深度学习实战—基于TensorFlow 2.0的人工智能开发应用

《深度学习实战——基于TensorFlow 2.0的人工智能开发应用》以TensorFlow 2.0人工智能平台的基础架构为切入点，逐步过渡到TensorFlow 2.0项目开发实战和项目部署上线中，并重点介绍了使用TensorFlow 2.0的高级封装Keras搭建神经网络、训练神经网络和进行神经网络模型预测，让读者在项目实战中系统学习人工智能任务的工作流程及使用TensorFlow 2.0框架开发任务的完整过程，帮助读者深入系统地学习人工智能的开发应用。

全书3篇共14章，第1篇为入门篇，介绍了人工智能的基础知识，包括人工智能的发展、人工智能开发环境的部署与使用、TensorFlow 2.0框架与模型、神经网络、图像处理和TensorBoard可视化组件等；第2篇为实战篇，通过实例讲解如何使用TensorFlow 2.0进行实际项目开发、模型评估与优化，包含了神经网络曲线拟合、MNIST手写字体识别、图像风格迁移、车牌识别、智能中文对话机器人等实例应用；第3篇为部署上线篇，主要讲解TensorFlow Serving 部署模型上线和Flask 部署模型上线，从而实现完全生命周期的人工智能开发过程。

全书内容通俗易懂，知识全面，内容丰富，实用性和可操作性强，特别适合深度学习框架TensorFlow 2.0的入门读者和进阶读者阅读，同样适合TensorFlow 1.x版本的人工智能开发人员转型到TensorFlow 2.0、Python程序员、Python Web开发者等其他编程爱好者阅读。另外，本书也适合作为相关培训机构的教材使用。

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。