简单粗暴上手TensorFlow 2.0,北大学霸力作,必须人手一册!

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,AI 科技大本营曾特邀专家回顾了 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):

  • 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。

(*本文为 AI科技大本营整理文章,转载请微信联系 1092722531)

本文分享自微信公众号 - AI科技大本营(rgznai100)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-10-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券