(gòu)建AttGAN 模型，對(duì)照片進(jìn)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(shí)例42：用最大化互信息（DIM）模型做一個(gè)圖片搜索器 453
.
第9 章 識(shí)別未知分類的方法――零次學(xué)習(xí) /464
9．1 了解零次學(xué)習(xí) /464
9．2 零次學(xué)習(xí)中的常見(jiàn)難點(diǎn) /469
9．3 帶有視覺(jué)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(shí)例43：用VSC 模型識(shí)別圖片中的鳥(niǎo)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(xué)習(xí)的方式獲得訓(xùn)練集分類模型 492
9．5．3 用分類模型提取圖片的視覺(jué)特征 /492
9．5．4 代碼實(shí)現(xiàn)：訓(xùn)練VSC 模型，將類屬性特征轉(zhuǎn)換成類視覺(jué)特征 /493
9．5．5 代碼實(shí)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(jìn)行訓(xùn)練 /495
9．5．7 代碼實(shí)現(xiàn)：根據(jù)特征距離對(duì)圖片進(jìn)行分類 496
9．6 提升零次學(xué)習(xí)精度的方法 /497
9．6．1 分析視覺(jué)特征的質(zhì)量 /497
9．6．2 分析直推式學(xué)習(xí)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(cè)試數(shù)據(jù)集/502
9．6．6 利用可視化方法進(jìn)行輔助分析 /503
后記――讓技術(shù)更好地商業(yè)化落地 /505