別再mnist了：跨平台高平行TensorFlow 2精彩上陣

TensorFlow 是目前使用最廣泛的機器學習架構，能滿足廣大使用者的需求。如今TensorFlow 已經更新到2.X 版本，具有更強的便利性。

☘ 本書特色
1. 以2.X 版本為基礎，提供了大量的程式設計經驗
本書中的實例全部基於TensorFlow 2.1 版本，同時也包含了許多該版本的使用技巧和經驗。
2. 覆蓋了TensorFlow 的大量介面
TensorFlow 是一個非常龐大的架構，內部有很多介面可以滿足不同使用者的需求。合理使用現有介面可以在開發過程中獲得事半功倍的效果。然而，由於TensorFlow 的程式更新速度太快，有些介面的搭配文件並不是很全。作者花了大量的時間與精力，對一些實用介面的使用方法進行摸索與整理，並將這些方法寫到書中。
3. 提供了高度可重用程式，公開了大量的商用程式片段
本書實例中的程式大多來自作者的商業專案，這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中，加快開發進度。
4. 書中的實戰案例可應用於真實場景
本書中大部分實例都是目前應用非常廣泛的通用任務，包含圖片分類、物件辨識文字分類、影像產生、識別未知分類等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務資料集快速實現AI 功能。
5. 從專案角度出發，覆蓋專案開發全場景
本書以專案實現為目標，全面覆蓋開發實際AI 專案中所相關的知識，並全部配有實例，包含開發資料集、訓練模型、特徵工程、開發模型、分散式訓練。其中，特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工，進一步確保了在訓練場景下和使用場景下模型的輸入統一。
6. 提供了大量前端論文連結地址，便於讀者進一步深入學習
本書使用的AI 模型，參考了一些前端的技術論文，並做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以參考這些論文，進一步深入學習更多的前端知識，再配合本書的實例進行充分了解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。
7. 注重方法與經驗的傳授
本書在說明知識時，更注重傳授方法與經驗。全書共有幾十個「提示」標籤，其中的內容都是功力很高的成功經驗分享與易錯事項歸納，有關於經驗技巧的，也有關於風險避開的，可以幫助讀者在學習的路途上披荊斬棘，快速進步。

☘ 本書資源下載
本書程式碼請至本公司官網https://deepmind.com.tw/ 尋找相關書號下載。另本書資料集較大，請至原書網站下載，網址為：
https://www.aianaconda.com/index/tensorFlow2x

☘ 本書適合讀者群
■ 人工智慧同好
■ 人工智慧開發工程師
■ 人工智慧相關課程的大專院校師生
■ 使用 TensorFlow 架構的工程師
■ 整合人工智慧的開發人員
■ 人工智慧初學者

☘ 關於作者
本書的內容由李金洪主筆撰寫，書中的大部分程式由許青幫忙偵錯和整理，在此表示感謝。
許青，NLP 演算法工程師，南京航空太空大學碩士畢業，取得許多電腦視覺相關專利，作為核心開發人員參與過多個領域的AI 專案。

李金洪

TensorFlow 是目前使用最廣泛的機器學習架構，能滿足廣大使用者的需求。如今TensorFlow 已經更新到2.X 版本，具有更強的便利性。

☘ 本書特色
1. 以2.X 版本為基礎，提供了大量的程式設計經驗
本書中的實例全部基於TensorFlow 2.1 版本，同時也包含了許多該版本的使用技巧和經驗。
2. 覆蓋了TensorFlow 的大量介面
TensorFlow 是一個非常龐大的架構，內部有很多介面可以滿足不同使用者的需求。合理使用現有介面可以在開發過程中獲得事半功倍的效果。然而，由於TensorFlow 的程式更新速度太快，有些介面的搭配文件並不是很全。作者花...

前言

第一篇　準備篇
01 學習準備
1.1 什麼是TensorFlow 架構
1.2 如何學習本書3
02 快速上手TensorFlow
2.1 設定TensorFlow 環境
2.2 訓練模型的兩種方式
2.3 實例1：用靜態圖訓練模型，使其能夠從一組資料中找到
y ≈ 2x 規律
2.4 實例2：用動態圖訓練一個具有儲存檢查點功能的回歸模型
03 TensorFlow 2.X 程式設計基礎
3.1 動態圖的程式設計方式
3.2 掌握估算器架構介面的應用
3.3 實例7：將估算器模型轉化成靜態圖模型
3.4 實例8：用估算器架構實現分散式部署訓練
3.5 掌握tf.keras 介面的應用
3.6 分配運算資源與使用分佈策略
3.7 用tfdbg 偵錯TensorFlow 模型
3.8 用自動混合精度加速模型訓練

第二篇　基礎篇
04 用TensorFlow 製作自己的資料集
4.1 資料集的基本介紹
4.2 實例11：將模擬資料製作成記憶體物件資料集
4.3 實例12：將圖片製作成記憶體物件資料集
4.4 實例13：將Excel 檔案製作成記憶體物件資料集
4.5 實例14：將圖片檔案製作成TFRecord 資料集
4.6 實例15：將記憶體物件製作成Dataset 資料集
4.7 實例16：將圖片檔案製作成Dataset 資料集
4.8 實例17：在動態圖中讀取Dataset 資料集
4.9 實例18：在不同場景中使用資料集
4.10 tf.data.Dataset 介面的更多應用
05 數值分析與特徵工程
5.1 什麼是特徵工程
5.2 什麼是特徵列介面
5.3 實例24：用wide_deep 模型預測人口收入
5.4 實例25：梯度提升樹（TFBT）介面的應用
5.5 實例26：以知識圖譜為基礎的電影推薦系統
5.6 實例27：預測飛機引擎的剩餘使用壽命

第三篇　進階篇
06 自然語言處理
6.1 BERT 模型與NLP 的發展階段
6.2 實例28：用TextCNN 模型分析評論者是否滿意
6.3 實例29：用帶注意力機制的模型分析評論者是否滿意
6.4 實例30：用帶有動態路由的RNN 模型實現文字分類任務
6.5 NLP 中的常見任務及資料集
6.6 了解Transformer 函數庫
6.7 實例31：用管線方式完成多種NLP 任務
6.8 Transformers 函數庫中的自動模型類別（TFAutoModel）
6.9 Transformers 函數庫中的BERTology 系列模型
6.10 Transformers 函數庫中的詞表工具 .
6.11 BERTology 系列模型
6.12 用遷移學習訓練BERT 模型來對中文分類
07 機器視覺處理
7.1 實例34：使用預訓練模型識別影像
7.2 了解EfficientNet 系列模型
7.3 實例36：在估算器架構中用tf.keras 介面訓練ResNet
模型，識別圖片中是橘子還是蘋果
7.4 以圖片內容為基礎的處理任務
7.5 實例37：用YOLO V3 模型識別門牌號

第四篇　高階篇
08 生成式模型：能夠輸出內容的模型
8.1 快速了解資訊熵（information entropy）
8.2 通用的無監督模型-- 自編碼與對抗神經網路
8.3 實例38：用多種方法實現變分自編碼神經網路
8.4 常用的批次歸一化方法
8.5 實例39：建置DeblurGAN 模型，將模糊照片變清晰
8.6 更加了解WGAN 模型
8.7 實例40：建置AttGAN 模型，對照片進行加鬍子、加頭簾、加眼鏡、變年輕等修改
8.8 散度在神經網路中的應用
8.9 實例42：用Deep Infomax（DIM）模型做一個圖片搜尋器
09 識別未知分類的方法：零次學習
9.1 了解零次學習
9.2 零次學習中的常見困難10.1 概述
9.3 帶有視覺結構約束的直推ZSL（ VSC模型）
9.4 詳解Sinkhorn 疊代演算法
9.5 實例43：用VSC 模型識別圖片中的鳥屬於什麼類別
9.6 提升零次學習精度的方法

後記

前言

第一篇　準備篇
01 學習準備
1.1 什麼是TensorFlow 架構
1.2 如何學習本書3
02 快速上手TensorFlow
2.1 設定TensorFlow 環境
2.2 訓練模型的兩種方式
2.3 實例1：用靜態圖訓練模型，使其能夠從一組資料中找到
y ≈ 2x 規律
2.4 實例2：用動態圖訓練一個具有儲存檢查點功能的回歸模型
03 TensorFlow 2.X 程式設計基礎
3.1 動態圖的程式設計方式
3.2 掌握估算器架構介面的應用
3.3 實例7：將估算器模型轉化成靜態圖模型
3.4 實例8：用估算器架構實現分散式部署訓練
3.5 掌握tf.keras 介面的應用
3.6 分配運算資...