【导读】 TensorFlow 2.0 于近期正式发布后，立即受到学术界与科研界的广泛关注与好评。此前，我们曾特邀专家回顾了 TensorFlow 2.0 从初版到最新版本的发展史。今天，我们将介绍一本全面详解 TensorFlow 2.0 的手册。这本手册是 Google Summer of Code 2019 项目之一，从基础安装与环境配置、部署，到大规模训练与加速、扩展，全方位讲解 TensorFlow 2.0  的入门要点，并附录相关资料供读者参考。

这是一本简明的 TensorFlow 2.0 入门指导手册，基于 Keras 和 Eager Execution（即时运行）模式，力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow 2.0。

本手册的所有代码基于 TensorFlow 2.0 正式版及 beta1 版本。

中文指南：https://tf.wiki/

GitHub链接：https://github.com/snowkylin/tensorflow-handbook

文中的所有示例代码：https://github.com/snowkylin/tensorflow-handbook/tree/master/source/_static/code/zh

本手册所有章节如下图，不仅包含 TensorFlow 的概述，还含有基础、部署、大规模训练与加速、扩展，以及附录部分。

前言

此前，TensorFlow 所基于的传统 Graph Execution 的弊端，如入门门槛高、调试困难、灵活性差、无法使用 Python 原生控制语句等早已被开发者诟病许久。一些新的基于动态图机制的深度学习框架（如 PyTorch）也横空出世，并以其易用性和快速开发的特性而占据了一席之地。尤其是在学术研究等需要快速迭代模型的领域，PyTorch 等新兴深度学习框架已经成为主流。作者所在的数十人的机器学习实验室中，竟只有其一人 “守旧” 地使用 TensorFlow。

然而，直到目前，市面上相关的 TensorFlow 相关的中文技术书籍及资料仍然基于传统的 Graph Execution 模式，让不少初学者（尤其是刚学过机器学习课程的大学生）望而却步。由此，在 TensorFlow 正式支持 Eager Execution 之际，有必要出现一本全新的技术手册，帮助初学者及需要快速迭代模型的研究者，以一个全新的角度快速入门 TensorFlow。

同时，本手册还有第二个任务。市面上与 TensorFlow 相关的中文技术书籍大都以深度学习为主线，将 TensorFlow 作为这些深度学习模型的实现方式。这样固然有体系完整的优点，然而对于已经对机器学习或深度学习理论有所了解，希望侧重于学习 TensorFlow 本身的读者而言，就显得不够友好。

于是，作者希望编写一本手册，以尽量精简的篇幅展示 TensorFlow 作为一个计算框架的主要特性，并弥补官方手册的不足，力图能让已经有一定机器学习 / 深度学习知识及编程能力的读者迅速上手 TensorFlow，并在实际编程过程中可以随时查阅并解决实际问题。

适用群体

本书适用于以下读者：

• 已有一定机器学习 / 深度学习基础，希望将所学理论知识使用 TensorFlow 进行具体实现的学生和研究者；

• 曾使用或正在使用 TensorFlow 1.X 版本或其他深度学习框架（比如 PyTorch），希望了解 TensorFlow 2.0 新特性的开发者；

• 希望将已有的 TensorFlow 模型应用于业界的开发者或工程师。

提示：本书不是一本机器学习 / 深度学习原理入门手册。若希望进行机器学习 / 深度学习理论的入门学习，可参考附录中提供的一些入门资料。

TensorFlow 概述

• 学生和研究者：模型的建立与训练

• 开发者和工程师：模型的调用与部署

• TensorFlow 能帮助我们做什么？

• TensorFlow 安装与环境配置

TensorFlow 的最新安装步骤可参考官方网站上的说明（https://tensorflow.google.cn/install）。TensorFlow 支持 Python、Java、Go、C 等多种编程语言以及 Windows、OSX、Linux 等多种操作系统，此处及后文均以 Python 3.7 为准。

提示

本章介绍在一般的个人电脑或服务器上直接安装 TensorFlow 2.0 的方法。关于在容器环境（Docker）、云平台中部署 TensorFlow 或在线上环境中使用 TensorFlow 的方法，见附录 使用 Docker 部署 TensorFlow 环境和在云端使用 TensorFlow 。软件的安装方法往往具有时效性，本节的更新日期为 2019 年 10 月。

• • 一般安装步骤

  • GPU 版本 TensorFlow 安装指南

    • GPU 硬件的准备

    • NVIDIA 驱动程序的安装

    • CUDA Toolkit 和 cnDNN 的安装

  • 第一个程序

  • IDE 设置

  • TensorFlow 所需的硬件配置 *

• TensorFlow 基础

本章介绍 TensorFlow 的基本操作。

• • TensorFlow 1+1

  • 自动求导机制

  • 基础示例：线性回归

    • NumPy 下的线性回归

    • TensorFlow 下的线性回归

• TensorFlow 模型建立与训练

本章介绍如何使用 TensorFlow 快速搭建动态模型。

• • 模型（Model）与层（Layer）

  • 基础示例：多层感知机（MLP）

    • 数据获取及预处理：tf.keras.datasets

    • 模型的构建：tf.keras.Model 和 tf.keras.layers

    • 模型的训练：tf.keras.losses 和 tf.keras.optimizer

    • 模型的评估：tf.keras.metrics

  • 卷积神经网络（CNN）

    • 使用 Keras 实现卷积神经网络

    • 使用 Keras 中预定义的经典卷积神经网络结构

  • 循环神经网络（RNN）

  • 深度强化学习（DRL）

  • Keras Pipeline *

    • Keras Sequential/Functional API 模式建立模型

    • 使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型

  • 自定义层、损失函数和评估指标 *

    • 自定义层

    • 自定义损失函数和评估指标

• TensorFlow 常用模块

  • tf.train.Checkpoint ：变量的保存与恢复

  • TensorBoard：训练过程可视化

  • tf.data ：数据集的构建与预处理

    • 数据集对象的建立

    • 数据集对象的预处理

    • 数据集元素的获取与使用

    • 实例：cats_vs_dogs 图像分类

  • @tf.function ：Graph Execution 模式 *

    • @tf.function 基础使用方法

    • @tf.function 内在机制

    • AutoGraph：将 Python 控制流转换为 TensorFlow 计算图

    • 使用传统的 tf.Session

  • tf.TensorArray ：TensorFlow 动态数组 *

  • tf.config：GPU 的使用与分配 *

    • 指定当前程序使用的 GPU

    • 设置显存使用策略

    • 单 GPU 模拟多 GPU 环境

• TensorFlow 模型导出

  • 使用 SavedModel 完整导出模型

  • Keras Sequential save 方法（Jinpeng）

• TensorFlow Serving

  • TensorFlow Serving 安装

  • TensorFlow Serving 模型部署

    • Keras Sequential 模式模型的部署

    • 自定义 Keras 模型的部署

  • 在客户端调用以 TensorFlow Serving 部署的模型

    • Python 客户端示例

    • Node.js 客户端示例（Ziyang）

• TensorFlow Lite（Jinpeng）

  • 模型转换

  • Android 部署

  • Quantization 模型转换

  • 总结

• TensorFlow in JavaScript（Huan）

  • TensorFlow.js 简介

    • 浏览器中使用 TensorFlow.js 的优势

    • TensorFlow.js 性能对比

  • TensorFlow.js 环境配置

    • 在浏览器中使用 TensorFlow.js

    • 在 Node.js 中使用 TensorFlow.js

    • 在微信小程序中使用 TensorFlow.js

  • TensorFlow.js 模型部署

    • 通过 TensorFlow.js 加载 Python 模型

    • 使用 TensorFlow.js 模型库

  • TensorFlow.js 模型训练 *

大规模训练与加速

• TensorFlow 分布式训练

当我们拥有大量计算资源时，通过使用合适的分布式策略，可以充分利用这些计算资源，从而大幅压缩模型训练的时间。针对不同的使用场景，TensorFlow 在 tf.distribute.Strategy 中为我们提供了若干种分布式策略，从而能够更高效地训练模型。

• • 单机多卡训练：MirroredStrategy

  • 多机训练：MultiWorkerMirroredStrategy

• 使用 TPU 训练 TensorFlow 模型（Huan）

2017 年 5 月，Alpha Go 在中国乌镇围棋峰会上，与世界第一棋士柯洁比试，并取得了三比零全胜战绩。之后的版本 Alpha Zero 可以通过自我学习 21 天即可以达到胜过中国顶尖棋手柯洁的 Alpha Go Master 的水平。

Alpha Go 背后的动力全部由 TPU 提供，TPU 使其能够更快地 “思考” 并在每一步之间看得更远。

• TPU 简介

  • 什么是 TPU

  • 为什么使用 TPU

  • TPU 性能

• TPU 环境配置

  • 免费 TPU：Google Colab

  • Cloud TPU

• TPU 基础使用

• TensorFlow Hub 模型复用（Jinpeng）

• TensorFlow Datasets 数据集载入

• Swift for TensorFlow (S4TF) (Huan）

  • S4TF 简介

    • 为什么要使用 Swift 进行 Tensorflow 开发

  • S4TF 环境配置

    • 本地安装 Swift for Tensorflow

    • 在 Colaboratory 中快速体验 Swift for Tensorflow

    • 在 Docker 中快速体验 Swift for TensorFlow

  • S4TF 基础使用

    • 在 Swift 中使用标准的 TensorFlow API

    • 在 Swift 中直接加载 Python 语言库

    • 语言原生支持自动微分

    • MNIST 数字分类

• TensorFlow in Julia（Ziyang）

  • TensorFlow.jl 简介

    • 为什么要使用 Julia ？

  • TensorFlow.jl 环境配置

    • 在 docker 中快速体验 TensorFlow.jl

    • 在 julia 包管理器中安装 TensorFlow.jl

  • TensorFlow.jl 基础使用

    • MNIST 数字分类

• 图模型下的 TensorFlow

  • TensorFlow 1+1

  • 基础示例：线性回归

• 使用 Docker 部署 TensorFlow 环境

• 在云端使用 TensorFlow

  • 在 Colab 中使用 TensorFlow

  • 在 Google Cloud Platform（GCP）中使用 TensorFlow

    • 在 Compute Engine 建立带 GPU 的实例并部署 TensorFlow

    • 使用 AI Platform 中的 Notebook 建立带 GPU 的在线 JupyterLab 环境

  • 在阿里云上使用 GPU 实例运行 Tensorflow（Ziyang）

• 部署自己的交互式 Python 开发环境 JupyterLab

• TensorFlow 性能优化

• 参考资料与推荐阅读

• 术语中英对照表

答疑区

• （中文）TensorFlow 中文社区 “简单粗暴 TensorFlow” 版面：https://www.tensorflowers.cn/b/48 （中文的疑问和建议请来此处，将以中文回答和讨论。欢迎使用中文的开发者们前来 TensorFlow 中文社区交流讨论）

• （英文）https://github.com/snowkylin/tensorflow-handbook/releases （英文的疑问或建议可在 GitHub issue 中提出，会以英文回答）

PDF 下载（旧版）：

• 中文版：https://www.tensorflowers.cn/t/6230 （同时也有英文版下载）

• 英文版：https://github.com/snowkylin/tensorflow-handbook/releases

搜索页面：https://tf.wiki/search.html

最后，我们有必要介绍一下《简单粗暴TensorFlow 2.0》的作者李锡涵。

       （图片来源：领英）

据领英资料显示，李锡涵是来自北大信息科学技术学院的准理科硕士生，担任见习顾问和研究助理，2016年本科毕业于浙大竺可桢学院，并在 2015 年以交换生的身份进入交通大学。

李锡涵曾在微软亚研院机器学习组实习，在谷歌还是机器学习方面的GDE（Google Developers Expert），目前的研究重点是基于图的现实场景中多主体强化学习的应用。

【END】

python到底值不值得学？

https://edu.csdn.net/topic/python115?utm_source=csdn_bw

 热 文 推 荐 

你点的每个“在看”，我都认真当成了喜欢