30天吃掉那只Tensorflow2How to eat TensorFlow2 in 30 days ?

https://jackiexiao.github.io/eat_tensorflow2_in_30_days/chinese/

《30天吃掉那只TensorFlow2》
* github项目地址: https://github.com/lyhue1991/eat_tensorflow2_in_30_days
* 和鲸专栏地址: https://www.kesci.com/home/column/5d8ef3c3037db3002d3aa3a0 【代码可直接fork后云端运行，无需配置环境】

《20天吃掉那只Pytorch》
* github项目地址: https://github.com/lyhue1991/eat_pytorch_in_20_days
* 和鲸专栏地址: https://www.kesci.com/home/column/5f2ac5d8af3980002cb1bc08 【代码可直接fork后云端运行，无需配置环境】

一，TensorFlow2 or Pytorch

先说结论:

如果是工程师，应该优先选TensorFlow2.

如果是学生或者研究人员，应该优先选择Pytorch.

如果时间足够，最好TensorFlow2和Pytorch都要学习掌握。

理由如下：

1，在工业界最重要的是模型落地，目前国内的大部分互联网企业只支持TensorFlow模型的在线部署，不支持Pytorch。 并且工业界更加注重的是模型的高可用性，许多时候使用的都是成熟的模型架构，调试需求并不大。
2，研究人员最重要的是快速迭代发表文章，需要尝试一些较新的模型架构。而Pytorch在易用性上相比TensorFlow2有一些优势，更加方便调试。 并且在2019年以来在学术界占领了大半壁江山，能够找到的相应最新研究成果更多。
3，TensorFlow2和Pytorch实际上整体风格已经非常相似了，学会了其中一个，学习另外一个将比较容易。两种框架都掌握的话，能够参考的开源模型案例更多，并且可以方便地在两种框架之间切换。

二，Keras and tf.keras

先说结论：

Keras库在2.3.0版本后将不再更新，用户应该使用tf.keras。

Keras可以看成是一种深度学习框架的高阶接口规范，它帮助用户以更简洁的形式定义和训练深度学习网络。

使用pip安装的Keras库同时在tensorflow,theano,CNTK等后端基础上进行了这种高阶接口规范的实现。

而tf.keras是在TensorFlow中以TensorFlow低阶API为基础实现的这种高阶接口，它是Tensorflow的一个子模块。

tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，但并非全部，它和TensorFlow之间的结合更为紧密。

随着谷歌对Keras的收购，Keras库2.3.0版本后也将不再进行更新，用户应当使用tf.keras而不是使用pip安装的Keras.

三，本书面向读者

本书假定读者有一定的机器学习和深度学习基础，使用过Keras或者Tensorflow1.0或者Pytorch搭建训练过模型。

对于没有任何机器学习和深度学习基础的同学，建议在学习本书时同步参考学习《Python深度学习》一书。

《Python深度学习》这本书是Keras之父Francois Chollet所著，该书假定读者无任何机器学习知识，以Keras为工具，

使用丰富的范例示范深度学习的最佳实践，该书通俗易懂，全书没有一个数学公式，注重培养读者的深度学习直觉。。

四，本书写作风格

本书是一本对人类用户极其友善的TensorFlow2.0入门工具书，不刻意恶心读者是本书的底限要求，Don't let me think是本书的最高追求。

本书主要是在参考TensorFlow官方文档和函数doc文档基础上整理写成的。

但本书在篇章结构和范例选取上做了大量的优化。

不同于官方文档混乱的篇章结构，既有教程又有指南，缺少整体的编排逻辑。

本书按照内容难易程度、读者检索习惯和TensorFlow自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

不同于官方文档冗长的范例代码，本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

如果说通过学习TensorFlow官方文档掌握TensorFlow2.0的难度大概是9的话，那么通过学习本书掌握TensorFlow2.0的难度应该大概是3.

谨以下图对比一下TensorFlow官方教程与本教程的差异。

五，本书学习方案

1，学习计划

本书是作者利用工作之余和疫情放假期间大概2个月写成的，大部分读者应该在30天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为TensorFlow的工具手册在工程落地时作为范例库参考。

点击学习内容蓝色标题即可进入该章节。

日期	学习内容	内容难度	预计学习时间
	[一、TensorFlow的建模流程]	️	0hour
day1	[1-1,结构化数据建模流程范例]	️️️	1hour
day2	[1-2,图片数据建模流程范例]	️️️️	2hour
day3	[1-3,文本数据建模流程范例]	️️️️️	2hour
day4	[1-4,时间序列数据建模流程范例]	️️️️️	2hour
	[二、TensorFlow的核心概念]	️	0hour
day5	[2-1,张量数据结构]	️️️️	1hour
day6	[2-2,三种计算图]	️️️️️	2hour
day7	[2-3,自动微分机制]	️️️	1hour
	[三、TensorFlow的层次结构]	️	0hour
day8	[3-1,低阶API示范]	️️️️	1hour
day9	[3-2,中阶API示范]	️️️	1hour
day10	[3-3,高阶API示范]	️️️	1hour
	[四、TensorFlow的低阶API]	️	0hour
day11	[4-1,张量的结构操作]	️️️️️	2hour
day12	[4-2,张量的数学运算]	️️️️	1hour
day13	[4-3,AutoGraph的使用规范]	️️️	0.5hour
day14	[4-4,AutoGraph的机制原理]	️️️️️	2hour
day15	[4-5,AutoGraph和tf.Module]	️️️️	1hour
	[五、TensorFlow的中阶API]	️	0hour
day16	[5-1,数据管道Dataset]	️️️️️	2hour
day17	[5-2,特征列feature_column]	️️️️	1hour
day18	[5-3,激活函数activation]	️️️	0.5hour
day19	[5-4,模型层layers]	️️️	1hour
day20	[5-5,损失函数losses]	️️️	1hour
day21	[5-6,评估指标metrics]	️️️	1hour
day22	[5-7,优化器optimizers]	️️️	0.5hour
day23	[5-8,回调函数callbacks]	️️️️	1hour
	[六、TensorFlow的高阶API]	️	0hour
day24	[6-1,构建模型的3种方法]	️️️	1hour
day25	[6-2,训练模型的3种方法]	️️️️	1hour
day26	[6-3,使用单GPU训练模型]	️️	0.5hour
day27	[6-4,使用多GPU训练模型]	️️	0.5hour
day28	[6-5,使用TPU训练模型]	️️	0.5hour
day29	[6-6,使用tensorflow-serving部署模型]	️️️️	1hour
day30	[6-7,使用spark-scala调用tensorflow模型]	️️️️️	2hour
	[后记：一个吃货和一道菜的故事]	️	0hour

2，学习环境

本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。

此外，本项目也与和鲸社区达成了合作，可以在和鲸专栏fork本项目，并直接在云笔记本上运行代码，避免环境配置痛苦。

和鲸专栏地址：https://www.kesci.com/home/column/5d8ef3c3037db3002d3aa3a0

#克隆本书源码到本地,使用码云镜像仓库国内下载速度更快

#!git clone https://gitee.com/Python_Ai_Road/eat_tensorflow2_in_30_days

#建议在jupyter notebook 上安装jupytext，以便能够将本书各章节markdown文件视作ipynb文件运行

#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext

#建议在jupyter notebook 上安装最新版本tensorflow 测试本书中的代码

#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  -U tensorflow

import tensorflow as tf

#注：本书全部代码在tensorflow 2.1版本测试通过

tf.print("tensorflow version:",tf.__version__)

a = tf.constant("hello")

b = tf.constant("tensorflow2")

c = tf.strings.join([a,b]," ")

tf.print(c)

tensorflow version: 2.1.0

hello tensorflow2

六，鼓励和联系作者

如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star️，并分享给你的朋友们喔!

如果对本书内容理解上有需要进一步和作者交流的地方，欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限，会酌情予以回复。

也可以在公众号后台回复关键字：加群，加入读者交流群和大家讨论。