TensorFlow2.0 正式版已發(fā)布一段時(shí)間，但目前系統(tǒng)性的相關(guān)教程還不夠多。這個(gè)登上 GitHub 趨勢(shì)榜的項(xiàng)目今日已獲得 700 多贊，內(nèi)容簡單易懂，適合初學(xué)者和遷移到 tf2.0 的開發(fā)者使用。

深度學(xué)習(xí)中繞不開的便是對(duì)算法框架的實(shí)際使用了。如果沒有嫻熟的工程實(shí)踐能力，很多優(yōu)秀的算法設(shè)計(jì)就無法真正使用。TensorFlow2.0 正式版已發(fā)布了一段時(shí)間，然而過去使用 TensorFlow1.x 版本的開發(fā)者擔(dān)心兩個(gè)版本之間的差距過大以至于無法遷移已有的經(jīng)驗(yàn)，剛?cè)腴T深度學(xué)習(xí)的人則因?yàn)?TensorFlow 那不友好的 API 和設(shè)計(jì)邏輯而望而卻步。

近日，GitHub 日趨勢(shì)榜上出現(xiàn)了這樣一個(gè)中文開源項(xiàng)目。它基于 TensorFlow2.0 框架，有配套學(xué)習(xí)的書、代碼和視頻課程，非常適合希望了解 tf2.0 的開發(fā)者學(xué)習(xí)參考。

目前該項(xiàng)目已獲得了 1000 多的點(diǎn)贊量，登上了 GitHub 熱榜，僅在今天項(xiàng)目就獲得 700 多贊。 

項(xiàng)目地址：https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book

該項(xiàng)目作者為 Jackie Loong（龍良曲），曾為新加坡國立大學(xué)助理研究員，有 8 年的人工智能算法經(jīng)驗(yàn)，在 AAAI 會(huì)議上發(fā)表過多篇論文。從他的 GitHub 主頁上來看，這位開發(fā)者參與了很多深度學(xué)習(xí)相關(guān)的教程項(xiàng)目的工作。

本項(xiàng)目提供了電子版的《TensorFlow 2.0 深度學(xué)習(xí)開源書》，同時(shí)按照章節(jié)在每個(gè)文件夾中提供了源代碼。你只需要下載書籍，并根據(jù)內(nèi)容和源代碼進(jìn)行學(xué)習(xí)即可。

從章節(jié)劃分上來看，本書一共分為 15 個(gè)章節(jié)。首先本書會(huì)介紹人工智能的發(fā)展歷史，然后從第二章開始介紹回歸，隨后還有分類、TensorFlow 基礎(chǔ)和進(jìn)階操作、神經(jīng)網(wǎng)絡(luò)等知識(shí)。在第 10 章以后，書還會(huì)介紹包括 CNN、RNN/LSTM、自編碼器、GAN 及其變體等多個(gè)架構(gòu)，內(nèi)容很豐富。

以下為章節(jié)目錄：

代碼部分，目前作者已整理出了除第 4 章以外的大部分代碼，目前整理工作還在進(jìn)行中。

以自編碼器的代碼為例，作者在 py 文件中詳細(xì)寫出了網(wǎng)絡(luò)的架構(gòu)：

class AE(keras.Model):  
  
    def __init__(self):  
        super(AE, self).__init__()  
  
        # Encoders  
        self.encoder = Sequential([  
            layers.Dense(256, activation=tf.nn.relu),  
            layers.Dense(128, activation=tf.nn.relu),  
            layers.Dense(h_dim)  
        ])  
  
        # Decoders  
        self.decoder = Sequential([  
            layers.Dense(128, activation=tf.nn.relu),  
            layers.Dense(256, activation=tf.nn.relu),  
            layers.Dense(784)  
        ])  
  
  
    def call(self, inputs, training=None):  
        # [b, 784] => [b, 10]  
        h = self.encoder(inputs)  
        # [b, 10] => [b, 784]  
        x_hat = self.decoder(h)  
  
        return x_hat  

同時(shí)，每個(gè) py 文件不僅僅只有示例代碼。從代碼來看，這些 py 文件實(shí)際上都是可以直接運(yùn)行的，以下便是自編碼器文件中執(zhí)行模型訓(xùn)練的代碼：

model = AE() 
model.build(input_shape=(None, 784)) 
model.summary() 
 
optimizer = tf.optimizers.Adam(lr=lr) 
 
for epoch in range(100): 
 
    for step, x in enumerate(train_db): 
 
        #[b, 28, 28] => [b, 784] 
        x = tf.reshape(x, [-1, 784]) 
 
        with tf.GradientTape() as tape: 
            x_rec_logits = model(x) 
 
            rec_loss = tf.losses.binary_crossentropy(x, x_rec_logits, from_logits=True) 
            rec_loss = tf.reduce_mean(rec_loss) 
 
        grads = tape.gradient(rec_loss, model.trainable_variables) 
        optimizer.apply_gradients(zip(grads, model.trainable_variables)) 
 
 
        if step % 100 ==0: 
            print(epoch, step, float(rec_loss)) 

這樣一來，即使沒有編程經(jīng)驗(yàn)的初學(xué)者也可以先跑通代碼，理解原理后再嘗試自行編程。

除了這些資源外，作者還貼出了一個(gè) tf2.0 實(shí)戰(zhàn)案例的項(xiàng)目庫，開發(fā)者可配合使用。

項(xiàng)目地址：https://github.com/dragen1860/TensorFlow-2.x-Tutorials