add chapter4

1-3,文本数据建模流程范例.md

@@ -242,8 +242,8 @@ def train_model(model,ds_train,ds_valid,epochs):
 
         for features, labels in ds_valid:
             valid_step(model,features,labels)
-            
-        #此行代码需根据
+
+        #此处logs模板需要根据metric具体情况修改
         logs = 'Epoch={},Loss:{},Accuracy:{},Valid Loss:{},Valid Accuracy:{}' 
 
         if epoch%1==0:

2-2,三种计算图.md

@@ -31,7 +31,7 @@
 ### 二，静态计算图
 
 
-在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。
+在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二步在会话中执行计算图。
 
 <!-- #region -->
 **TensorFlow 1.0静态计算图范例**
@@ -49,7 +49,7 @@ with g.as_default():
 
 #执行计算图
 with tf.Session(graph = g) as sess:
-    print(sess.run(fetches = z,feed_dict={}))
+    print(sess.run(fetches = z,feed_dict = {x:"hello",y:"world"}))
 
 ```
 <!-- #endregion -->
@@ -81,7 +81,7 @@ with tf.compat.v1.Session(graph = g) as sess:
 
 在TensorFlow2.0中，使用的是动态计算图和Autograph.
 
-在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图。
+在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二步在会话中执行计算图。
 
 动态计算图已经不区分计算图的定义和执行了，而是定义后立即执行。因此称之为 Eager Excution.
 
@@ -156,7 +156,7 @@ writer = tf.summary.create_file_writer(logdir)
 tf.summary.trace_on(graph=True, profiler=True) 
 
 #执行autograph
-result = strjoin("hello","China")
+result = strjoin("hello","world")
 
 #将计算图信息写入日志
 with writer.as_default():

4-1,张量的结构操作.md

@@ -8,7 +8,7 @@
 
 张量数学运算主要有：标量运算，向量运算，矩阵运算。另外我们会介绍张量运算的广播机制。
 
-本篇我们将介绍张量的结构操作。
+本篇我们介绍张量的结构操作。
 
 
 ### 一，创建张量
@@ -383,7 +383,8 @@ array([[52, 82, 66, 55, 17, 86, 14],
 
 ```python
 #抽取每个班级第0个学生，第5个学生，第9个学生的全部成绩
-p = tf.boolean_mask(scores,[True,False,False,False,False,True,False,False,False,True],axis=1)
+p = tf.boolean_mask(scores,[True,False,False,False,False,
+                            True,False,False,False,True],axis=1)
 tf.print(p)
 ```
 
@@ -458,9 +459,10 @@ tf.scatter_nd的作用和tf.gather_nd有些相反，tf.gather_nd用于收集张
 
 ```python
 #找到张量中小于0的元素,将其换成np.nan得到新的张量
+#tf.where和np.where作用类似，可以理解为if的张量版本
 
 c = tf.constant([[-1,1,-1],[2,2,-2],[3,-3,3]],dtype=tf.float32)
-d = tf.where(c<0,tf.fill(c.shape,np.nan),c) #tf.where和np.where作用类似，可以理解为if的张量版本
+d = tf.where(c<0,tf.fill(c.shape,np.nan),c) 
 d
 ```
 
@@ -504,7 +506,8 @@ array([[ 0.,  1., -1.],
 ```
 
 ```python
-#scatter_nd的作用和gather_nd有些相反，可以将某些值插入到一个给定shape的全0的张量的指定位置处。
+#scatter_nd的作用和gather_nd有些相反
+#可以将某些值插入到一个给定shape的全0的张量的指定位置处。
 indices = tf.where(c<0)
 tf.scatter_nd(indices,tf.gather_nd(c,indices),c.shape)
 ```
@@ -534,8 +537,12 @@ tf.expand_dims 可以增加维度。
 tf.transpose 可以交换维度。
 
 
+
+tf.reshape可以改变张量的形状，但是其本质上不会改变张量元素的存储顺序，所以，该操作实际上非常迅速，并且是可逆的。
+
 ```python
-a = tf.random.uniform(shape=[1,3,3,2],minval=0,maxval=255,dtype=tf.int32)
+a = tf.random.uniform(shape=[1,3,3,2],
+                      minval=0,maxval=255,dtype=tf.int32)
 tf.print(a.shape)
 tf.print(a)
 ```
@@ -569,11 +576,8 @@ TensorShape([3, 6])
  [39 7 138 129 59 205]]
 ```
 
-```python
 
-```
 
-reshape可以改变张量的形状，但是其本质上不会改变张量元素的存储顺序，所以，该操作实际上非常迅速，并且是可逆的。
 
 ```python
 # 改回成 [1,3,3,2] 形状的张量
@@ -600,6 +604,7 @@ tf.print(c)
 ```
 
 如果张量在某个维度上只有一个元素，利用tf.squeeze可以消除这个维度。
+
 和tf.reshape相似，它本质上不会改变张量元素的存储顺序。
 
 张量的各个元素在内存中是线性存储的，其一般规律是，同一层级中的相邻元素的物理地址也相邻。

4-2,张量的数学运算.md

@@ -350,9 +350,7 @@ tf.linalg.trace(a)
 ```
 
 ```
-#矩阵求trace
-a = tf.constant([[1.0,2],[3,4]])
-tf.linalg.trace(a)
+<tf.Tensor: shape=(), dtype=float32, numpy=5.0>
 ```
 
 ```python

README.md

@@ -53,20 +53,19 @@ tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，
 
 ### 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、TensorFlow的低阶API.md

@@ -19,6 +19,8 @@ TensorFlow提供的方法比numpy更全面，运算速度更快，如果需要
 
 张量数学运算主要有：标量运算，向量运算，矩阵运算。另外我们会介绍张量运算的广播机制。
 
-
 AutoGraph计算图我们将介绍使用Autograph的规范建议，Autograph的机制原理，Autograph和tf.Module.
 
+
+
+