# eat_tensorflow2_in_30_days **Repository Path**: drguo/eat_tensorflow2_in_30_days ## Basic Information - **Project Name**: eat_tensorflow2_in_30_days - **Description**: Tensorflow2.0 is delicious, just eat it! - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 2 - **Forks**: 37 - **Created**: 2020-04-14 - **Last Updated**: 2020-12-19 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # How to eat TensorFlow2 in 30 days ?🔥🔥 English version🔥 is [HERE](https://github.com/lyhue1991/eat_tensorflow2_in_30_days/tree/english). Translation in progress. Looking forward to your contribution. 翻译进行中，欢迎你的加入和参与。 📚 gitbook电子书地址： https://lyhue1991.github.io/eat_tensorflow2_in_30_days 🚀 github项目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days ### 一，TensorFlow2 🍎 or Pytorch🔥 先说结论: **如果是工程师，应该优先选TensorFlow2.** **如果是学生或者研究人员，应该优先选择Pytorch.** **如果时间足够，最好TensorFlow2和Pytorch都要学习掌握。** 理由如下： * 1，**在工业界最重要的是模型落地，目前国内的大部分互联网企业只支持TensorFlow模型的在线部署，不支持Pytorch。** 并且工业界更加注重的是模型的高可用性，许多时候使用的都是成熟的模型架构，调试需求并不大。 * 2，**研究人员最重要的是快速迭代发表文章，需要尝试一些较新的模型架构。而Pytorch在易用性上相比TensorFlow2有一些优势，更加方便调试。** 并且在2019年以来在学术界占领了大半壁江山，能够找到的相应最新研究成果更多。 * 3，TensorFlow2和Pytorch实际上整体风格已经非常相似了，学会了其中一个，学习另外一个将比较容易。两种框架都掌握的话，能够参考的开源模型案例更多，并且可以方便地在两种框架之间切换。 ```python ``` ### 二，Keras🍏 and tf.keras 🍎 先说结论： **Keras库在2.3.0版本后将不再更新，用户应该使用tf.keras。** Keras可以看成是一种深度学习框架的高阶接口规范，它帮助用户以更简洁的形式定义和训练深度学习网络。 使用pip安装的Keras库同时在tensorflow,theano,CNTK等后端基础上进行了这种高阶接口规范的实现。 而tf.keras是在TensorFlow中以TensorFlow低阶API为基础实现的这种高阶接口，它是Tensorflow的一个子模块。 tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，但并非全部，它和TensorFlow之间的结合更为紧密。 随着谷歌对Keras的收购，Keras库2.3.0版本后也将不再进行更新，用户应当使用tf.keras而不是使用pip安装的Keras. ```python ``` ### 三，本书📖面向读者 👼 **本书假定读者有一定的机器学习和深度学习基础，使用过Keras或者Tensorflow1.0或者Pytorch搭建训练过模型。** **对于没有任何机器学习和深度学习基础的同学，建议在学习本书时同步参考学习《Python深度学习》一书。** 《Python深度学习》这本书是Keras之父Francois Chollet所著，该书假定读者无任何机器学习知识，以Keras为工具， 使用丰富的范例示范深度学习的最佳实践，该书通俗易懂，**全书没有一个数学公式，注重培养读者的深度学习直觉。**。 该书电子版下载链接：https://pan.baidu.com/s/1-4q6VjLTb3ZxcefyNCbjSA 提取码：wtzo ```python ``` ### 四，本书写作风格 🍉 **本书是一本对人类用户极其友善的TensorFlow2.0入门工具书，不刻意恶心读者是本书的底限要求，Don't let me think是本书的最高追求。** 本书主要是在参考TensorFlow官方文档和函数doc文档基础上整理写成的。 但本书在篇章结构和范例选取上做了大量的优化。 不同于官方文档混乱的篇章结构，既有教程又有指南，缺少整体的编排逻辑。 本书按照内容难易程度、读者检索习惯和TensorFlow自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。 不同于官方文档冗长的范例代码，本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。 **如果说通过学习TensorFlow官方文档掌握TensorFlow2.0的难度大概是9的话，那么通过学习本书掌握TensorFlow2.0的难度应该大概是3.** 谨以下图对比一下TensorFlow官方教程与本教程的差异。 ![](./data/30天吃掉那个TF2.0.jpg) ```python ``` ### 五，本书学习方案 ⏰ **1，学习计划** 本书是作者利用工作之余和疫情放假期间大概2个月写成的，大部分读者应该在30天可以完全学会。 预计每天花费的学习时间在30分钟到2个小时之间。 当然，本书也非常适合作为TensorFlow的工具手册在工程落地时作为范例库参考。 **点击学习内容蓝色标题即可进入该章节。** |日期 | 学习内容 | 内容难度 | 预计学习时间 | 更新状态| |----:|:--------------------------------------------------------------|-----------:|----------:|-----:| | |[**一、TensorFlow的建模流程**](./一、TensorFlow的建模流程.md) |⭐️ | 0hour |✅ | |day1 | [1-1,结构化数据建模流程范例](./1-1,结构化数据建模流程范例.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day2 |[1-2,图片数据建模流程范例](./1-2,图片数据建模流程范例.md) | ⭐️⭐️⭐️⭐️ | 2hour |✅ | |day3 | [1-3,文本数据建模流程范例](./1-3,文本数据建模流程范例.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |day4 | [1-4,时间序列数据建模流程范例](./1-4,时间序列数据建模流程范例.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |  |[**二、TensorFlow的核心概念**](./二、TensorFlow的核心概念.md) | ⭐️ | 0hour |✅ | |day5 | [2-1,张量数据结构](./2-1,张量数据结构.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |day6 | [2-2,三种计算图](./2-2,三种计算图.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |day7 | [2-3,自动微分机制](./2-3,自动微分机制.md) | ⭐️⭐️⭐️ | 1hour |✅ | |  |[**三、TensorFlow的层次结构**](./三、TensorFlow的层次结构.md) | ⭐️ | 0hour |✅ | |day8 | [3-1,低阶API示范](./3-1,低阶API示范.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |day9 | [3-2,中阶API示范](./3-2,中阶API示范.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day10 | [3-3,高阶API示范](./3-3,高阶API示范.md) | ⭐️⭐️⭐️ | 1hour |✅ | |  |[**四、TensorFlow的低阶API**](./四、TensorFlow的低阶API.md) |⭐️ | 0hour|✅ | |day11| [4-1,张量的结构操作](./4-1,张量的结构操作.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |day12| [4-2,张量的数学运算](./4-2,张量的数学运算.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |day13| [4-3,AutoGraph的使用规范](./4-3,AutoGraph的使用规范.md)| ⭐️⭐️⭐️ | 0.5hour |✅ | |day14| [4-4,AutoGraph的机制原理](./4-4,AutoGraph的机制原理.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |day15| [4-5,AutoGraph和tf.Module](./4-5,AutoGraph和tf.Module.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |  |[**五、TensorFlow的中阶API**](./五、TensorFlow的中阶API.md) | ⭐️ | 0hour|✅ | |day16| [5-1,数据管道Dataset](./5-1,数据管道Dataset.md) | ⭐️⭐️⭐️⭐️⭐️ | 2hour |✅ | |day17| [5-2,特征列feature_column](./5-2,特征列feature_column.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |day18| [5-3,激活函数activation](./5-3,激活函数activation.md) | ⭐️⭐️⭐️ | 0.5hour |✅ | |day19| [5-4,模型层layers](./5-4,模型层layers.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day20| [5-5,损失函数losses](./5-5,损失函数losses.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day21| [5-6,评估指标metrics](./5-6,评估指标metrics.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day22| [5-7,优化器optimizers](./5-7,优化器optimizers.md) | ⭐️⭐️⭐️ | 0.5hour |✅ | |day23| [5-8,回调函数callbacks](./5-8,回调函数callbacks.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |  |[**六、TensorFlow的高阶API**](./六、TensorFlow的高阶API.md)| ⭐️ | 0hour|✅ | |day24| [6-1,构建模型的3种方法](./6-1,构建模型的3种方法.md) | ⭐️⭐️⭐️ | 1hour |✅ | |day25| [6-2,训练模型的3种方法](./6-2,训练模型的3种方法.md) | ⭐️⭐️⭐️⭐️ | 1hour |✅ | |day26| [6-3,使用单GPU训练模型](./6-3,使用单GPU训练模型.md) | ⭐️⭐️ | 0.5hour |✅ | |day27| [6-4,使用多GPU训练模型](./6-4,使用多GPU训练模型.md) | ⭐️⭐️ | 0.5hour |✅ | |day28| [6-5,使用TPU训练模型](./6-5,使用TPU训练模型.md) | ⭐️⭐️ | 0.5hour |✅ | |day29| [6-6,使用tensorflow-serving部署模型](./6-6,使用tensorflow-serving部署模型.md) | ⭐️⭐️⭐️⭐️| 1hour |✅ | |day30| [6-7,使用spark-scala调用tensorflow模型](./6-7,使用spark-scala调用tensorflow模型.md) | ⭐️⭐️⭐️⭐️⭐️|2hour|✅ | | | [后记：一个吃货和一道菜的故事](./后记：一个吃货和一道菜的故事.md) | ⭐️|0hour|✅ | ```python ``` **2，学习环境** 本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。 为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。 ```python #克隆本书源码到本地,使用码云镜像仓库国内下载速度更快 #!git clone https://gitee.com/Python_Ai_Road/eat_tensorflow2_in_30_days #建议在jupyter notebook 上安装jupytext，以便能够将本书各章节markdown文件视作ipynb文件运行 #!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext #建议在jupyter notebook 上安装最新版本tensorflow 测试本书中的代码 #!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U tensorflow ``` ```python import tensorflow as tf #注：本书全部代码在tensorflow 2.1版本测试通过 tf.print("tensorflow version:",tf.__version__) a = tf.constant("hello") b = tf.constant("tensorflow2") c = tf.strings.join([a,b]," ") tf.print(c) ``` ``` tensorflow version: 2.1.0 hello tensorflow2 ``` ```python ``` ### 六，鼓励和联系作者 🎈🎈 **如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star⭐️，并分享给你的朋友们喔😊!** 如果对本书内容理解上有需要进一步和作者交流的地方，欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限，会酌情予以回复。 也可以在公众号后台回复关键字：**加群**，加入读者交流群和大家讨论。 ![image.png](./data/Python与算法之美logo.jpg) ```python ```