TensorFlow大模型开发实践（制作+优化+应用）》循序渐进地讲解了TensorFlow大模型开发的核心知识，并通过具体实例演练了开发TensorFlow大模型程序的方法和流程。全书共14章，分别讲解了TensorFlow数据集制作、使用机器学习算法制作TensorFlow模型、保存和加载模型、使用深度学习算法制作TensorFlow模型、TensorBoard模型可视化、模型训练与调优详解、基本的模型优化操作、TensorFlowTransform（TFT）：模型数据规范化处理、TensorFlowDataValidation（TFDV）：验证模型数据、ModelRemediation：模型修复、ResponsibleAI和FairnessIndicators：评估和改进模型的公平性、NeuralStructuredLearning（NSL）：改进模型的学习能力和泛化能力、TensorFlowServing：优化模型部署、移动机器人智能物体识别系统（TensorFlowLite+TensorFlow+Android+iOS）。《TensorFlow大模型开发实践（制作+优化+应用）》适用于想了解TensorFlow基础开发的读者，想要进一步学习大模型开发、模型优化、模型应用和模型架构的读者，同时，也可以作为大专院校相关专业的师生用书和培训学校的教材。
实际案例驱动的学习路径《TensorFlow大模型开发实践（制作+优化+应用）》紧密结合实际案例，将理论与实践深度融合。每一章都通过具体示例展示TensorFlow在大模型开发中的应用，让读者从实际问题中学习，快速上手。全面涵盖开发流程《TensorFlow大模型开发实践（制作+优化+应用）》从TensorFlow的基础知识出发，逐步带领读者深入探索数据处理、模型构建、训练优化以及模型部署等各个开发环节。深入剖析优化策略大模型的开发与优化充满挑战，本书对各种优化策略进行了深入剖析。从模型性能调优到资源有效利用，读者将学会在复杂环境下提升模型性能的方法。全面讲解可视化工具《TensorFlow大模型开发实践（制作+优化+应用）》详细介绍了TensorBoard的使用方法，以及如何利用可视化工具监测模型训练过程、分析模型结构和性能，帮助读者更好地理解模型的运行情况。贴近实践的实用技巧除了深入的理论和案例分析，《TensorFlow大模型开发实践（制作+优化+应用）》还提供了许多贴近实际应用的实用技巧。从数据预处理到模型调优，从部署到性能监测，每一步都有实用的建议。
在当今科技飞速发展的时代，人工智能与深度学习正引领着科技和工程领域的一场革命性变革。TensorFlow 作为一款开源的深度学习框架，为开发者提供了强大的支持，使其能够构建、训练和部署复杂的神经网络模型。然而，随着模型复杂度的不断攀升，TensorFlow 大模型的开发、优化与应用也面临着诸多挑战。
基于多年的从业经验，我在实际项目中深切体会到了应用TensorFlow 大模型时所遇到的难题。从数据集的处理、模型的搭建，到优化算法的选择，再到最终的部署，每一个环节都充满了技术挑战与决策难题。也正是因为这些经历，使我萌生了撰写本书的想法。
本书特色
本书以实际案例为依托，从TensorFlow 的基础知识入手，逐步引导读者掌握数据处理、模型构建、训练优化、模型部署等关键环节，具有以下几个特色。
1.实际案例驱动的学习路径
本书紧密结合实际案例，将理论与实践进行了深度融合。每一章都通过具体示例展示TensorFlow 在大模型开发中的应用，让读者从实际问题中学习，快速上手。
2.全面涵盖开发流程
本书从TensorFlow 的基础知识出发，逐步带领读者深入探索数据处理、模型构建、训练优化以及模型部署等各个开发环节。
3.深入剖析优化策略
大模型的开发与优化充满挑战，本书对各种优化策略进行了深入剖析。从模型性能调优到资源有效利用，读者将学会在复杂环境下提升模型性能的方法。
4.全面讲解可视化工具
本书详细介绍了TensorBoard 的使用方法，以及如何利用可视化工具监测模型训练过程、分析模型结构和性能，帮助读者更好地理解模型的运行情况。
5.贴近实践的实用技巧
除了深入的理论和案例分析，本书还提供了许多贴近实际应用的实用技巧。从数据预处理到模型调优，从部署到性能监测，每一步都有实用的建议。
本书读者对象
机器学习和深度学习初学者：本书从基础概念入手，适合对人工智能、机器学习和深度学习感兴趣，但缺乏深入知识的初学者。
数据科学家和分析师：数据科学家和分析师可以通过本书深入了解TensorFlow 在数据处理、模型开发和优化方面的应用。
机器学习工程师：对于已有一定机器学习知识的工程师，本书提供了丰富的模型开发和优化技巧。从传统机器学习算法到深度学习模型，再到模型的保存、加载和部署，都有详细的介绍和实例演示。
深度学习研究者和开发者：对于有一定深度学习基础的人员，本书的高级章节将深入探讨卷积神经网络、循环神经网络、生成式对抗网络等高级模型的开发和优化。
这些内容将帮助他们更深入地理解和应用TensorFlow。
模型部署和生产环境开发者：本书包含模型的保存、加载和部署内容，以及使用TensorFlow Serving 进行模型部署的方法。这对于需要将模型投入实际生产环境的开发者来说非常有价值。
移动应用开发者：本书最后一章介绍了在移动设备上构建智能物体识别系统的方法，涵盖了TensorFlow Lite、Android 和iOS 平台的应用开发，适合移动应用开发者学习和实践。
本书配套资源
本书为读者提供了丰富的学习资源，包括视频讲解、案例源代码和PPT 课件等。读者可通过扫描每章二级标题下的二维码获取视频讲解，既可以在线观看，也可以下载到本地随时学习。读者可通过扫描下方的二维码获取案例源代码和PPT 课件。
致谢
本书在编写过程中，得到了清华大学出版社各位专业编辑的大力支持。他们的求实态度、耐心指导和高效工作，使本书能够在短时间内顺利出版。此外，我也要感谢家人给予我的巨大支持。由于本人水平有限，书中难免存在疏漏和不妥之处，恳请读者提出宝贵的意见或建议，以便我对本书进行修订和完善。
最后，感谢您购买本书，希望它能成为您编程路上的良师益友，祝您阅读愉快！
编者
刘陈,计算机硕士学历，现就职于浪潮信息。开发经验丰富，精通Python、机器学习、深度学习、Android、鸿蒙等开发技术，能够熟练运用多种大模型开发技术。
第1章 TensorFlow 数据集制作
1.1 使用tf.data 处理数据集
1.1.1 制作数据集并训练和评估
1.1.2 将tf.data 作为验证数据集进行训练
1.2 将模拟数据制作成内存对象数据集
1.2.1 可视化内存对象数据集
1.2.2 改进的方案
1.3 将图片制作成数据集
1.3.1 制作简易图片数据集
1.3.2 制作手势识别数据集
1.4 TFRecord 数据集制作
1.4.1 将图片制作为TFRecord 数据集
1.4.2 将CSV 文件保存为TFRecord 文件
1.4.3 读取TFRecord 文件的内容
第2章 使用机器学习算法制作TensorFlow 模型
2.1 制作线性回归模型
2.1.1 线性回归介绍
2.1.2 使用Keras 实现线性回归模型
2.2 制作逻辑回归模型
2.2.1 Logistic Regression 算法介绍
2.2.2 使用欺诈数据集制作模型
2.3 使用二元决策树算法制作模型
2.3.1 二元决策树介绍
2.3.2 使用二元决策树制作模型
2.4 k 近邻算法
2.4.1 k 近邻算法介绍
2.4.2 对服装图像进行分类
第3章 保存和加载模型
3.1 保存和加载整个模型
3.1.1 保存为SavedModel 格式
3.1.2 保存为Keras H5 格式
3.2 保存配置信息
3.2.1 序列化模型或函数式API 模型的配置
3.2.2 自定义模型的配置
3.3 只保存和加载模型的权重值
3.3.1 在内存中迁移权重的API
3.3.2 保存加载权重的API（TensorFlow检查点格式）
3.3.3 保存加载权重的API（HDF5 格式）
第4章 使用深度学习算法制作TensorFlow 模型
4.1 TensorFlow 卷积神经网络
4.1.1 卷积神经网络基本结构
4.1.2 制作一个卷积神经网络模型
4.2 TensorFlow 循环神经网络
4.2.1 文本分类
4.2.2 制作一个循环神经网络模型
4.3 TensorFlow 生成式对抗网络
4.3.1 生成模型和判别模型
4.3.2 使用生成对抗网络制作MNIST 识别模型
第5章 TensorBoard 模型可视化
5.1 指标参数
5.1.1 训练回归模型并可视化
5.1.2 记录自定义scalars
5.2 在TensorBoard 中显示图像数据
5.2.1 可视化单个图像
5.2.2 可视化多个图像
5.2.3 可视化显示任意图像数据
5.3 检查TensorFlow 图
5.3.1 模型图的可视化
5.3.2 可视化函数的图
第6章 模型训练与调优详解
6.1 模型训练函数model.fit()
6.1.1 优质个训练模型的简单例子
6.1.2 底层优化
6.1.3 样本权重和分类权重
6.1.4 自定义设置评估步骤
6.2 损失函数和优化算法
6.2.1 损失函数和优化算法的概念
6.2.2 TensorFlow 损失函数
6.2.3 常见的优化算法
6.3 训练方式
6.3.1 常用的训练方式
6.3.2 小批量随机梯度下降
6.3.3 批量归一化
6.3.4 丢弃
6.4 模型验证和调优
6.4.1 训练集、验证集和测试集
6.4.2 交叉验证
6.4.3 超参数调优
第7章 基本的模型优化操作
7.1 优化模型的好处
7.2 利用现成模型提高性能
7.3 TensorFlow 模型优化工具包
7.4 模型优化实战
第8章 TensorFlow Transform（TFT）：模型数据规范化处理
8.1 TensorFlow Transform 介绍
8.2 数据预处理
8.3 特征工程
8.4 转换流水线
8.5 与TensorFlow 集成
第9章 TensorFlow Data Validation（TFDV）：验证模型数据
9.1 数据验证概述
9.2 数据验证
第10章 Model Remediation：模型修复
10.1 模型修复基础
10.2 MinDiff 模型修复实战
第11章 Responsible AI 和Fairness Indicators：评估和改进模型的公平性11.1 负责任人工智能基础
11.2 负责任人工智能工具
11.3 使用公平性指标评估模型的
公平性
第12章 Neural Structured Learning（NSL）：改进模型的学习能力和泛化能力
12.1 NSL 基础
12.2 在深度学习模型中集成NSL
12.3 NSL 的训练过程
12.4 NSL 模型优化
12.5 NSL 实战
第13章 TensorFlow Serving：优化模型部署
13.1 TensorFlow Serving 基础
13.2 TensorFlow Serving 架构概述
13.3 构建TensorFlow Serving
13.4 TensorFlow Serving 实战
第14章 移动机器人智能物体识别系统（TensorFlow Lite+TensorFlow+Android+iOS）
14.1 背景介绍
14.2 物体识别
14.3 系统介绍
14.4 准备模型
14.5 基于Android 的机器人智能检测器
14.6 基于iOS 的机器人智能检测器
14.7 调试运行
书单推荐
