# 零、前言 TensorFlow 是 Python 中最受歡迎的機器學習框架之一。 通過這本書，您將提高對 TensorFlow 最新功能的了解，并能夠使用 Python 執行監督和無監督的機器學習。 # 這本書是給誰的 顧名思義，本書旨在向讀者介紹 TensorFlow 及其最新功能，包括 2.0.0 版以內的 Alpha 版本，包括急切的執行`tf.data`，`tf.keras`，TensorFlow Hub，機器學習， 和神經網絡應用。 本書適用于對機器學習及其應用有所了解的任何人：數據科學家，機器學習工程師，計算機科學家，計算機科學專業的學生和業余愛好者。 # 本書涵蓋的內容 第 1 章，“TensorFlow 2 簡介”，通過查看一些代碼片段（說明一些基本操作）來介紹 TensorFlow。 我們將概述現代 TensorFlow 生態系統，并了解如何安裝 TensorFlow。 第 2 章，“Keras，TensorFlow 2 的高級 API”，介紹了 Keras API，包括一些一般性的評論和見解，其后以四種不同的形式表示了基本架構 MNIST 數據集訓練的方法。 第 3 章，“TensorFlow 2 和 ANN 技術”，探討了許多支持創建和使用神經網絡的技術。 本章將介紹到 ANN 的數據表示，ANN 的層，創建模型，梯度下降算法的梯度計算，損失函數以及保存和恢復模型。 第 4 章，“TensorFlow 2 和監督機器學習”，描述了在涉及線性回歸的兩種情況下使用 TensorFlow 的示例，在這些情況下，特征映射到具有連續值的已知標簽，從而可以進行預測看不見的特征。 第 5 章，“TensorFlow 2 和無監督學習”著眼于自編碼器在無監督學習中的兩種應用：首先用于壓縮數據；其次用于壓縮數據。 第二，用于降噪，換句話說，去除圖像中的噪聲。 第 6 章，“使用 TensorFlow 2 識別圖像”，首先查看 Google Quick Draw 1 圖像數據集，其次查看 CIFAR 10 圖像數據集。 第 7 章，“TensorFlow 2 和神經風格遷移”，說明如何拍攝內容圖像和風格圖像，然后生成混合圖像。 我們將使用經過訓練的 VGG19 模型中的層來完成此任務。 第 8 章，“TensorFlow 2 和循環神經網絡”首先討論了 RNN 的一般原理，然后介紹了如何獲取和準備一些文本以供模型使用。 第 9 章， “TensorFlow 估計器和 TensorFlow Hub”首先介紹了用于訓練時裝數據集的估計器。 我們將看到估計器如何為 TensorFlow 提供簡單直觀的 API。 我們還將研究用于分析電影反饋數據庫 IMDb 的神經網絡。 附錄，“從 tf1.12 轉換為 tf2”包含一些將 tf1.12 文件轉換為 tf2 的技巧。 # 充分利用這本書 假定熟悉 Python 3.6，并且熟悉 Jupyter 筆記本的使用。 本書的編寫是假定讀者比以文本形式出現的冗長文本解釋更高興以代碼段和完整程序的形式給出的解釋，當然，后者以不同的風格出現在本書中。 強烈建議您對機器學習的概念和技術有所了解，但是如果讀者愿意對這些主題進行一些閱讀，則這不是絕對必要的。 # 使用約定 本書中使用了許多文本約定。 `CodeInText`：指示文本，數據庫表名稱，文件夾名稱，文件名，文件擴展名，路徑名，虛擬 URL，用戶輸入和 Twitter 句柄中的代碼字。 這是一個示例：“將下載的`WebStorm-10*.dmg`磁盤映像文件安裝為系統中的另一個磁盤。” 代碼塊設置如下： ```py image1 = tf.zeros([7, 28, 28, 3]) # example-within-batch by height by width by color ``` 當我們希望引起您對代碼塊特定部分的注意時，相關的行或項目以粗體顯示： ```py r1 = tf.reshape(t2,[2,6]) # 2 rows 6 cols r2 = tf.reshape(t2,[1,12]) # 1 rows 12 cols r1 # <tf.Tensor: id=33, shape=(2, 6), dtype=float32, numpy= array([[ 0., 1., 2., 3., 4., 5.], [ 6., 7., 8., 9., 10., 11.]], dtype=float32)> ``` 任何命令行輸入或輸出的編寫方式如下： ```py var = tf.Variable([3, 3]) ``` **粗體**：表示新術語，重要單詞或您在屏幕上看到的單詞。 例如，菜單或對話框中的單詞會出現在這樣的文本中。 這是一個示例：“從管理面板中選擇系統信息。” 警告或重要提示如下所示。 提示和技巧如下所示。