TensorFlow全棧開發工程實踐——做一個全智全能算法工程師

王艷銘，電腦專業畢業，北京凌雲沐雨科技有限公司創辦人，擁有23年IT產業軟件開發和架構設計經驗，在C/C++、Python語言類框架技術和Oracle數據庫方面造詣很深。在音視訊服務器和傳輸串流CDN加速尋址演算法方面也累積了豐富的經驗。從6年前開始從事AI專題方向的研究與開發，致力於TensorFlow的研發和推廣工作，他在Google的TensorFlow Serving架構和RPC協議的基礎上，設計並組織了多重模型的線上迭代和動態拆分，實現了大規模演算法模型復用的統一演算法平臺。

第1章 爛熟於心的基礎知識
1.1 快速惡補必要的數學知識
1.1.1 線性代數提供了一種看待世界的抽象視角
1.1.2 機率論用面積度量世界萬物的存在
1.1.3 微積分運算解決了某一條件下直線到曲線的矛盾
1.1.4 信息論的產物：交叉熵
1.2 Python語言沒有你想像的那麼簡單
1.2.1 Python模組的導入與引用
1.2.2 Python中那些奇怪符號的用法
1.2.3 僅Python才有的神奇程式碼
1.2.4 Python程式碼高階綜合案例
1.3 選擇TensorFlow 1.X還是2.X的理由
1.3.1 TensorFlow概述
1.3.2 TensorFlow 1.X與TensorFlow 2.X的差別
1.3.3 TensorFlow 1.X和TensorFlow 2.X的手寫數字識別
本章小結
第2章 模型工程化必備的技能
2.1 模型轉換為雲端服務的橋樑：Docker
2.1.1 映像、容器和隔離
2.1.2 Docker Compose
2.1.3 大規模使用Docker
2.2 Git版本管理系統
2.2.1 安裝Git
2.2.2 搭建代碼資料倉儲
2.2.3 Git的流行只因為多了一個“分支”
2.2.4 刪除文件、檔案重新命名、移除提交和恢復文件
2.2.5 遠端版本管理
2.2.6 Git版本合併容錯
本章小結
第3章 TensorFlow的安裝與配置
3.1 Windows開發環境的配置
3.1.1 Anaconda
3.1.2 CUDA和cuDNN
3.1.3 PyCharm
3.2 Linux開發環境的配置
3.2.1 Virtualenv和Docker
3.2.2 Jupyter NoteBook
3.2.3 Vim
3.3 Python常用的科學計算與機器學習庫
3.3.1 NumPy
3.3.2 Matplotlib
3.3.3 Pandas
3.3.4 Python SciPy
3.3.5 Scikit-Learn
本章小結
第4章 雲端部署TensorFlow模型
4.1 RPC原理
4.2 遠端呼叫通訊機制
4.2.1 發布服務
4.2.2 使用Python實現RPC服務
4.2.3 使用JSON實現序化和反序化
4.3 TensorFlow Serving發布服務
4.3.1 TensorFlow Serving的安裝
4.3.2 TensorFlow Serving的Docker環境
4.3.3 用戶端遠端呼叫TensorFlow Serving服務
4.3.4 TensorFlow Serving簡化版的實現
4.3.5 使用gRPC呼叫服務
本章小結
第5章 TensorFlow基礎
5.1 基本概念與框架
5.1.1 TensorFlow的基本概念
5.1.2 使用Eager Execution進行簡單線性迴歸訓練
5.1.3 估算器框架接口
5.1.4 tf.keras接口
5.1.5 CNN捲積核的多樣性
5.1.6 循環神經網絡
5.2 TensorFlow的GPU資源分配與策略
5.2.1 為整個程式指定GPU卡
5.2.2 個人化客製化GPU資源
5.2.3 使用GPU分佈策略
5.3 TensorFlow訓練模型的保存與加載
5.3.1 以靜態資料流程圖保存、二次訓練與加載模型
5.3.2 用Build方式儲存模型
5.3.3 訓練模型的保存與加載
5.4 TFRecord
5.4.1 tf.Example的資料類型
5.4.2 讀取序化檔案形成資料集
5.4.3 對影像進行序化處理
5.4.4 對樣本影像的批次複雜處理
5.4.5 VarLenFeature和FixedLenFeature的差別
5.4.6 將CSV檔案轉換為TFRecord
5.4.7 將XML檔轉換為TFRecord
本章小結
第6章 經典神經網絡模型
6.1 AlexNet: AI潮起
6.1.1 AlexNet模型結構
6.1.2 AlexNet帶來的新技術
6.1.3 AlexNet基於TensorFlow 2.0的實現
6.2 VGGNet:更小的捲積造就更深的網絡
6.2.1 VGGNet模型架構
6.2.2 VGGNet中的創新點
6.2.3 VGGNet基於TensorFlow 2.0的實現
6.3 GoogleNet：邁向更深更寬的網絡
6.3.1 GoogleNet模型結構
6.3.2 GoogleNet中的創新點
6.3.3 GoogleNet vl基於TensorFlow 2.0的實現
6.4 ResNet：殘差網獨領風騷
6.4.1 ResNet模型結構
6.4.2 ResNet基於TensorFlow 2.0的實現
6.5 SENet：視覺註意力機制的起點
6.5.1 SENet模型結構
6.5.2 SENet ResNet 的TensorFlow 2.0實現
6.6 Self-Attention：自註意力
6.7 Vision Transformer：註意力引爆視覺任務
本章小結
第7章 目標偵測
7.1 RCNN目標偵測演算法
7.2 SPPNet目標偵測演算法
7.2.1 空間金字塔池化層
7.2.2 SPPNet演算法的流程
7.3 Fast RCNN目標偵測演算法
7.3.1 RoI Pooling層
7.3.2 Fast RCNN演算法與RCNN演算法的區別
7.3.3 Fast RCNN演算法的流程
7.4 Faster RCNN目標偵測演算法
7.4.1 Region Proposal Network模組
7.4.2 anchor
7.4.3 Faster RCNN演算法的流程
7.4.4 Faster RCNN演算法基於TensorFlow 2.0的實現
7.5 SSD目標偵測演算法
7.5.1 多尺度特徵預測
7.5.2 邊界框的定製
7.5.3 空洞捲積
7.5.4 SSD演算法的訓練過程與細節
7.5.5 SSD演算法的優缺點
7.6 YOLO目標偵測演算法
7.6.1 YOLOv1演算法