这是一本使用Python实现TensorFlow设计模式的简明参考书，可以帮助你对各种不同用例做出明智的决策。本书作者并不是只强调TensorFlow本身，而是全面地介绍了数据科学和机器学习领域中的常见主题和任务。
什么时候使用NumPy或流式数据集提供训练数据？为什么？训练过程中你要如何建立数据转换和工作流？如何使用迁移学习充分利用一个预训练的模型？如何完成超参数调优？选择这本书，它会大大减少你为TensorFlow用例搜寻选择方案花费的时间。

KC.董 KC Tung 是微软的云解决方案架构师，擅长在企业云架构中设计和交付机器学习和AI 解决方案。他帮助企业客户使用用例驱动的架构，在云中完成 AI/ML 模型开发和部署，以及选择最Z适合其需求的技术和集成方案。他是微软认证的人工智能工程师和数据工程师，拥有得克萨斯大学西南医学院的分子生物物理学博士学位。

前言
第1章 TensorFlow 2简介
1.1 TensorFlow 2的改进
1.1.1 Keras API
1.1.2 TensorFlow中的可重用模型
1.2 简化常用操作
1.2.1 开源数据
1.2.2 使用分布式数据集
1.2.3 数据流式处理
1.2.4 数据工程
1.2.5 迁移学习
1.2.6 模型风格
1.2.7 监视训练过程
1.2.8 分布式训练
1.2.9 提供TensorFlow模型服务
1.2.10 改善训练体验
1.3 总结
第2章 数据存储和摄取
2.1 使用Python 生成器流式处理数据
2.2 使用生成器流式处理文件内容
2.3 JSON 数据结构
2.4 建立文件名模式
2.5 将一个CSV 文件划分为多个CSV文件
2.6 使用tf.io创建文件模式对象
2.7 创建流式数据集对象
2.8 流式处理CSV 数据集
2.9 组织图像数据
2.10 使用TensorFlow图像生成器
2.11 流式处理交叉验证图像
2.12 查看调整大小后的图像
2.13 总结
第3章 数据预处理
3.1 准备表格数据进行训练
3.1.1 标记列
3.1.2 将列交互编码为可能的特征
3.1.3 创建交叉验证数据集
3.1.4 开始模型训练过程
3.1.5 小结
3.2 准备图像数据进行处理
3.2.1 将图像转换为固定大小
3.2.2 训练模型
3.2.3 小结
3.3 准备文本数据进行处理
3.3.1 文本分词
3.3.2 创建字典和反转字典
3.4 总结
第4章 可重用模型元素
4.1 基本TensorFlow Hub工作流
4.2 利用迁移学习完成图像分类
4.2.1 模型需求
4.2.2 数据转换和输入处理
4.2.3 利用TensorFlow Hub实现模型
4.2.4 定义输出
4.2.5 输出映射到纯文本格式
4.2.6 评估：创建一个混淆矩阵
4.2.7 小结
4.3 使用tf.keras.applications模块获得预训练模型
4.3.1 利用tf.keras.applications实现模型
4.3.2 微调tf.keras.applications的模型
4.4 总结
第5章 流式摄取数据管道
5.1 使用text_dataset_from_directory函数流式处理文本文件
5.1.1 下载文本数据并建立字典
5.1.2 创建数据管道
5.1.3 检查数据集
5.1.4 小结
5.2 使用flow_from_dataframe方法利用文件列表流式处理图像
5.2.1 下载图像并创建目录
5.2.2 创建数据摄取管道
5.2.3 检查数据集
5.2.4 构建和训练tf.keras模型
5.3 使用from_tensor_slices方法流式处理NumPy 数组
5.3.1 加载示例数据和库
5.3.2 检查NumPy数组
5.3.3 为NumPy数据建立输入管道
5.4 总结
第6章 模型创建风格
6.1 使用符号式API
6.1.1 加载CIFAR-10图像
6.1.2 检查标签分布
6.1.3 检查图像
6.1.4 构建数据管道
6.1.5 批处理数据集进行训练
6.1.6 构建模型
6.2 理解继承
6.3 使用命令式API
6.4 选择API
6.5 使用内置训练循环
6.6 创建和使用自定义训练循环
6.6.1 创建循环的元素
6.6.2 在自定义训练循环中集成所有元素
6.7 总结
第7章 监视训练过程
7.1 回调对象
7.1.1 ModelCheckpoint
7.1.2 EarlyStopping
7.1.3 小结
7.2 TensorBoard
7.2.1 由本地Jupyter Notebook调用TensorBoard
7.2.2 由本地命令终端调用TensorBoard
7.2.3 由Colab Notebook调用TensorBoard
7.2.4 使用TensorBoard可视化显示模型过拟合
7.2.5 使用TensorBoard可视化学习过程
7.3 总结
第8章 分布式训练
8.1 数据并行化
8.1.1 异步参数服务器
8.1.2 同步全归约
8.2 使用类tf.distribute.MirroredStrategy
8.2.1 创建分布式训练
8.2.2 利用tf.distribute.MirroredStrategy使用GPU集群
8.2.3 小结
8.3 Horovod API
8.3.1 实现Horovod API的代码模式
8.3.2 封装模型架构
8.3.3 封装数据分离和分片过程
8.3.4 工作节点间的参数同步
8.3.5 模型检查点回调
8.3.6 聚合梯度的分布式优化器
8.3.7 使用Horovod API的分布式训练
8.4 总结
第9章 提供TensorFlow模型服务
9.1 模型序列化
9.1.1 将模型保存为h5格式
9.1.2 将模型保存为pb格式
9.1.3 选择模型格式
9.2 TensorFlow Serving
9.3 总结
第10章 改善建模体验：公平性评估和超参数调优
10.1 模型公平性
10.1.1 模型训练和评估
10.1.2 公平性评估
10.1.3 显示Fairness Indicators
10.2 超参数调优
10.2.1 整数列表作为超参数
10.2.2 项选择作为超参数
10.2.3 浮点值作为超参数
10.3 端到端超参数调优
10.4 总结