如何简单粗暴地上手 TensorFlow 2.0？

CSDN 2019-10-30

以下文章来源于AI科技大本营，作者CSDN App

整理 | 夕颜

出品 | AI科技大本营（ID:rgznai100）

【导读】 TensorFlow 2.0 于近期正式发布后，立即受到学术界与科研界的广泛关注与好评。此前，我们曾特邀专家回顾了 TensorFlow 2.0 从初版到最新版本的发展史。今天，我们将介绍一本全面详解 TensorFlow 2.0 的手册。这本手册是 Google Summer of Code 2019 项目之一，从基础安装与环境配置、部署，到大规模训练与加速、扩展，全方位讲解 TensorFlow 2.0 的入门要点，并附录相关资料供读者参考。

这是一本简明的 TensorFlow 2.0 入门指导手册，基于 Keras 和 Eager Execution（即时运行）模式，力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow 2.0。

本手册的所有代码基于 TensorFlow 2.0 正式版及 beta1 版本。

中文指南：https://tf.wiki/

GitHub链接：https://github.com/snowkylin/tensorflow-handbook

文中的所有示例代码：https://github.com/snowkylin/tensorflow-handbook/tree/master/source/_static/code/zh

本手册所有章节如下图，不仅包含 TensorFlow 的概述，还含有基础、部署、大规模训练与加速、扩展，以及附录部分。

前言

此前，TensorFlow 所基于的传统 Graph Execution 的弊端，如入门门槛高、调试困难、灵活性差、无法使用 Python 原生控制语句等早已被开发者诟病许久。一些新的基于动态图机制的深度学习框架（如 PyTorch）也横空出世，并以其易用性和快速开发的特性而占据了一席之地。尤其是在学术研究等需要快速迭代模型的领域，PyTorch 等新兴深度学习框架已经成为主流。作者所在的数十人的机器学习实验室中，竟只有其一人 “守旧” 地使用 TensorFlow。

然而，直到目前，市面上相关的 TensorFlow 相关的中文技术书籍及资料仍然基于传统的 Graph Execution 模式，让不少初学者（尤其是刚学过机器学习课程的大学生）望而却步。由此，在 TensorFlow 正式支持 Eager Execution 之际，有必要出现一本全新的技术手册，帮助初学者及需要快速迭代模型的研究者，以一个全新的角度快速入门 TensorFlow。

同时，本手册还有第二个任务。市面上与 TensorFlow 相关的中文技术书籍大都以深度学习为主线，将 TensorFlow 作为这些深度学习模型的实现方式。这样固然有体系完整的优点，然而对于已经对机器学习或深度学习理论有所了解，希望侧重于学习 TensorFlow 本身的读者而言，就显得不够友好。

于是，作者希望编写一本手册，以尽量精简的篇幅展示 TensorFlow 作为一个计算框架的主要特性，并弥补官方手册的不足，力图能让已经有一定机器学习 / 深度学习知识及编程能力的读者迅速上手 TensorFlow，并在实际编程过程中可以随时查阅并解决实际问题。

适用群体

本书适用于以下读者：

已有一定机器学习 / 深度学习基础，希望将所学理论知识使用 TensorFlow 进行具体实现的学生和研究者；
曾使用或正在使用 TensorFlow 1.X 版本或其他深度学习框架（比如 PyTorch），希望了解 TensorFlow 2.0 新特性的开发者；
希望将已有的 TensorFlow 模型应用于业界的开发者或工程师。

提示：本书不是一本机器学习 / 深度学习原理入门手册。若希望进行机器学习 / 深度学习理论的入门学习，可参考附录中提供的一些入门资料。

TensorFlow 概述

学生和研究者：模型的建立与训练
开发者和工程师：模型的调用与部署
TensorFlow 能帮助我们做什么？

基础

TensorFlow 安装与环境配置

TensorFlow 的最新安装步骤可参考官方网站上的说明（https://tensorflow.google.cn/install）。TensorFlow 支持 Python、Java、Go、C 等多种编程语言以及 Windows、OSX、Linux 等多种操作系统，此处及后文均以 Python 3.7 为准。

提示

本章介绍在一般的个人电脑或服务器上直接安装 TensorFlow 2.0 的方法。关于在容器环境（Docker）、云平台中部署 TensorFlow 或在线上环境中使用 TensorFlow 的方法，见附录使用 Docker 部署 TensorFlow 环境和在云端使用 TensorFlow 。软件的安装方法往往具有时效性，本节的更新日期为 2019 年 10 月。

一般安装步骤
GPU 版本 TensorFlow 安装指南

GPU 硬件的准备
NVIDIA 驱动程序的安装
CUDA Toolkit 和 cnDNN 的安装

第一个程序
IDE 设置
TensorFlow 所需的硬件配置 *

TensorFlow 基础

本章介绍 TensorFlow 的基本操作。

TensorFlow 1+1
自动求导机制
基础示例：线性回归

NumPy 下的线性回归
TensorFlow 下的线性回归

TensorFlow 模型建立与训练

本章介绍如何使用 TensorFlow 快速搭建动态模型。

模型（Model）与层（Layer）
基础示例：多层感知机（MLP）

数据获取及预处理：tf.keras.datasets
模型的构建：tf.keras.Model 和 tf.keras.layers
模型的训练：tf.keras.losses 和 tf.keras.optimizer
模型的评估：tf.keras.metrics

卷积神经网络（CNN）

使用 Keras 实现卷积神经网络
使用 Keras 中预定义的经典卷积神经网络结构

循环神经网络（RNN）
深度强化学习（DRL）
Keras Pipeline *

Keras Sequential/Functional API 模式建立模型
使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型

自定义层、损失函数和评估指标 *

自定义层
自定义损失函数和评估指标

TensorFlow 常用模块

tf.train.Checkpoint ：变量的保存与恢复
TensorBoard：训练过程可视化
tf.data ：数据集的构建与预处理

数据集对象的建立
数据集对象的预处理
数据集元素的获取与使用
实例：cats_vs_dogs 图像分类

@tf.function ：Graph Execution 模式 *

@tf.function 基础使用方法
@tf.function 内在机制
AutoGraph：将 Python 控制流转换为 TensorFlow 计算图
使用传统的 tf.Session

tf.TensorArray ：TensorFlow 动态数组 *
tf.config：GPU 的使用与分配 *

指定当前程序使用的 GPU
设置显存使用策略
单 GPU 模拟多 GPU 环境

部署

TensorFlow 模型导出

使用 SavedModel 完整导出模型
Keras Sequential save 方法（Jinpeng）

TensorFlow Serving

TensorFlow Serving 安装
TensorFlow Serving 模型部署

Keras Sequential 模式模型的部署
自定义 Keras 模型的部署

在客户端调用以 TensorFlow Serving 部署的模型

Python 客户端示例
Node.js 客户端示例（Ziyang）

TensorFlow Lite（Jinpeng）

模型转换
Android 部署
Quantization 模型转换
总结

TensorFlow in JavaScript（Huan）

TensorFlow.js 简介

浏览器中使用 TensorFlow.js 的优势
TensorFlow.js 性能对比

TensorFlow.js 环境配置

在浏览器中使用 TensorFlow.js
在 Node.js 中使用 TensorFlow.js
在微信小程序中使用 TensorFlow.js

TensorFlow.js 模型部署

通过 TensorFlow.js 加载 Python 模型
使用 TensorFlow.js 模型库

TensorFlow.js 模型训练 *

大规模训练与加速

TensorFlow 分布式训练

当我们拥有大量计算资源时，通过使用合适的分布式策略，可以充分利用这些计算资源，从而大幅压缩模型训练的时间。针对不同的使用场景，TensorFlow 在 tf.distribute.Strategy 中为我们提供了若干种分布式策略，从而能够更高效地训练模型。

单机多卡训练：MirroredStrategy
多机训练：MultiWorkerMirroredStrategy

使用 TPU 训练 TensorFlow 模型（Huan）

2017 年 5 月，Alpha Go 在中国乌镇围棋峰会上，与世界第一棋士柯洁比试，并取得了三比零全胜战绩。之后的版本 Alpha Zero 可以通过自我学习 21 天即可以达到胜过中国顶尖棋手柯洁的 Alpha Go Master 的水平。

Alpha Go 背后的动力全部由 TPU 提供，TPU 使其能够更快地 “思考” 并在每一步之间看得更远。

TPU 简介

什么是 TPU
为什么使用 TPU
TPU 性能

TPU 环境配置

免费 TPU：Google Colab
Cloud TPU

TPU 基础使用

扩展

TensorFlow Hub 模型复用（Jinpeng）
TensorFlow Datasets 数据集载入
Swift for TensorFlow (S4TF) (Huan）

S4TF 简介

为什么要使用 Swift 进行 Tensorflow 开发

S4TF 环境配置

本地安装 Swift for Tensorflow
在 Colaboratory 中快速体验 Swift for Tensorflow
在 Docker 中快速体验 Swift for TensorFlow

S4TF 基础使用

在 Swift 中使用标准的 TensorFlow API
在 Swift 中直接加载 Python 语言库
语言原生支持自动微分
MNIST 数字分类

TensorFlow in Julia（Ziyang）

TensorFlow.jl 简介

为什么要使用 Julia ？

TensorFlow.jl 环境配置

在 docker 中快速体验 TensorFlow.jl
在 julia 包管理器中安装 TensorFlow.jl

TensorFlow.jl 基础使用

MNIST 数字分类

附录

图模型下的 TensorFlow

TensorFlow 1+1
基础示例：线性回归

使用 Docker 部署 TensorFlow 环境
在云端使用 TensorFlow

在 Colab 中使用 TensorFlow
在 Google Cloud Platform（GCP）中使用 TensorFlow

在 Compute Engine 建立带 GPU 的实例并部署 TensorFlow
使用 AI Platform 中的 Notebook 建立带 GPU 的在线 JupyterLab 环境

在阿里云上使用 GPU 实例运行 Tensorflow（Ziyang）

部署自己的交互式 Python 开发环境 JupyterLab
TensorFlow 性能优化
参考资料与推荐阅读
术语中英对照表

答疑区

（中文）TensorFlow 中文社区 “简单粗暴 TensorFlow” 版面：https://www.tensorflowers.cn/b/48 （中文的疑问和建议请来此处，将以中文回答和讨论。欢迎使用中文的开发者们前来 TensorFlow 中文社区交流讨论）
（英文）https://github.com/snowkylin/tensorflow-handbook/releases （英文的疑问或建议可在 GitHub issue 中提出，会以英文回答）

PDF 下载（旧版）：