TensorFlow 2深度学习开源书(龙书)

基于TensorFlow 2正式版！！！ 理论与实战结合，非常适合入门学习！！！

• 纸质书购买链接：京东
• 纸质书购买链接：淘宝

本仓库包含pdf电子书、配套源代码、配套课件等。部分代码已替换为Ipython Notebook形式，感谢这位童鞋的整理。

开源电子版pdf还可以从百度网盘下载 提取码：juqs 感谢云城不及粒火童鞋提供的书签版pdf。

• 本书的繁体版已经出版，已授权在中国台湾地区上市发行

• 本书被“机器之心”，“量子位”等权威媒体报道！

• 本库在Github趋势日榜单连续多天全球排名第一！

• 提交错误或者修改等反馈意见，请在Github Issues页面提交

• 联系邮箱(一般问题建议Github issues交流)：liangqu.long AT gmail.com

• 高校老师索取PPT原素材等教案，请邮箱联系，并详注院校课程等信息，一般3天内发送邮件回复

• 使用本书本的任何内容时(仅限非商业用途)，请注明作者和Github链接

合作院校

以下高校已采用本书作为专业教材或参考资料(排名不分先后)，欢迎更多高校加入！发送邮件即可索取PPT原始教案。

电子科技大学	西北工业大学	北京交通大学	厦门大学	重庆邮电大学
东南大学	** **	** **	** **
湖南信息学院	中山大学新华学院	东莞理工大学	北京科技职业学院
郑州轻工业大学	金华职业技术学院	高雄市立新莊高級中學	安徽财经大学
长沙民政职业技术学院	兰州交通大学	** **	** **

“龙书”生态系统

• 纸质书/实体书

• 介绍短片

• English Version

• TensorFlow视频课程

• PyTorch深度学习开源书

• 更多TensorFlow 2实战案例在这里

简要目录

配套视频课程

适合零基础、希望快速入门AI的朋友，提供答疑、指导等全方位服务。

• 深度学习与TensorFlow入门实战 https://study.163.com/course/courseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=9e74eb6f891d47cfaa6f00b5cb5f617c
• 深度学习与PyTorch入门实战 https://study.163.com/course/courseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=8d1b10e04bd34d69855bb71da65b0549

Deep-Learning-with-TensorFlow-book 快速上手指南

本指南基于《TensorFlow 2 深度学习开源书》（龙书），旨在帮助开发者快速搭建环境并运行配套代码。本书基于 TensorFlow 2 正式版，强调理论与实战结合。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows 10/11, macOS, 或 Linux (推荐 Ubuntu 18.04+)
• Python 版本：Python 3.6 - 3.9 (推荐 Python 3.8)
• 前置依赖：
  • pip (Python 包管理工具)
  • git (用于克隆代码仓库)
  • 显卡驱动 (若需使用 GPU 加速，请确保已安装 NVIDIA 驱动及 CUDA/cuDNN，TensorFlow 2.x 通常自带兼容版本，但建议检查兼容性列表)

提示：国内用户建议在配置 pip 时使用清华源或阿里源以加速下载。 临时使用命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 获取源代码

首先，从 GitHub 克隆本项目仓库到本地：

git clone https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book.git
cd Deep-Learning-with-TensorFlow-book

2. 安装核心依赖

本书主要依赖 TensorFlow 2.x。建议使用虚拟环境（如 venv 或 conda）以避免污染系统环境。

创建并激活虚拟环境 (可选但推荐):

python -m venv tf_env
# Windows
tf_env\Scripts\activate
# macOS/Linux
source tf_env/bin/activate

安装 TensorFlow 及相关库: 使用国内镜像源安装 TensorFlow 2.x 正式版及其他常用数据处理库：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.10.0
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib numpy pandas scikit-learn jupyter

注意：具体 TensorFlow 版本可根据书中章节要求调整，上述命令安装的是较为稳定的 2.10.0 版本。若需 GPU 支持且环境复杂，可参考官方文档安装 tensorflow-gpu（TF 2.x 后通常包含在 tensorflow 包中）。

3. 验证安装

打开 Python 交互界面，输入以下代码验证是否安装成功：

import tensorflow as tf
print(tf.__version__)
print("GPU Available: ", tf.config.list_physical_devices('GPU'))

基本使用

本书代码主要以 Jupyter Notebook (.ipynb) 形式提供，部分为 Python 脚本。以下是运行第一个示例的步骤：

1. 启动 Jupyter Notebook

在项目根目录下启动服务：

jupyter notebook

浏览器将自动打开 Jupyter 界面，显示项目文件列表。

2. 运行示例代码

进入对应的章节文件夹（例如 ch03），打开任意一个 .ipynb 文件（如 mlp_mnist.ipynb）。

最简单的测试示例（新建一个 Notebook 单元格运行）：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasets

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建简单模型
model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=1)

# 评估模型
test_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)
print(f'\nTest accuracy: {test_acc}')

3. 查阅电子书与课件

• 电子书：可在仓库中查找 PDF 文件，或通过提供的百度网盘链接下载带书签的版本。
• 课件 PPT：高校教师可通过邮件联系作者索取原始教案素材。
• 视频教程：配合网易云课堂的《深度学习与 TensorFlow 入门实战》视频课程学习效果更佳。

---

注：使用本书内容进行非商业用途时，请注明作者及 Github 链接。如遇代码错误，欢迎在 Github Issues 页面提交反馈。