add chapter6

weihongwei0586 · Mar 21, 2020 · d8c0c73 · d8c0c73
1 parent 20a67da
commit d8c0c73
Show file tree

Hide file tree

Showing 29 changed files with 20 additions and 80 deletions.
diff --git a/1-3,文本数据建模流程范例.md b/1-3,文本数据建模流程范例.md
@@ -12,8 +12,6 @@ imdb数据集的目标是根据电影评论的文本内容预测评论的情感
 
 
 
-
-
 在tensorflow中完成文本数据预处理的常用方案有两种，第一种是利用tf.keras.preprocessing中的Tokenizer词典构建工具和tf.keras.utils.Sequence构建文本数据生成器管道。
 
 第二种是使用tf.data.Dataset搭配.keras.layers.experimental.preprocessing.TextVectorization预处理层。

diff --git a/3-1,低阶API示范.md b/3-1,低阶API示范.md
@@ -1,7 +1,5 @@
 # 3-1,低阶API示范
 
-
-
 下面的范例使用TensorFlow的低阶API实现线性回归模型。
 
 低阶API主要包括张量操作，计算图和自动微分。

diff --git a/3-2,中阶API示范.md b/3-2,中阶API示范.md
@@ -1,7 +1,5 @@
 # 3-2,中阶API示范
 
-
-
 下面的范例使用TensorFlow的中阶API实现线性回归模型。
 
 TensorFlow的中阶API主要包括各种模型层，损失函数，优化器，数据管道，特征列等等。

diff --git a/3-3,高阶API示范.md b/3-3,高阶API示范.md
@@ -1,7 +1,5 @@
 # 3-3,高阶API示范
 
-
-
 下面的范例使用TensorFlow的高阶API实现线性回归模型。
 
 TensorFlow的高阶API主要为tf.keras.models提供的模型的类接口。

diff --git a/4-1,张量的结构操作.md b/4-1,张量的结构操作.md
@@ -1,7 +1,5 @@
 # 4-1,张量的结构操作
 
-
-
 张量的操作主要包括张量的结构操作和张量的数学运算。
 
 张量结构操作诸如：张量创建，索引切片，维度变换，合并分割。
@@ -57,7 +55,7 @@ tf.print(d)
 [[0 0 0]
  [0 0 0]
  [0 0 0]]
- ```
+```
 
 ```python
 a = tf.ones([3,3])
@@ -140,7 +138,7 @@ tf.print(t)
 [[1 0 0]
  [0 2 0]
  [0 0 3]]
- ```
+```
 
 ```python
 

diff --git a/4-2,张量的数学运算.md b/4-2,张量的数学运算.md
@@ -1,7 +1,5 @@
 # 4-2,张量的数学运算
 
-
-
 张量的操作主要包括张量的结构操作和张量的数学运算。
 
 张量结构操作诸如：张量创建，索引切片，维度变换，合并分割。

diff --git a/4-3,AutoGraph的使用规范.md b/4-3,AutoGraph的使用规范.md
@@ -1,7 +1,5 @@
 # 4-3,AutoGraph的使用规范
 
-
-
 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。
 
 TensorFlow 2.0主要使用的是动态计算图和Autograph。

diff --git a/4-4,AutoGraph的机制原理.md b/4-4,AutoGraph的机制原理.md
@@ -1,7 +1,5 @@
 # 4-4,AutoGraph的机制原理
 
-
-
 有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。
 
 TensorFlow 2.0主要使用的是动态计算图和Autograph。

diff --git a/5-1,数据管道Dataset.md b/5-1,数据管道Dataset.md
@@ -1,7 +1,5 @@
 # 5-1,数据管道Dataset
 
-
-
 如果需要训练的数据大小不大，例如不到1G，那么可以直接全部读入内存中进行训练，这样一般效率最高。
 
 但如果需要训练的数据很大，例如超过10G，无法一次载入内存，那么通常需要在训练的过程中分批逐渐读入。

diff --git a/5-2,特征列feature_column.md b/5-2,特征列feature_column.md
@@ -1,7 +1,5 @@
 # 5-2,特征列feature_column
 
-
-
 特征列 通常用于对结构化数据实施特征工程时候使用，图像或者文本数据一般不会用到特征列。
 
 

diff --git a/5-3,激活函数activation.md b/5-3,激活函数activation.md
@@ -1,7 +1,5 @@
 # 5-3,激活函数activation
 
-
-
 激活函数在深度学习中扮演着非常重要的角色，它给网络赋予了非线性，从而使得神经网络能够拟合任意复杂的函数。
 
 如果没有激活函数，无论多复杂的网络，都等价于单一的线性变换，无法对非线性函数进行拟合。

diff --git a/5-4,模型层layers.md b/5-4,模型层layers.md
@@ -1,7 +1,5 @@
 # 5-4,模型层layers
 
-
-
 深度学习模型一般由各种模型层组合而成。
 
 tf.keras.layers内置了非常丰富的各种功能的模型层。例如，

diff --git a/5-5,损失函数losses.md b/5-5,损失函数losses.md
@@ -1,7 +1,5 @@
 # 5-5,损失函数losses
 
-
-
 一般来说，监督学习的目标函数由损失函数和正则化项组成。（Objective = Loss + Regularization）
 
 对于keras模型，目标函数中的正则化项一般在各层中指定，例如使用Dense的 kernel_regularizer 和 bias_regularizer等参数指定权重使用l1或者l2正则化项，此外还可以用kernel_constraint 和 bias_constraint等参数约束权重的取值范围，这也是一种正则化手段。

diff --git a/5-6,评估指标metrics.md b/5-6,评估指标metrics.md
@@ -1,7 +1,5 @@
 # 5-6,评估指标metrics
 
-
-
 损失函数除了作为模型训练时候的优化目标，也能够作为模型好坏的一种评价指标。但通常人们还会从其它角度评估模型的好坏。
 
 这就是评估指标。通常损失函数都可以作为评估指标，如MAE,MSE,CategoricalCrossentropy等也是常用的评估指标。

diff --git a/5-7,优化器optimizers.md b/5-7,优化器optimizers.md
@@ -1,7 +1,5 @@
 # 5-7,优化器optimizers
 
-
-
 机器学习界有一群炼丹师，他们每天的日常是：
 
 拿来药材（数据），架起八卦炉（模型），点着六味真火（优化算法），就摇着蒲扇等着丹药出炉了。

diff --git a/5-8,回调函数callbacks.md b/5-8,回调函数callbacks.md
@@ -1,7 +1,5 @@
 # 5-8,回调函数callbacks
 
-
-
 tf.keras的回调函数实际上是一个类，一般是在model.fit时作为参数指定，用于控制在训练过程开始或者在训练过程结束，在每个epoch训练开始或者训练结束，在每个batch训练开始或者训练结束时执行一些操作，例如收集一些日志信息，改变学习率等超参数，提前终止训练过程等等。
 
 同样地，针对model.evaluate或者model.predict也可以指定callbacks参数，用于控制在评估或预测开始或者结束时，在每个batch开始或者结束时执行一些操作，但这种用法相对少见。

diff --git a/6-1,构建模型的3种方法.md b/6-1,构建模型的3种方法.md
@@ -1,7 +1,5 @@
 # 6-1,构建模型的3种方法
 
-
-
 可以使用以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。
 
 对于顺序结构的模型，优先使用Sequential方法构建。

diff --git a/6-2,训练模型的3种方法.md b/6-2,训练模型的3种方法.md
@@ -1,7 +1,5 @@
 # 6-2,训练模型的3种方法
 
-
-
 模型的训练主要有内置fit方法、内置tran_on_batch方法、自定义训练循环。
 
 注：fit_generator方法在tf.keras中不推荐使用，其功能已经被fit包含。

diff --git a/6-3,使用单GPU训练模型.md b/6-3,使用单GPU训练模型.md
@@ -1,7 +1,5 @@
 # 6-3,使用单GPU训练模型
 
-
-
 深度学习的训练过程常常非常耗时，一个模型训练几个小时是家常便饭，训练几天也是常有的事情，有时候甚至要训练几十天。
 
 训练过程的耗时主要来自于两个部分，一部分来自数据准备，另一部分来自参数迭代。

diff --git a/6-4,使用多GPU训练模型.md b/6-4,使用多GPU训练模型.md
@@ -1,7 +1,5 @@
 # 6-4,使用多GPU训练模型
 
-
-
 如果使用多GPU训练模型，推荐使用内置fit方法，较为方便，仅需添加2行代码。
 
 在Colab笔记本中：修改->笔记本设置->硬件加速器 中选择 GPU

diff --git a/6-5,使用TPU训练模型.md b/6-5,使用TPU训练模型.md
@@ -1,7 +1,5 @@
 # 6-5,使用TPU训练模型
 
-
-
 如果想尝试使用Google Colab上的TPU来训练模型，也是非常方便，仅需添加6行代码。
 
 在Colab笔记本中：修改->笔记本设置->硬件加速器 中选择 TPU

diff --git a/6-6,使用tensorflow-serving部署模型.md b/6-6,使用tensorflow-serving部署模型.md
@@ -1,7 +1,5 @@
 # 6-6,使用tensorflow-serving部署模型
 
-
-
 TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。
 
 例如：通过 tensorflow-js 可以用javascrip脚本加载模型并在浏览器中运行模型。

diff --git a/6-7,使用spark-scala调用tensorflow模型.md b/6-7,使用spark-scala调用tensorflow模型.md
@@ -1,7 +1,5 @@
 # 6-7,使用spark-scala调用tensorflow2.0训练好的模型
 
-
-
 本篇文章介绍在spark中调用训练好的tensorflow模型进行预测的方法。
 
 本文内容的学习需要一定的spark和scala基础。
@@ -130,7 +128,7 @@ linear.save(export_path+version, save_format="tf")
 也可以从下面网址中直接下载 org.tensorflow.tensorflow的jar包
 
 以及其依赖的org.tensorflow.libtensorflow 和 org.tensorflowlibtensorflow_jni的jar包 放到项目中。
- 
+
 https://mvnrepository.com/artifact/org.tensorflow/tensorflow/1.15.0
 
 

diff --git a/README.md b/README.md
@@ -1,6 +1,11 @@
 # 《30天吃掉那只 TensorFlow2.0 》开篇辞 🔥🔥
 
-<!-- #region -->
+
+github项目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days/
+
+gitbook电子书地址： https://lyhue1991.github.io/eat_tensorflow2_in_30_days/
+
+
 ### 一，TensorFlow2 🍎 还是 Pytorch🔥
 
 先说结论:
@@ -9,7 +14,7 @@
 
 **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。**
+**如果时间足够，最好TensorFlow2和Pytorch都要学习掌握。**
 
 
 理由如下：
@@ -22,8 +27,6 @@
 
 * 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。
 
-<!-- #endregion -->
-
 ```python
 
 ```
@@ -45,13 +48,6 @@ tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，
 
 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
-
-```
-
-<!-- #region -->
 ### 三，本书📖面向读者 👼
 
 
@@ -67,12 +63,6 @@ tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，
 
 
 
-<!-- #endregion -->
-
-```python
-
-```
-
 ### 四，本书写作风格 🍉
 
 
@@ -98,10 +88,6 @@ tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，
 
 ### 五，本书学习方案 ⏰
 
-```python
-
-```
-
 **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。
@@ -159,12 +145,20 @@ tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，
 
 **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ipnb。
+
 ```python
-#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
+#克隆本书源码到本地
+!git clone https://github.com/lyhue1991/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

diff --git a/data/image-20200321085343234.png b/data/image-20200321085343234.png
diff --git a/data/tf_model_savedmodel/variables/checkpoint b/data/tf_model_savedmodel/variables/checkpoint
diff --git a/五、TensorFlow的中阶API.md b/五、TensorFlow的中阶API.md
@@ -1,7 +1,5 @@
 # 五、TensorFlow的中阶API
 
-
-
 TensorFlow的中阶API主要包括: 
 
 * 数据管道(tf.data)

diff --git a/六、TensorFlow的高阶API.md b/六、TensorFlow的高阶API.md
@@ -1,7 +1,5 @@
 # 六、TensorFlow的高阶API
 
-
-
 TensorFlow的高阶API主要是tensorflow.keras.models.
 
 本章我们主要详细介绍tensorflow.keras.models相关的以下内容。

diff --git a/四、TensorFlow的低阶API.md b/四、TensorFlow的低阶API.md
@@ -1,7 +1,5 @@
 # 四、TensorFlow的低阶API
 
-
-
 TensorFlow的低阶API主要包括张量操作，计算图和自动微分。
 
 如果把模型比作一个房子，那么低阶API就是【模型之砖】。
Original file line number	Diff line number	Diff line change
Expand Up		@@ -12,8 +12,6 @@ imdb数据集的目标是根据电影评论的文本内容预测评论的情感





		在tensorflow中完成文本数据预处理的常用方案有两种，第一种是利用tf.keras.preprocessing中的Tokenizer词典构建工具和tf.keras.utils.Sequence构建文本数据生成器管道。

		第二种是使用tf.data.Dataset搭配.keras.layers.experimental.preprocessing.TextVectorization预处理层。
Expand Down
Original file line number	Diff line number	Diff line change
		@@ -1,7 +1,5 @@
		# 5-2,特征列feature_column



		特征列通常用于对结构化数据实施特征工程时候使用，图像或者文本数据一般不会用到特征列。


Expand Down