前言



第一篇　準備

01 學習準備

1.1 TensorFlow 能做什麼

1.2 學習TensorFlow 的必備知識

1.3 學習技巧：跟讀程式

1.4 如何研讀本書

02 架設開發環境

2.1 準備硬體環境

2.2 下載及安裝Anaconda

2.3 安裝TensorFlow

2.4 GPU 版本的安裝方法

2.5 測試顯示卡的常用指令

2.6 TensorFlow 1.x 版本與2.x 版本共存的解決方案

03 實例1：用AI 模型識別影像是桌子、貓、狗，還是其他

3.1 準備程式環境並預訓練模型

3.2 程式實現：初始化環境變數，並載入ImgNet 標籤

3.3 程式實現：定義網路結構

3.4 程式實現：載入模型進行識別

3.5 擴充：用更多預訓練模型完成圖片分類工作



第二篇　基礎

04 用TensorFlow 製作自己的資料集

4.1 快速導讀

4.2 實例2：將模擬資料製作成記憶體物件資料集

4.3 實例3：將圖片製作成記憶體物件資料集

4.4 實例4：將Excel 檔案製作成記憶體物件資料集

4.5 實例5：將圖片檔案製作成TFRecord 資料集

4.6 實例6：將記憶體物件製作成Dataset 資料集

4.7 實例7：將圖片檔案製作成Dataset 資料集

4.8 實例8：將TFRecord 檔案製作成Dataset 資料集

4.9 實例9：在動態圖中讀取Dataset 資料集

4.10 實例11：在不同場景中使用資料集

4.11 tf.data.Dataset 介面的更多應用

05 10 分鐘快速訓練自己的圖片分類模型

5.1 快速導讀函數庫

5.2 實例12：透過微調模型分辨男女

5.3 擴充：透過攝影機即分時辨男女

5.4 TF-slim 介面中的更多成熟模型

5.5 實例13：用TF-Hub 函數庫微調模型以評估人物的年齡

5.6 歸納

5.7 練習題

06 用TensorFlow 撰寫訓練模型的程式

6.1 快速導讀

6.2 實例14：用靜態圖訓練一個具有儲存檢查點功能的回歸模型

6.3 實例15：用動態圖（eager）訓練一個具有儲存檢查點功能的回歸模型

6.4 實例18：用估算器架構訓練一個回歸模型

6.5 實例20：將估算器程式改寫成靜態圖程式

6.6 實例21：用tf.layers API 在動態圖上識別手寫數字

6.7 實例22：用tf.keras API 訓練一個回歸模型

6.8 實例25：用tf.js 介面後方訓練一個回歸模型

6.9 實例26：用估算器架構實現分散式部署訓練

6.10 實例27：在分散式估算器架構中用tf.keras 介面訓練ResNet模型，識別圖片中是橘子還是蘋果

6.11 實例28：在T2T 架構中用tf.layers 介面實現MNIST 資料集分類

6.12 實例29：在T2T 架構中，用自訂資料集訓練中英文翻譯模型

6.13 實例30：將TensorFlow 1.x 中的程式升級為可用於2.x 版本的程式



第三篇　進階

07 特徵工程-- 會說話的資料

7.1 快速導讀

7.2 實例31：用wide_deep 模型預測人口收入

7.3 實例32：用弱學習器中的梯度提升樹演算法預測人口收入

7.4 實例33：用feature_column 模組轉換特徵列

7.5 實例34：用sequence_feature_column 介面完成自然語言處理工作的資料前置處理工作

7.6 實例35：用factorization 模組的kmeans 介面分群COCO資料集中的標記框

7.7 實例36：用加權矩陣分解模型實現以電影評分為基礎的推薦系統

7.8 實例37：用Lattice 模組預測人口收入

7.9 實例38：結合知識圖譜實現以電影為基礎的推薦系統

7.10 可解釋性演算法的意義

08 卷積神經網路（CNN）-- 在影像處理中應用最廣泛的模型

8.1 快速導讀

8.2 實例39：用膠囊網路識別黑白圖中服裝的圖案

8.3 實例41：用TextCNN 模型分析評論者是否滿意

8.4 實例42：用帶注意力機制的模型分析評論者是否滿意

8.5 實例43：架設YOLO V3 模型，識別圖片中的酒杯、水果等物體

8.6 實例44：用YOLO V3 模型識別門牌號

8.7 實例45：用Mask R-CNN 模型定位物體的像素點

8.8 實例46：訓練Mask R-CNN 模型，進行形狀的識別

09 循環神經網路（RNN）--處理序列樣本的神經網路

9.1 快速導讀

9.2 實例47：架設RNN 模型，為女孩產生英文名字

9.3 實例48：用帶注意力機制的Seq2Seq 模型為圖片增加內容描述

9.4 實例49：用IndRNN 與IndyLSTM 單元製作聊天機器人

9.5 實例50：預測飛機引擎的剩餘使用壽命

9.6 實例51：將動態路由用於RNN模型，對路透社新聞進行分類

9.7 實例52：用TFTS 架構預測某地區每天的出生人數

9.8 實例53：用Tacotron 模型合成中文語音（TTS）



第四篇　進階

10 產生式模型--能夠輸出內容的模型

10.1 快速導讀

10.2 實例54：建置DeblurGAN 模型，將模糊相片變清晰

10.3 實例55：建置AttGAN 模型，對照片進行加鬍子、加頭簾、

加眼鏡、變年輕等修改

10.4 實例57：用RNN.WGAN 模型模擬產生惡意請求

11 模型的攻與防-- 看似智慧的AI 也有脆弱的一面

11.1 快速導讀

11.2 實例58：用FGSM 方法產生樣本，並攻擊PNASNet 模型，讓其將「狗」識別成「碟子」

11.3 實例59：擊破資料增強防護，製作抗旋轉對抗樣本

11.4 實例60：以黑箱方式攻擊未知模型



第五篇　實戰--深度學習實際應用

12 TensorFlow 模型製作--一種功能，多種身份

12.1 快速導讀模組

12.2 實例61：在原始程式與檢查點檔案分離的情況下，對模型進行二次訓練

12.3 實例62：匯出/ 匯入凍結圖檔案

12.4 實例63：逆向分析凍結圖檔案

12.5 實例64：用saved_model 模組匯出與匯入模型檔案

12.6 實例65：用saved_model_cli工具檢視及使用saved_model模型

12.7 實例66：用TF-Hub 函數庫匯入、匯出詞嵌入模型檔案

13 部署TensorFlow 模型--模型與專案的深度結合

13.1 快速導讀

13.2 實例67：用TF_Serving 部署模型並進行遠端使用

13.3 實例68：在Android 手機上識別男女

13.4 實例69：在iPhone 手機上識別男女並進行活體檢測

13.5 實例70：在樹莓派上架設一個目標檢測器

14 商業實例--科技源於生活，用於生活

14.1 實例71：將特徵比對技術應用在商標識別領域

14.2 實例72：用RNN 抓取蠕蟲病毒

14.3 實例73：迎賓機器人的技術重點—體驗優先

14.4 實例74：以攝影機為基礎的路邊停車場專案

14.5 實例75：智慧冰箱產品—硬體成本之痛

前言



　　TensorFlow 是目前使用最廣泛的機器學習架構，滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本，具有更強的便利性。



　　本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術，相容TensorFlow 1.x 與TensorFlow 2.x 版本，覆蓋多種開發場景。



　　書中的內容主要源於作者在程式醫生工作室的工作累積。作者將自己在真實專案中使用TensorFlow 的經驗與技巧全部寫進書裡，讓讀者可以接觸到最真實的案例、最實戰的場景，儘快搭上人工智慧的「列車」。



　　? 本書特色



　　1. 相容TensorFlow 1.x 與2.x 版本，提供了大量的程式設計經驗

　　本書兼顧TensorFlow 1.x 與2.x 兩個版本，列出了如何將TensorFlow 1.x 程式升級為TensorFlow 2.x 可用的程式。



　　2. 覆蓋了TensorFlow 的大量介面

　　TensorFlow 是一個非常龐大的架構，內部有很多介面可以滿足不同使用者的需求。合理使用現有介面可以在開發過程中造成事半功倍的效果。然而，由於TensorFlow 的程式反覆運算速度太快，有些介面的搭配文件並不是很全。作者花了大量的時間與精力，對一些實用介面的使用方法進行摸索與整理，並將這些方法寫到書中。



　　3. 提供了高度可重用程式，公開了大量的商用程式片段

　　本書實例中的程式大多都來自程式醫生工作室的商業專案，這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中，加快開發進度。



　　4. 書中的實戰案例可應用於真實場景

　　本書中大部分實例都是目前應用非常廣泛的通用工作，包含圖片分類、目標識別、像素分割、文字分類、語音合成等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務資料集快速實現AI 功能。



　　5. 從專案角度出發，覆蓋專案開發全場景

　　本書以專案實作為目標，全面覆蓋開發實際AI 專案中所有關的知識，並全部配有實例，包含開發資料集、訓練模型、特徵工程、開發模型、保護模型檔案、模型防禦、服務端和終端的模型部署。其中，特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工，進一步確保了在訓練場景下和使用場景下模型的輸入統一。



　　6. 提供了大量前端論文連結位址，便於讀者進一步深入學習

　　本書使用的AI 模型，大多來自前端的技術論文，並在原有論文基礎上做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以根據書中提供的論文連結位址，進一步深入學習更多的前端知識，再配合本書的實例進行充分了解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。



　　7. 注重方法與經驗的傳授

　　本書在說明知識時，更注重傳授方法與經驗。全書共有幾十個「提示」標籤，其中的內容都是功力很高的成功經驗分享與易錯事項歸納，有關於經驗技巧的，也有關於風險避開的，可以幫助讀者在學習的路途上披荊斬棘，快速進步。



　　? 本書適合讀者群



　　• 人工智慧同好

　　• 人工智慧專業的大專院校學生

　　• 人工智慧專業的教師

　　• 人工智慧初學者

　　• 人工智慧開發工程師

　　• 使用TensorFlow 架構的工程師

　　• 整合人工智慧的開發人員



　　? 關於作者



　　本書由李金洪主筆撰寫，參與本書撰寫的還有以下作者。



　　石昌帥

　　程式醫生工作室成員，具有豐富的嵌入式及演算法開發經驗，參與多款機器人、影像識別等專案開發，擅長機器人定位、導覽技術、電腦視覺技術，熟悉NVIDIA jetson 系列、Raspberry PI 系列等平台軟硬體開發、演算法最佳化。從事的技術方向包含機器人導覽、影像處理、自動駕駛等。



　　甘月

　　程式醫生工作室成員，資深iOS 進階工程師，有豐富的iOS 研發經驗，先後擔任iOS 主管、專案經理、iOS 技術總監等職務，精通Objective-C、Swift、C 等程式語言，參與過銀行金融、娛樂機器人、婚慶、醫療等領域的多個專案。擅長Mac 系統下的AI 技術開發。



　　江梟宇

　　程式醫生工作室成員，是大蛇智慧社區成長最快的AI 學者。半年時間，由普通讀者升級為社區的資深輔導員。在校期間曾參加過電子設計大賽（獲省級一等獎）、Google 校企合作的AI 創新專案、省級創新訓練AI 專案。熟悉Python、C 和Java 等程式語言。擅長影像處理方向、特徵工程方向及語義壓縮方向的AI 工作。

?