内容简介

《TensorFlow 全栈开发工程实践——做一个全智全能算法工程师》共分为 8 章，主要内容包括与人工智能相关的数学知识，Python 语言所特有的语法和技巧，Docker 模型透明无缝地发布的实现，业界优秀的 Git 代码版本管理工具，模型开发环境的配置，高级人工智能开发工程师常用的 IDE 开发工具，经典神经网络模型的剖析和分解，RPC 远程调用的实现，训练样本的序化组织结构TFRecord，模型的训练、保存和封装发布，模型训练的 GPU 配置和机制策略的部署，模型从训练到发布的完整示例等。

《TensorFlow 全栈开发工程实践——做一个全智全能算法工程师》适合有计算机专业和数学专业背景的初、中级开发者阅读，以便快速掌握和驾驭人工智能全栈技术， 也适合作为在职人工智能模型开发人员查询时使用的手册级工具用书，还适合作为中职学校、高等院校及培训机构计算机人工智能和大数据等相关专业的教学用书。

作品目录

目 录
第 1 章 烂熟于心的基础知识 1
1.1 快速恶补必要的数学知识 1
1.1.1 线性代数提供了一种看待世界的抽象视角 1
1.1.2 概率论用面积度量世界万物的存在 15
1.1.3 微积分运算解决了一定条件下直线到曲线的矛盾 22
1.1.4 信息论的产物：交叉熵 27
1.2 Python 语言没有你想象的那样简单 ·······29
1.2.1 Python 模块的导入和引用·········29
1.2.2 Python 中那些奇怪符号的用法 ····34
1.2.3 仅 Python 才有的神奇代码 44
1.2.4 Python 代码高级综合案例 46
1.3 选择 TensorFlow 1.X 还是 2.X 的理由 54
1.3.1 TensorFlow 概述 54
1.3.2 TensorFlow 1.X 与 TensorFlow 2.X 的区别 57
1.3.3 TensorFlow 1.X 和 TensorFlow2.X 的手写数字识别 60
本章小结 65
第 2 章 模型工程化必备的技能 ···················66
2.1 模型转换为云服务的桥梁：Docker ·······66
2.1.1 映像、容器和隔离 67
2.1.2 Docker Compose 74
2.1.3 大规模使用 Docker 79
2.2 Git 版本管理系统 81
2.2.1 安装 Git 82
2.2.2 搭建代码数据仓库 85
2.2.3 Git 的流行仅因为多了一个“分支” 92
2.2.4 删除文件、文件重命名、去除提交和恢复文件 97
2.2.5 远程版本管理 100
2.2.6 Git 版本合并容错 110
本章小结 112
第 3 章 TensorFlow 的安装和配置 1 14
3.1 Windows 开发环境的配置 114
3.1.1 Anaconda 114
3.1.2 CUDA 和 cuDNN 116
3.1.3 PyCharm 119
3.2 Linux 开发环境的配置 122
3.2.1 Virtualenv 和 Docker 125
3.2.2 Jupyter NoteBook 126
3.2.3 Vim 132
3.3 Python 常用的科学计算和机器学习库 137
3.3.1 NumPy 137
3.3.2 Matplotlib 143
3.3.3 Pandas 149
3.3.4 Python SciPy 157
3.3.5 Scikit-Learn 159
本章小结 166
第 4 章 云端部署 TensorFlow 模型 170
4.1 RPC 原理 170
4.2 远程调用通信机制 172
4.2.1 发布服务 173
4.2.2 使用 Python 实现 RPC 服务 176
4.2.3 使用 JSON 实现序化和反序化 182
4.3 TensorFlow Serving 发布服务 185
4.3.1 TensorFlow Serving 的安装 ·····186
4.3.2 TensorFlow Serving 的 Docker环境 187
4.3.3 客户端远程调用 TensorFlowServing 服务 188
4.3.4 TensorFlow Serving 简化版的实现 190
4.3.5 使用 gRPC 调用服务 193
本章小结 195
第 5 章 TensorFlow 基础 196
5.1 基本概念与框架 196
5.1.1 TensorFlow 的基本概念 198
5.1.2 使用 Eager Execution 进行简单线性回归训练 200
5.1.3 估算器框架接口 204
5.1.4 tf.keras 接口 210
5.1.5 CNN 卷积核的多样性 216
5.1.6 循环神经网络 219
5.2 TensorFlow 的 GPU 资源分配和策略 235
5.2.1 为整个程序指定 GPU 卡 235
5.2.2 个性化定制 GPU 资源 237
5.2.3 使用 GPU 分布策略 238
5.3 TensorFlow 训练模型的保存与加载 246
5.3.1 用静态数据流图保存、二次训练和加载模型 246
5.3.2 用 Build 方式保存模型 249
5.3.3 训练模型的保存与加载 251
5.4 TFRecord 259
5.4.1 tf.Example 的数据类型 259
5.4.2 读取序化文件形成数据集 262
5.4.3 对图像进行序化处理 263
5.4.4 对样本图像的批量复杂处理 265
5.4.5 VarLenFeature 和 FixedLenFeature的区别 267
5.4.6 将 CSV 文件转换为TFRecord 272
5.4.7 将 XML 文件转换为TFRecord 273
本章小结 275
第 6 章 经典神经网络模型 278
6.1 AlexNet：AI 潮起 278
6.1.1 AlexNet 模型结构 278
6.1.2 AlexNet 带来的新技术 279
6.1.3 AlexNet 基于 TensorFlow 2.0的实现 281
6.2 VGGNet：更小的卷积造就更深的网络 285
6.2.1 VGGNet 模型架构 285
6.2.2 VGGNet 中的创新点 287
6.2.3 VGGNet 基于 TensorFlow 2.0的实现 288
6.3 GoogleNet：走向更深更宽的网络 ······292
6.3.1 GoogleNet 模型结构 292
6.3.2 GoogleNet 中的创新点 293
6.3.3 GoogleNet v1 基于 TensorFlow2.0 的实现 294
6.4 ResNet：残差网络独领风骚 299
6.4.1 ResNet 模型结构 299
6.4.2 ResNet 基于 TensorFlow 2.0的实现 301
6.5 SENet：视觉注意力机制的起点 305
6.5.1 SENet 模型结构 306
6.5.2 SENet_ResNet 的 TensorFlow 2.0实现 306
6.6 Self-Attention：自注意力 311
6.7 Vision Transformer：注意力引爆视觉任务 312
本章小结 314
第 7 章 目标检测 315
7.1 RCNN 目标检测算法 315
7.2 SPPNet 目标检测算法 317
7.2.1 空间金字塔池化层 317
7.2.2 SPPNet 算法的流程 318
7.3 Fast RCNN 目标检测算法 319
7.3.1 RoI Pooling 层 319
7.3.2 Fast RCNN 算法与 RCNN 算法的区别 320
7.3.3 Fast RCNN 算法的流程 320
7.4 Faster RCNN 目标检测算法 321
7.4.1 Region Proposal Network 模块 321
7.4.2 anchor 321
7.4.3 Faster RCNN 算法的流程 323
7.4.4 Faster RCNN 算法基于TensorFlow 2.0 的实现 324
7.5 SSD 目标检测算法 329
7.5.1 多尺度特征预测 329
7.5.2 边界框的定制 330
7.5.3 空洞卷积 331
7.5.4 SSD 算法的训练过程与细节 332
7.5.5 SSD 算法的优缺点 333
7.6 YOLO 目标检测算法 333
7.6.1 YOLO v1 算法 333
7.6.2 YOLO v2 算法 338
7.6.3 YOLO v3 算法 341
7.6.4 YOLO v4 ：trick 集大成者 343
本章小结 351
第 8 章 深度学习综合实践案例 353
8.1 肺结节检测系统研发案例 353
8.1.1 胸片数据标注 354
8.1.2 训练过程 361
8.2 食品、医药类相关新闻抓取案例 369
8.2.1 语料样本和分词工具 369
8.2.2 GRU 循环神经网络模型 371
8.2.3 gRPC 远程调用训练后模型 376
做个孤夜独行的技术人 380
参考文献 382
· · · · · ·

作者简介

王艳铭，CSIAM中国工业与应用数学学会成员。知名互联网公司信息软件技术架构设计师，政府大数据研究院研发实验技术顾问，研发部署和大数据平台建设首席算法研发团队组长。获得多项相关人工智能创新技术专利，如《通过超参数设置用图像的方法(CNN)解决情感分析》等。擅长Python、C/C++语言及TensorFlow 和PyTorch人工智能开发框架，对大数据和Al 算法理论有深入的研究。