Как освоить TensorFlow2 за 30 дней?🔥🔥

Переход на китайскую версию: 中文版 🎈

📚 URL-адрес gitbook (пока доступен только на китайской версии): https://lyhue1991.github.io/eat_tensorflow2_in_30_days

🚀 URL-адрес репозитория github (на китайском языке): https://github.com/lyhue1991/eat_tensorflow2_in_30_days/tree/master

🚀 URL-адрес репозитория github (на английском языке): https://github.com/lyhue1991/eat_tensorflow2_in_30_days/tree/english

1. TensorFlow2 🍎 или Pytorch🔥

Заключение:

Для инженеров приоритетом является TensorFlow2.

Для студентов и исследователей первым выбором должен быть Pytorch.

Лучший способ — овладеть обоими, если у вас достаточно времени.

Причины:

• 1. Реализация модели является наиболее важной в отрасли. В настоящее время большинство интернет-компаний (в Китае) поддерживают развёртывание моделей только для tensorflow (не Pytorch). Более того, отрасль отдаёт предпочтение моделям с более высокой доступностью; в большинстве случаев они используют хорошо проверенные архитектуры моделирования с минимальными требованиями к настройке.
• 2. Быстрая итеративная разработка и публикация имеют наибольшее значение для исследователей, поскольку им необходимо тестировать множество новых моделей. Pytorch имеет преимущества в доступе и отладке по сравнению с TensorFlow2. Pytorch чаще всего используется в научных кругах с 2019 года, и с его помощью было получено большое количество передовых результатов.
• 3. В целом, TensorFlow2 и Pytorch в настоящее время очень похожи в программировании, поэтому овладение одним из них помогает изучить другой. Овладение обоими фреймворками предоставляет вам гораздо больше моделей с открытым исходным кодом и помогает переключаться между ними.

2. Keras🍏 и tf.keras 🍎

Заключение:

Разработка Keras будет прекращена после версии 2.3.0, поэтому используйте tf.keras.

Keras — это высокоуровневый API для фреймворков глубокого обучения. Он помогает пользователям определять и обучать сети DL более интуитивно понятным способом.

Библиотеки Keras, установленные через pip, реализуют этот высокоуровневый API для бэкендов в tensorflow, theano, CNTK и т. д.

tf.keras — это высокоуровневый API только для Tensorflow, основанный на низкоуровневых API в Tensorflow.

Большинство функций tf.keras совпадают с функциями Keras (который совместим со многими видами бэкенда), но не все. tf.keras имеет более тесную интеграцию с TensorFlow по сравнению с Keras.

После приобретения Google Keras не будет обновляться после версии 2.3.0, поэтому пользователям следует использовать tf.keras вместо Keras, установленного через pip.

3. Что вы должны знать, прежде чем читать эту книгу 📖?

Предполагается, что читатели обладают фундаментальными знаниями машинного/глубокого обучения и опытом моделирования с использованием Keras или TensorFlow 1.0.

Тем, у кого нет опыта работы с машинным/глубоким обучением, настоятельно рекомендуется ознакомиться с книгой «Глубокое обучение с Python» наряду с чтением этой книги.

Книга «Глубокое обучение с Python» написана Франсуа Шолле, изобретателем Keras. Эта книга основана на Keras и не требует от читателя предварительных знаний в области машинного обучения.

«Глубокое обучение с Python» легко понять, поскольку в ней используются различные примеры для демонстрации. В этой книге нет математических уравнений, поскольку она направлена на развитие интуитивного понимания глубокого обучения.

4. Стиль написания 🍉 этой книги

Это вводное справочное пособие, чрезвычайно дружелюбное к человеку. Самая низкая цель авторов — не допустить, чтобы вы сдались из-за трудностей, а «Не дать читателям задуматься» — высшая цель.

Эта книга в основном основана на официальных документах TensorFlow вместе с его функциями.

Однако авторы провели тщательную реструктуризацию и множество оптимизаций. Это отличается от официальных документов, которые беспорядочны и содержат как учебные материалы, так и инструкции без систематической логики. Наша книга перерабатывает содержание в соответствии с трудностями, привычками читателей к поиску и архитектурой TensorFlow. Теперь мы делаем её прогрессивной для изучения TensorFlow с чётким путём и лёгким доступом к соответствующим примерам.

В отличие от подробного демонстрационного кода авторы этой книги стараются минимизировать длину примеров, чтобы облегчить чтение и реализацию. Более того, большинство ячеек кода можно мгновенно использовать в вашем проекте.

Учитывая уровень сложности 9 для изучения Tensorflow по официальным документам, он был бы снижен до 3 при изучении по этой книге.

Это различие можно продемонстрировать на следующем рисунке:

(2) Программное окружение для изучения

Все исходные коды протестированы в jupyter. Рекомендуется клонировать репозиторий на локальную машину и запускать их в jupyter для интерактивного обучения.

Авторы предлагают установить jupytext, который преобразует файлы markdown в ipynb, чтобы читатели могли открывать файлы markdown непосредственно в jupyter.

#Для читателей из материкового Китая использование gitee позволит клонировать с большей скоростью
#!git clone https://gitee.com/Python_Ai_Road/eat_tensorflow2_in_30_days

#Рекомендуется установить jupytext, который конвертирует и запускает файлы markdown как ipynb.
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext

#Также рекомендуется установить последнюю версию TensorFlow для тестирования демонстрационного кода в этой книге
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  -U tensorflow

import tensorflow as tf

#Примечание: все коды протестированы под TensorFlow 2.1
tf.print("версия tensorflow:",tf.__version__)

a = tf.constant("привет")
b = tf.constant("tensorflow2")
c = tf.strings.join([a,b]," ")
tf.print(c)

версия tensorflow: 2.1.0
привет tensorflow2

6. Свяжитесь с автором и поддержите его 🎈🎈

Если вы считаете эту книгу полезной и хотите поддержать автора, пожалуйста, поставьте ⭐ этому репозиторию и не забудьте поделиться им с друзьями 😊

Пожалуйста, оставляйте комментарии в официальном аккаунте WeChat «Python и алгоритмы» (Elegance of Python and Algorithms), если вы хотите пообщаться с автором по поводу содержания. Автор постарается ответить, учитывая ограниченное время.