简单粗暴上手TensorFlow 2.0，北大学霸力作，必须人手一册
来源：授权自AI科技大本营（ID：rgznai100）
本文约3000字，建议阅读7分钟。
本文将为你介绍一本全面详解 TensorFlow 2.0 的手册。
[ 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
1. 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 *
2. 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
3. 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
4. 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
1. 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：MultiWorkerMirroredStrateg
2. 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）：
- 中文版：
- https://www.tensorflowers.cn/t/6230 （同时也有英文版下载）
- 英文版：
- https://github.com/snowkylin/tensorflow-handbook/releases
搜索页面：
https://tf.wiki/search.html
作者乃北大学霸
最后，我们有必要介绍一下《简单粗暴TensorFlow 2.0》的作者李锡涵。
图片来源：领英
据领英资料显示，李锡涵是来自北大信息科学技术学院的准理科硕士生，担任见习顾问和研究助理，2016年本科毕业于浙大竺可桢学院，并在 2015 年以交换生的身份进入交通大学。
李锡涵曾在微软亚研院机器学习组实习，在谷歌还是机器学习方面的GDE（Google Developers Expert），目前的研究重点是基于图的现实场景中多主体强化学习的应用。
编辑：黄继彦
校对：龚力
— 完 —
关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。