1.本书围绕TensorFlow 2.0框架讲解人工智能的项目开发
TensorFlow 2.0的优势
(1)工具种类齐全
l有基本的神经网络计算函数(接口),如卷积计算、池化计算、损失计算,
l有丰富的工具函数(接口),
l具备Python的多个工具库功能,如图像处理中实现了OpenCV、Pillow、Matplotlib的功能,能完成图像读取、图像编码和解码、图像剪裁、图像亮度调节等任务,文件读写中实现了Open函数的功能,数据处理与计算实现了Numpy的部分功能,完成了数据封装TFRecord、矩阵计算等。
(2)简单易用
lTensorFlow 2.0在TensorFlow1.x的基础上,删除了冗余的接口,并提供了高度封装的接口,将具体的计算过程都封装成函数,供开发者调用,大大降低了学习成本与使用难度
lTensorFlow 2.0内置了Keras,这个工具就是高度封装的计算框架,Keras提供了完整的神经网络开发工具,简单易用。
(3)兼容性好、体验效果好
lTensorFlow 2.0为底层开发者提供了底层接口。底层开发者可以依据任务需求,使用TensorFlow 2.0设计满足任务需求的神经网络结构和更加复杂的损失函数,实现复杂的功能。
l为高层开发者提供了高层接口。高层开发者可以使用Keras作为TensorFlow 2.0的高阶应用程序接口,更加快捷地搭建神经网络,实现特定性能或功能。
lTensorFlow 2.0框架的亮眼且强大的功能就是可视化,提高了开发者体验效果。TensorFlow 2.0为开发者提供了可视化工具Tensorboard,使用该工具可以将训练输入数据、训练过程量化和神经网络可视化,可以更加直观地了解神经网络模型,以及通过训练过程中损失函数变化曲线,判断出神经网络是否收敛以及模型的预测准确度。
(4)全生命周期
TensorFlow为人工智能任务提供了全生命周期服务,从神经网络搭建、训练、模型持久化、模型恢复到模型上线,TensorFlow提供了完整的工具。其中,模型的搭建到模型预测使用TensorFlow内部接口完成,模型上线则使用TensorFlow Serving工具,该工具可以将Tensorlfow模型部署到服务器,通过互联网访问人工智能应用,从而实现了人工智能任务从搭建到上线的全部工作。
(5)易于维护
TensorFlow Serving为TensorFlow模型部署提供了灵活、高性能的环境,并且可在TensorFlow Serving支持多模型部署、模型版本控制和回滚、并发和模型更新,开发者只需在线下训练模型,将新版本模型更新到线上即可,易于维护。
2.入门篇+实战篇+部署上线篇
l理论与实践相结合。入门篇中讲解了神经网络的发展历程,人工神经网络假设以及网络结构,二分类神经网络中的回归分析理论推导过程,以及卷积神经网络的结构和数学计算过程;在实战篇中讲解了TensorFlow 2.0搭建神经网络及训练,帮助读者在理论和实践中理解神经网络和TensorFlow 2.0的使用。
l完整性。全面地讲解了TensorFlow 2.0在神经网络应用中的工具,如卷积计算、池化计算、优化计算等工具,以及神经网络可视化工具Tensorboard。
l讲解了人工智能任务工作的完整流程。从TensorFlow 2.0搭建人工智能项目、训练神经网络、持久化网络模型、载入网络模型、预测结果,这是基本流程,还包括模型部署上线(即把网络模型部署到服务器形成Web服务)的完整流程。
3.经典实战案例
曲线拟合、手写字体数据集识别、图像风格迁移、车牌识别、智能中文对话机器人,实战大案例拿来就用,体验人工智能任务开发的无穷乐趣,全力提升实战技能。