TensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》循序漸進(jìn)地講解了TensorFlow大模型開發(fā)的核心知識，并通過具體實例演練了開發(fā)TensorFlow大模型程序的方法和流程。全書共14章，分別講解了TensorFlow數(shù)據(jù)集制作、使用機(jī)器學(xué)習(xí)算法制作TensorFlow模型、保存和加載模型、使用深度學(xué)習(xí)算法制作TensorFlow模型、TensorBoard模型可視化、模型訓(xùn)練與調(diào)優(yōu)詳解、基本的模型優(yōu)化操作、TensorFlowTransform（TFT）：模型數(shù)據(jù)規(guī)范化處理、TensorFlowDataValidation（TFDV）：驗證模型數(shù)據(jù)、ModelRemediation：模型修復(fù)、ResponsibleAI和FairnessIndicators：評估和改進(jìn)模型的公平性、NeuralStructuredLearning（NSL）：改進(jìn)模型的學(xué)習(xí)能力和泛化能力、TensorFlowServing：優(yōu)化模型部署、移動機(jī)器人智能物體識別系統(tǒng)（TensorFlowLite+TensorFlow+Android+iOS）�！禩ensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》適用于想了解TensorFlow基礎(chǔ)開發(fā)的讀者，想要進(jìn)一步學(xué)習(xí)大模型開發(fā)、模型優(yōu)化、模型應(yīng)用和模型架構(gòu)的讀者，同時，也可以作為大專院校相關(guān)專業(yè)的師生用書和培訓(xùn)學(xué)校的教材。
實際案例驅(qū)動的學(xué)習(xí)路徑《TensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》緊密結(jié)合實際案例，將理論與實踐深度融合。每一章都通過具體示例展示TensorFlow在大模型開發(fā)中的應(yīng)用，讓讀者從實際問題中學(xué)習(xí)，快速上手。全面涵蓋開發(fā)流程《TensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》從TensorFlow的基礎(chǔ)知識出發(fā)，逐步帶領(lǐng)讀者深入探索數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練優(yōu)化以及模型部署等各個開發(fā)環(huán)節(jié)。深入剖析優(yōu)化策略大模型的開發(fā)與優(yōu)化充滿挑戰(zhàn)，本書對各種優(yōu)化策略進(jìn)行了深入剖析。從模型性能調(diào)優(yōu)到資源有效利用，讀者將學(xué)會在復(fù)雜環(huán)境下提升模型性能的方法。全面講解可視化工具《TensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》詳細(xì)介紹了TensorBoard的使用方法，以及如何利用可視化工具監(jiān)測模型訓(xùn)練過程、分析模型結(jié)構(gòu)和性能，幫助讀者更好地理解模型的運行情況。貼近實踐的實用技巧除了深入的理論和案例分析，《TensorFlow大模型開發(fā)實踐（制作+優(yōu)化+應(yīng)用）》還提供了許多貼近實際應(yīng)用的實用技巧。從數(shù)據(jù)預(yù)處理到模型調(diào)優(yōu)，從部署到性能監(jiān)測，每一步都有實用的建議。
在當(dāng)今科技飛速發(fā)展的時代，人工智能與深度學(xué)習(xí)正引領(lǐng)著科技和工程領(lǐng)域的一場革命性變革。TensorFlow 作為一款開源的深度學(xué)習(xí)框架，為開發(fā)者提供了強(qiáng)大的支持，使其能夠構(gòu)建、訓(xùn)練和部署復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型。然而，隨著模型復(fù)雜度的不斷攀升，TensorFlow 大模型的開發(fā)、優(yōu)化與應(yīng)用也面臨著諸多挑戰(zhàn)。
基于多年的從業(yè)經(jīng)驗，我在實際項目中深切體會到了應(yīng)用TensorFlow 大模型時所遇到的難題。從數(shù)據(jù)集的處理、模型的搭建，到優(yōu)化算法的選擇，再到最終的部署，每一個環(huán)節(jié)都充滿了技術(shù)挑戰(zhàn)與決策難題。也正是因為這些經(jīng)歷，使我萌生了撰寫本書的想法。
本書特色
本書以實際案例為依托，從TensorFlow 的基礎(chǔ)知識入手，逐步引導(dǎo)讀者掌握數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練優(yōu)化、模型部署等關(guān)鍵環(huán)節(jié)，具有以下幾個特色。
1.實際案例驅(qū)動的學(xué)習(xí)路徑
本書緊密結(jié)合實際案例，將理論與實踐進(jìn)行了深度融合。每一章都通過具體示例展示TensorFlow 在大模型開發(fā)中的應(yīng)用，讓讀者從實際問題中學(xué)習(xí)，快速上手。
2.全面涵蓋開發(fā)流程
本書從TensorFlow 的基礎(chǔ)知識出發(fā)，逐步帶領(lǐng)讀者深入探索數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練優(yōu)化以及模型部署等各個開發(fā)環(huán)節(jié)。
3.深入剖析優(yōu)化策略
大模型的開發(fā)與優(yōu)化充滿挑戰(zhàn)，本書對各種優(yōu)化策略進(jìn)行了深入剖析。從模型性能調(diào)優(yōu)到資源有效利用，讀者將學(xué)會在復(fù)雜環(huán)境下提升模型性能的方法。
4.全面講解可視化工具
本書詳細(xì)介紹了TensorBoard 的使用方法，以及如何利用可視化工具監(jiān)測模型訓(xùn)練過程、分析模型結(jié)構(gòu)和性能，幫助讀者更好地理解模型的運行情況。
5.貼近實踐的實用技巧
除了深入的理論和案例分析，本書還提供了許多貼近實際應(yīng)用的實用技巧。從數(shù)據(jù)預(yù)處理到模型調(diào)優(yōu)，從部署到性能監(jiān)測，每一步都有實用的建議。
本書讀者對象
機(jī)器學(xué)習(xí)和深度學(xué)習(xí)初學(xué)者：本書從基礎(chǔ)概念入手，適合對人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)感興趣，但缺乏深入知識的初學(xué)者。
數(shù)據(jù)科學(xué)家和分析師：數(shù)據(jù)科學(xué)家和分析師可以通過本書深入了解TensorFlow 在數(shù)據(jù)處理、模型開發(fā)和優(yōu)化方面的應(yīng)用。
機(jī)器學(xué)習(xí)工程師：對于已有一定機(jī)器學(xué)習(xí)知識的工程師，本書提供了豐富的模型開發(fā)和優(yōu)化技巧。從傳統(tǒng)機(jī)器學(xué)習(xí)算法到深度學(xué)習(xí)模型，再到模型的保存、加載和部署，都有詳細(xì)的介紹和實例演示。
深度學(xué)習(xí)研究者和開發(fā)者：對于有一定深度學(xué)習(xí)基礎(chǔ)的人員，本書的高級章節(jié)將深入探討卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成式對抗網(wǎng)絡(luò)等高級模型的開發(fā)和優(yōu)化。
這些內(nèi)容將幫助他們更深入地理解和應(yīng)用TensorFlow。
模型部署和生產(chǎn)環(huán)境開發(fā)者：本書包含模型的保存、加載和部署內(nèi)容，以及使用TensorFlow Serving 進(jìn)行模型部署的方法。這對于需要將模型投入實際生產(chǎn)環(huán)境的開發(fā)者來說非常有價值。
移動應(yīng)用開發(fā)者：本書最后一章介紹了在移動設(shè)備上構(gòu)建智能物體識別系統(tǒng)的方法，涵蓋了TensorFlow Lite、Android 和iOS 平臺的應(yīng)用開發(fā)，適合移動應(yīng)用開發(fā)者學(xué)習(xí)和實踐。
本書配套資源
本書為讀者提供了豐富的學(xué)習(xí)資源，包括視頻講解、案例源代碼和PPT 課件等。讀者可通過掃描每章二級標(biāo)題下的二維碼獲取視頻講解，既可以在線觀看，也可以下載到本地隨時學(xué)習(xí)。讀者可通過掃描下方的二維碼獲取案例源代碼和PPT 課件。
致謝
本書在編寫過程中，得到了清華大學(xué)出版社各位專業(yè)編輯的大力支持。他們的求實態(tài)度、耐心指導(dǎo)和高效工作，使本書能夠在短時間內(nèi)順利出版。此外，我也要感謝家人給予我的巨大支持。由于本人水平有限，書中難免存在疏漏和不妥之處，懇請讀者提出寶貴的意見或建議，以便我對本書進(jìn)行修訂和完善。
最后，感謝您購買本書，希望它能成為您編程路上的良師益友，祝您閱讀愉快！
編者
劉陳,計算機(jī)碩士學(xué)歷，現(xiàn)就職于浪潮信息。開發(fā)經(jīng)驗豐富，精通Python、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、Android、鴻蒙等開發(fā)技術(shù)，能夠熟練運用多種大模型開發(fā)技術(shù)。
第1章 TensorFlow 數(shù)據(jù)集制作
1.1 使用tf.data 處理數(shù)據(jù)集
1.1.1 制作數(shù)據(jù)集并訓(xùn)練和評估
1.1.2 將tf.data 作為驗證數(shù)據(jù)集進(jìn)行訓(xùn)練
1.2 將模擬數(shù)據(jù)制作成內(nèi)存對象數(shù)據(jù)集
1.2.1 可視化內(nèi)存對象數(shù)據(jù)集
1.2.2 改進(jìn)的方案
1.3 將圖片制作成數(shù)據(jù)集
1.3.1 制作簡易圖片數(shù)據(jù)集
1.3.2 制作手勢識別數(shù)據(jù)集
1.4 TFRecord 數(shù)據(jù)集制作
1.4.1 將圖片制作為TFRecord 數(shù)據(jù)集
1.4.2 將CSV 文件保存為TFRecord 文件
1.4.3 讀取TFRecord 文件的內(nèi)容
第2章 使用機(jī)器學(xué)習(xí)算法制作TensorFlow 模型
2.1 制作線性回歸模型
2.1.1 線性回歸介紹
2.1.2 使用Keras 實現(xiàn)線性回歸模型
2.2 制作邏輯回歸模型
2.2.1 Logistic Regression 算法介紹
2.2.2 使用欺詐數(shù)據(jù)集制作模型
2.3 使用二元決策樹算法制作模型
2.3.1 二元決策樹介紹
2.3.2 使用二元決策樹制作模型
2.4 k 近鄰算法
2.4.1 k 近鄰算法介紹
2.4.2 對服裝圖像進(jìn)行分類
第3章 保存和加載模型
3.1 保存和加載整個模型
3.1.1 保存為SavedModel 格式
3.1.2 保存為Keras H5 格式
3.2 保存配置信息
3.2.1 序列化模型或函數(shù)式API 模型的配置
3.2.2 自定義模型的配置
3.3 只保存和加載模型的權(quán)重值
3.3.1 在內(nèi)存中遷移權(quán)重的API
3.3.2 保存加載權(quán)重的API（TensorFlow檢查點格式）
3.3.3 保存加載權(quán)重的API（HDF5 格式）
第4章 使用深度學(xué)習(xí)算法制作TensorFlow 模型
4.1 TensorFlow 卷積神經(jīng)網(wǎng)絡(luò)
4.1.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
4.1.2 制作一個卷積神經(jīng)網(wǎng)絡(luò)模型
4.2 TensorFlow 循環(huán)神經(jīng)網(wǎng)絡(luò)
4.2.1 文本分類
4.2.2 制作一個循環(huán)神經(jīng)網(wǎng)絡(luò)模型
4.3 TensorFlow 生成式對抗網(wǎng)絡(luò)
4.3.1 生成模型和判別模型
4.3.2 使用生成對抗網(wǎng)絡(luò)制作MNIST 識別模型
第5章 TensorBoard 模型可視化
5.1 指標(biāo)參數(shù)
5.1.1 訓(xùn)練回歸模型并可視化
5.1.2 記錄自定義scalars
5.2 在TensorBoard 中顯示圖像數(shù)據(jù)
5.2.1 可視化單個圖像
5.2.2 可視化多個圖像
5.2.3 可視化顯示任意圖像數(shù)據(jù)
5.3 檢查TensorFlow 圖
5.3.1 模型圖的可視化
5.3.2 可視化函數(shù)的圖
第6章 模型訓(xùn)練與調(diào)優(yōu)詳解
6.1 模型訓(xùn)練函數(shù)model.fit()
6.1.1 優(yōu)質(zhì)個訓(xùn)練模型的簡單例子
6.1.2 底層優(yōu)化
6.1.3 樣本權(quán)重和分類權(quán)重
6.1.4 自定義設(shè)置評估步驟
6.2 損失函數(shù)和優(yōu)化算法
6.2.1 損失函數(shù)和優(yōu)化算法的概念
6.2.2 TensorFlow 損失函數(shù)
6.2.3 常見的優(yōu)化算法
6.3 訓(xùn)練方式
6.3.1 常用的訓(xùn)練方式
6.3.2 小批量隨機(jī)梯度下降
6.3.3 批量歸一化
6.3.4 丟棄
6.4 模型驗證和調(diào)優(yōu)
6.4.1 訓(xùn)練集、驗證集和測試集
6.4.2 交叉驗證
6.4.3 超參數(shù)調(diào)優(yōu)
第7章 基本的模型優(yōu)化操作
7.1 優(yōu)化模型的好處
7.2 利用現(xiàn)成模型提高性能
7.3 TensorFlow 模型優(yōu)化工具包
7.4 模型優(yōu)化實戰(zhàn)
第8章 TensorFlow Transform（TFT）：模型數(shù)據(jù)規(guī)范化處理
8.1 TensorFlow Transform 介紹
8.2 數(shù)據(jù)預(yù)處理
8.3 特征工程
8.4 轉(zhuǎn)換流水線
8.5 與TensorFlow 集成
第9章 TensorFlow Data Validation（TFDV）：驗證模型數(shù)據(jù)
9.1 數(shù)據(jù)驗證概述
9.2 數(shù)據(jù)驗證
第10章 Model Remediation：模型修復(fù)
10.1 模型修復(fù)基礎(chǔ)
10.2 MinDiff 模型修復(fù)實戰(zhàn)
第11章 Responsible AI 和Fairness Indicators：評估和改進(jìn)模型的公平性11.1 負(fù)責(zé)任人工智能基礎(chǔ)
11.2 負(fù)責(zé)任人工智能工具
11.3 使用公平性指標(biāo)評估模型的
公平性
第12章 Neural Structured Learning（NSL）：改進(jìn)模型的學(xué)習(xí)能力和泛化能力
12.1 NSL 基礎(chǔ)
12.2 在深度學(xué)習(xí)模型中集成NSL
12.3 NSL 的訓(xùn)練過程
12.4 NSL 模型優(yōu)化
12.5 NSL 實戰(zhàn)
第13章 TensorFlow Serving：優(yōu)化模型部署
13.1 TensorFlow Serving 基礎(chǔ)
13.2 TensorFlow Serving 架構(gòu)概述
13.3 構(gòu)建TensorFlow Serving
13.4 TensorFlow Serving 實戰(zhàn)
第14章 移動機(jī)器人智能物體識別系統(tǒng)（TensorFlow Lite+TensorFlow+Android+iOS）
14.1 背景介紹
14.2 物體識別
14.3 系統(tǒng)介紹
14.4 準(zhǔn)備模型
14.5 基于Android 的機(jī)器人智能檢測器
14.6 基于iOS 的機(jī)器人智能檢測器
14.7 調(diào)試運行
書單推薦
