TensorFlow 2 實戰

艾力，曾就職於暴風大腦研究院，擔任NLP 架構師一職。
負責暴風大腦NLP 引擎的設計和開發。
Github 上開源了其極簡NLP 框架Kashgari，幫助大家把**的NLP 論文落地到生產環境。

第1章環境配置1
1．1雲Notebook環境簡介1
1．2本地Notebook環境準備1
1．2．1搭建Python環境2
1．2．2創建虛擬環境2
1．2．3安裝JupyterLab 3
1 ．3安裝TensorFlow 6
1．4本書的代碼規範7
本章小結8

第2章常見工具介紹9
2．1 NumPy 9
2．1．1創建數組10
2．1．2數組索引11
2．1．3數組切片11
2．1．4數學計算12
2．1．5神經網絡的數據表示13
2．2 Pandas 14
2．2．1讀取數據14
2．2．2探索數據15
2．2．3過濾數據16
2．2．4應用方法17
2．2．5重構數據17
2．2．6保存數據18
2．3 Matplotlib 18
2．3．1簡單的圖形19
2．3．2子圖20
2 ．3．3直方圖21
2．3．4標題、標籤和圖例21
2．3．5三維圖形22
2．3．6結合Pandas使用23
本章小結24

第3章從零開始搭建神經網絡25
3．1構建神經元26
3．2搭建神經網絡28
3．3前向傳播例子28
3．4訓練神經網絡30
3．4．1損失31
3．4．2損失計算實例31
3．5優化神經網絡32
3．6隨機梯度下降35
3．7完整的代碼實現36
本章小結41

第4章深度學習基礎42
4 ．1基礎概念42
4．1．1神經元42
4．1．2神經網絡44
4．1．3損失函數45
4．1．4神經網絡訓練45
4．1．5深度學習的主要術語46
4 ．1．6深度學習的4個分支48
4．2評估深度學習模型49
4．2．1簡單的留出驗證49
4．2．2 K折交叉驗證50
4．2．3隨機重複K折交叉驗證50
4．2．4模型評估的註意事項50
4．3過擬合和欠擬合51
4．3．1減小神經網絡模型的大小51
4．3．2添加權重正則化52
4．3 ．3添加Dropout正則化52
本章小結52

第5章泰坦尼克號倖存者預測53
5．1處理數據集53
5．2定義模型57
5．3編譯模型57
5．4訓練模型59
5．5評估模型60
5．6預測63
5 ．7代碼匯總64
本章小結66

第6章TensorFlow 2介紹67
6．1 TensorFlow 2基礎知識和學習路線圖67
6．1．1基礎知識67
6．1．2學習路線圖69
6．2模型的保存和恢復70
6．2．1全模型保存70
6．2．2保存為SavedModel格式71
6．2．3僅保存模型結構71
6．2．4僅保存模型權重72
6．3模型增量更新72
6．4訓練回調72
6．4．1模型檢查點和提前終止73
6．4．2動態調整學習率73
6．4．3自定義回調函數74
6．5 TensorBoard可視化76
本章小結78

第7章圖像識別入門79
7．1 Fashion-MNIST數據集79
7．1．1數據集簡介79
7．1．2數據集預處理80
7．2全連接神經網絡82
7．2．1構建模型83
7．2．2編譯模型83
7．2．3訓練模型84
7．2．4評估模型84
7．2．5預測84
7．2 ．6代碼小結87
7．3捲積神經網絡88
7．3．1捲積神經網絡的原理88
7．3．2捲積層和池化層89
7．3．3實現捲積神經網絡91
本章小結92

第8章圖像識別進階93
8．1數據集處理93
8．1．1準備數據集93
8．1．2數據集預處理96
8．1．3簡單的捲積神經網絡97
8． 1．4數據增強99
8．2遷移學習102
8．2．1 VGG16預訓練模型103
8．2．2特徵提取105
8．2．3微調模型108
8．2．4保存模型110
8．3 TensorFlow Hub 111
本章小結113

第9章圖像風格遷移114
9．1神經風格遷移的原理114
9．1．1內容損失116
9．1．2風格損失117
9．2實現神經風格遷移算法117
本章小結127

第10章自然語言處理入門128
10．1分詞128
10．1．1英文分詞128
10．1．2中文分詞129
10．2語言模型131
10．2．1獨熱編碼131
10．2 ．2詞嵌入133
10．2．3從文本到詞嵌入134
10．2．4自然語言處理領域的遷移學習137
10．3循環神經網絡139
10．3．1循環神經網絡的原理139
10．3 ．2使用NumPy實現RNN層前向傳播140
10．3．3循環神經網絡存在的問題142
10．3．4長短期記憶網絡143
本章小結143

第11章語音助手意圖分類144
11．1數據集144
11．1．1加載數據集145
11．1．2數據預處理146
11．2雙向長短期記憶網絡151
11．3預訓練詞嵌入網絡152
11．4保存和加載模型155
本章小結157

第12章自然語言生成實戰158
12．1利用語言模型寫詩158
12．1．1語言模型的應用158
12．1．2採樣策略159
12．1．3利用LSTM語言模型寫詩159
12．2 Seq2Seq語言模型167
12．2．1編碼器167
12．2．2解碼器168
12．3利用Seq2Seq語言模型實現中英文翻譯168
12．3 ．1 tf．keras中的函數式模型168
12．3．2數據預處理169
12．3．3 Seq2Seq翻譯模型的訓練171
12．3．4 Seq2Seq翻譯模型的預測173
本章小結176

第13章中文實體識別實戰177
13 ．1報紙實體識別177
13．1．1數據集177
13．1．2訓練模型181
13．1．3評估序列標註182
13．2使用BERT進行遷移學習實體識別183
13．2．1在tf．keras中加載BERT模型184
13．2．2構建遷移模型186
本章小結188

第14章生成對抗網絡189
14．1生成對抗網絡的原理189
14．2搭建生成對抗網絡190
14．2．1生成器190
14．2．2判別器191
14．2．3完成生成對抗網絡的搭建191
14．3訓練生成對抗網絡192
14．4輔助類別生成對抗網絡196
14．5 GAN的評估201
14．5．1 Inception Score 202
14．5．2 Fréchet Inception距離203
本章小結205

第15章強化學習206
15．1強化學習概述206
15 ．1．1基礎內容206
15．1．2 Gym框架簡介208
15．1．3隨機動作策略210
15．2 Q-Learning 212
15．2．1 Q-Learning簡介212
15．2．2 Q-Learning的實現213
15．3 Deep Q-Learning 216
15．3．1 Lunar Lander v2 216
15．3．2隨機動作Agent 217
15．3．3 DQN的訓練219
本章小結225

第16章部署模型226
16．1使用Flask部署226
16．1．1 Flask入門226
16．1．2利用Flask部署圖像分類模型227
16．2 TensorFlow Serving 229
16．2．1使用命令行工具部署230
16．2．2使用Docker部署231
16．2．3調用REST接口232
16．2．4版本控制233
本章小結234