如何在30天内“吃掉”TensorFlow 2？🔥🔥

点击此处查看中文版

《10天吃掉那只pyspark》

• 🚀 GitHub项目地址: https://github.com/lyhue1991/eat_pyspark_in_10_days
• 🐳 和鲸专栏地址: https://www.heywhale.com/home/column/5fe6aa955e24ed00302304e0 【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.heywhale.com/home/column/5f2ac5d8af3980002cb1bc08 【代码可直接fork后云端运行，无需配置环境】

《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.heywhale.com/home/column/5d8ef3c3037db3002d3aa3a0 【代码可直接fork后云端运行，无需配置环境】

极速通道

• 🚀 公众号 “算法美食屋” 后台回复暗号："吃货来了"
• 😋 获取以上3套教程的jupyter notebook 源码文件以及全部数据集的百度云盘下载链接。
• https://mp.weixin.qq.com/s/ymLtH5BqlWAkpOmCLQOYxw

1. TensorFlow2 🍎 或 Pytorch🔥

结论先说：

对于工程师来说，优先选择TensorFlow2。

对于学生和研究人员而言，首选应该是Pytorch。

如果时间允许，最好同时掌握这两者。

原因如下：

• 1. 在工业界，模型实现是最重要的。目前，中国大多数互联网企业都只支持部署TensorFlow模型（而非Pytorch）。 此外，业界更倾向于高可用性的模型；在大多数情况下，他们会使用经过充分验证、调整需求最小化的成熟建模架构。
• 2. 对于研究人员来说，快速迭代开发和发表成果最为重要，因为他们需要测试大量新模型。与TensorFlow2相比，Pytorch在访问和调试方面更具优势。 自2019年以来，Pytorch在学术界被广泛使用，并产生了大量前沿研究成果。
• 3. 总体而言，如今TensorFlow2和Pytorch在编程上非常相似，因此掌握其中一个有助于学习另一个。同时掌握这两个框架可以让你接触到更多开源模型，并帮助你在两者之间灵活切换。

2. Keras🍏与tf.keras 🍎

结论先说：

Keras将在2.3.0版本后停止开发，因此请使用tf.keras。

Keras是一个用于深度学习框架的高级API。它可以帮助用户以更直观的方式定义和训练深度学习网络。

通过pip安装的Keras库实现了针对TensorFlow、Theano、CNTK等后端的高级API。

而tf.keras则是专为TensorFlow设计的高级API，基于TensorFlow的低级API构建。

tf.keras中的大多数函数与Keras中的函数相同（尽管Keras兼容多种后端），但tf.keras与TensorFlow的结合更为紧密，优于Keras。

由于已被Google收购，Keras将在2.3.0版本后不再更新，因此用户应从现在起使用tf.keras，而不是通过pip安装的Keras。

3. 阅读本书前你需要了解什么📖？

建议读者具备机器学习/深度学习的基础知识，并有使用Keras或TensorFlow 1.0进行建模的经验。

对于完全没有机器学习/深度学习经验的读者，强烈建议在阅读本书之前先参考《Python深度学习》（https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438/ref=sr_1_1?dchild=1&keywords=Deep+Learning+with+Python&qid=1586194568&sr=8-1）。

《Python深度学习》由Keras的发明者弗朗索瓦·乔莱特撰写。这本书基于Keras，对读者没有任何机器学习相关的先决条件。

《Python深度学习》通俗易懂，书中通过大量实例进行讲解。全书未涉及任何数学公式，而是着重培养读者对深度学习的直观理解。

4. 本书的写作风格🍉

这是一本极其友好的入门参考书。作者的最低目标是避免因困难而放弃，而最高目标则是“不让读者思考”。

本书主要基于TensorFlow的官方文档及其相关功能。

然而，作者对演示内容进行了彻底重构和大量优化。

与官方文档相比——后者内容杂乱无章，兼具教程与指南，缺乏系统逻辑——我们的书籍按照难度、读者的搜索习惯以及TensorFlow的架构重新设计了内容。现在，我们使TensorFlow的学习过程循序渐进、路径清晰，并且能够轻松找到相应的示例。

此外，相较于冗长的演示代码，本书作者尽量缩短示例长度，以便于阅读和实施。更重要的是，大多数代码单元都可以立即应用于你的项目中。

如果通过官方文档学习TensorFlow的难度为9分，那么通过本书学习则会降至3分。

这种难度差异可以用下图来展示：

5. 如何使用本书学习 ⏰

(1) 学习计划

作者利用业余时间编写了本书，尤其是在新冠疫情带来的两个月意外“假期”期间。大多数读者应该能够在30天内完全掌握所有内容。

每天所需时间在30分钟到2小时之间。

本书也可以作为库中的示例，在使用TensorFlow 2实施机器学习项目时进行查阅。

点击蓝色标题进入相应章节。

日期	内容	难度	预计时间	更新状态
	第1章：TensorFlow建模流程	⭐️	0小时	✅
第1天	1-1 示例：结构化数据的建模流程	⭐️⭐️⭐️	1小时	✅
第2天	1-2 示例：图像的建模流程	⭐️⭐️⭐️⭐️	2小时	✅
第3天	1-3 示例：文本的建模流程	⭐️⭐️⭐️⭐️⭐️	2小时	✅
第4天	1-4 示例：时间序列的建模流程	⭐️⭐️⭐️⭐️⭐️	2小时	✅
	第2章：TensorFlow关键概念	⭐️	0小时	✅
第5天	2-1 张量的数据结构	⭐️⭐️⭐️⭐️	1小时	✅
第6天	2-2 图的三种类型	⭐️⭐️⭐️⭐️⭐️	2小时	✅
第7天	2-3 自动微分	⭐️⭐️⭐️	1小时	✅
	第3章：TensorFlow的层次结构	⭐️	0小时	✅
第8天	3-1 低阶API：演示	⭐️⭐️⭐️⭐️	1小时	✅
第9天	3-2 中阶API：演示	⭐️⭐️⭐️	1小时	✅
第10天	3-3 高阶API：演示	⭐️⭐️⭐️	1小时	✅
	第4章：TensorFlow中的低阶API	⭐️	0小时	✅
第11天	4-1 张量的结构操作	⭐️⭐️⭐️⭐️⭐️	2小时	✅
第12天	4-2 张量的数学运算	⭐️⭐️⭐️⭐️	1小时	✅
第13天	4-3 AutoGraph的使用规则	⭐️⭐️⭐️	0.5小时	✅
第14天	4-4 AutoGraph的机制	⭐️⭐️⭐️⭐️⭐️	2小时	✅
第15天	4-5 AutoGraph与tf.Module	⭐️⭐️⭐️⭐️	1小时	✅
	第5章：TensorFlow中的中阶API	⭐️	0小时	✅
第16天	5-1 数据集	⭐️⭐️⭐️⭐️⭐️	2小时	✅
第17天	5-2 feature_column	⭐️⭐️⭐️⭐️	1小时	✅
第18天	5-3 activation	⭐️⭐️⭐️	0.5小时	✅
第19天	5-4 layers	⭐️⭐️⭐️	1小时	✅
第20天	5-5 losses	⭐️⭐️⭐️	1小时	✅
第21天	5-6 metrics	⭐️⭐️⭐️	1小时	✅
第22天	5-7 optimizers	⭐️⭐️⭐️	0.5小时	✅
第23天	5-8 callbacks	⭐️⭐️⭐️⭐️	1小时	✅
	第6章：TensorFlow中的高阶API	⭐️	0小时	✅
第24天	6-1 三种建模方式	⭐️⭐️⭐️	1小时	✅
第25天	6-2 三种训练方式	⭐️⭐️⭐️⭐️	1小时	✅
第26天	6-3 使用单个GPU进行模型训练	⭐️⭐️	0.5小时	✅
第27天	6-4 使用多个GPU进行模型训练	⭐️⭐️	0.5小时	✅
第28天	6-5 使用TPU进行模型训练	⭐️⭐️	0.5小时	✅
第29天	6-6 使用tensorflow-serving部署模型	⭐️⭐️⭐️⭐️	1小时	✅
第30天	6-7 使用spark-scala调用TensorFlow模型	⭐️⭐️⭐️⭐️⭐️	2小时	✅
	尾声：一位吃货与美食的故事	⭐️	0小时	✅

(2) 学习所需的软件环境

所有源代码均在Jupyter中测试。建议将仓库克隆到本地，并在Jupyter中运行，以获得更佳的交互式学习体验。

作者建议安装jupytext插件，它可以将Markdown文件转换为ipynb格式，这样读者可以直接在Jupyter中打开Markdown文件。

#对于中国大陆的读者，使用gitee可以更快地完成克隆
#!git clone https://gitee.com/Python_Ai_Road/eat_tensorflow2_in_30_days

#建议安装jupytext插件，以便将Markdown文件转换为ipynb并直接运行。
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext
    
#同时建议安装最新版本的TensorFlow，以测试书中的示例代码
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  -U tensorflow

import tensorflow as tf

#注意：所有代码均在TensorFlow 2.1环境下测试
tf.print("tensorflow版本:",tf.__version__)

a = tf.constant("hello")
b = tf.constant("tensorflow2")
c = tf.strings.join([a,b]," ")
tf.print(c)

tensorflow版本: 2.1.0
hello tensorflow2

6. 联系并支持作者 🎈🎈

如果您觉得本书对您有帮助，并希望支持作者，请给本仓库点个赞⭐️，别忘了分享给您的朋友😊

如果您想就本书内容与作者交流，请在微信公众号“算法美食屋”留言。由于时间有限，作者会尽力回复。

30天吃掉那只 TensorFlow2

📚 gitbook电子书地址： https://lyhue1991.github.io/eat_tensorflow2_in_30_days

🚀 github项目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days

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

极速通道

• 🚀 公众号 “算法美食屋” 后台回复暗号："吃货来了"
• 😋 获取教程的jupyter notebook 源码文件以及全部数据集的百度云盘下载链接。
• https://mp.weixin.qq.com/s/ymLtH5BqlWAkpOmCLQOYxw

一、TensorFlow 2 🍎 还是 PyTorch 🔥

先说结论：

如果是工程师，应该优先选择 TensorFlow 2。

如果是学生或研究人员，应该优先选择 PyTorch。

如果时间允许，最好同时学习并掌握 TensorFlow 2 和 PyTorch。

理由如下：

• 1. 在工业界，最重要的是模型的落地部署。目前国内大多数互联网企业仅支持 TensorFlow 模型的在线部署，而不支持 PyTorch。 此外，工业界更注重模型的高可用性，通常使用成熟的模型架构，调试需求相对较小。
• 2. 对于研究人员而言，快速迭代并发表论文是关键，因此需要尝试一些较新的模型架构。PyTorch 在易用性上相比 TensorFlow 2 具有一定的优势，调试起来更加方便。 自 2019 年以来，PyTorch 在学术界占据了主导地位，能够找到的相关最新研究成果也更多。
• 3. TensorFlow 2 和 PyTorch 的整体风格已经非常接近，掌握了其中一个框架后，学习另一个会相对容易。同时掌握两种框架，可以参考的开源模型案例会更多，并且能够在两种框架之间灵活切换。

二、Keras 🍏 与 tf.keras 🍎

先说结论：

Keras 库在 2.3.0 版本之后将不再更新，用户应改用 tf.keras。

Keras 可以被视为一种深度学习框架的高级接口规范，它帮助用户以更简洁的方式定义和训练深度学习网络。

通过 pip 安装的 Keras 库基于 TensorFlow、Theano、CNTK 等后端实现了这一高级接口规范。

而 tf.keras 是在 TensorFlow 中基于其低阶 API 实现的高级接口，它是 TensorFlow 的一个子模块。

tf.keras 的绝大部分功能与兼容多种后端的 Keras 库用法完全一致，但并非全部。tf.keras 与 TensorFlow 的结合更为紧密。

随着 Google 收购 Keras，Keras 库在 2.3.0 版本之后将不再进行更新，用户应当使用 tf.keras，而不是通过 pip 安装的 Keras。

三、本书📖面向读者 👼

本书假定读者具备一定的机器学习和深度学习基础，并且曾经使用 Keras、TensorFlow 1.0 或 PyTorch 构建和训练过模型。

对于没有任何机器学习和深度学习基础的同学，建议在学习本书的同时参考《Python 深度学习》一书。

《Python 深度学习》是由 Keras 之父 François Chollet 所著，该书假定读者没有任何机器学习知识，以 Keras 为工具，

通过丰富的实例展示了深度学习的最佳实践。全书通俗易懂，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好的 TensorFlow 2.0 入门工具书。不刻意让读者感到困惑是本书的最低要求，而“让我无需思考”则是本书的最高追求。

本书主要参考了 TensorFlow 官方文档及函数文档编写而成，但在篇章结构和示例选取上做了大量优化。

与官方文档混乱的篇章结构不同——既有教程又有指南，缺乏整体的编排逻辑——本书按照内容难易程度、读者检索习惯以及 TensorFlow 自身的层次结构设计内容，循序渐进、层次清晰，便于按功能查找相应示例。

此外，与官方文档冗长的示例代码相比，本书在示例设计上尽可能简约化和结构化，增强了示例的易读性和通用性，大部分代码片段在实际应用中可以直接拿来使用。

如果说通过学习 TensorFlow 官方文档掌握 TensorFlow 2.0 的难度约为 9 分，那么通过学习本书掌握 TensorFlow 2.0 的难度大约为 3 分。

下图对比了 TensorFlow 官方教程与本书的差异。

五、本书学习方案 ⏰

1. 学习计划

本书由作者利用工作之余和疫情期间的假期历时约 2 个月完成，大多数读者应在 30 天内完全掌握。

预计每天的学习时间为 30 分钟至 2 小时。

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

2. 学习环境

本书的所有源码均在 Jupyter 中编写并测试通过，建议通过 Git 克隆到本地，并在 Jupyter 中交互式运行学习。

为了能够在 Jupyter 中直接打开 Markdown 文件，建议安装 Jupytext，将 Markdown 转换为 IPYNB 文件。

此外，本项目还与和鲸社区达成了合作，用户可以在和鲸专栏 Fork 本项目，并直接在云笔记本上运行代码，从而避免繁琐的环境配置。

🐳 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、鼓励与联系作者 🎈🎈

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 star⭐️，并分享给你的朋友们喔😊！

如果对本书内容的理解有任何疑问，欢迎在公众号“算法美食屋”留言。由于作者时间和精力有限，可能会酌情回复。

也可以在公众号后台回复关键词：加群，加入读者交流群与其他读者讨论。

eat_tensorflow2_in_30_days 快速上手指南

本指南基于开源项目《30 天吃掉那只 TensorFlow2》，旨在帮助开发者快速搭建环境并掌握 TensorFlow 2 的核心用法。

1. 环境准备

• 操作系统：Windows / macOS / Linux
• 前置依赖：
  • Python 3.6+
  • Jupyter Notebook / JupyterLab（推荐，支持交互式学习）
  • Git（用于克隆项目代码）
• 建议工具：安装 jupytext，以便直接在 Jupyter 中打开和运行项目中的 Markdown 教程文件。

2. 安装步骤

2.1 获取项目代码

国内用户推荐使用 Gitee 镜像加速克隆：

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

或者从 GitHub 克隆：

git clone https://github.com/lyhue1991/eat_tensorflow2_in_30_days

2.2 安装依赖库

进入项目目录，使用国内镜像源（如清华源）安装必要工具及最新版的 TensorFlow：

# 安装 jupytext，用于将 markdown 转换为 notebook 运行
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext

# 安装或升级 TensorFlow (本项目代码基于 TF 2.1+ 测试)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U tensorflow

2.3 启动学习环境

进入项目目录并启动 Jupyter：

cd eat_tensorflow2_in_30_days
jupyter notebook

注：安装 jupytext 后，可直接在 Jupyter 界面中打开 .md 格式的教程章节进行交互式运行。

3. 基本使用

以下是最基础的 TensorFlow 2 代码示例，用于验证环境是否安装成功并体验核心功能：

import tensorflow as tf

# 打印版本号验证安装 (项目测试版本为 2.1.0，建议使用最新版)
tf.print("tensorflow version:", tf.__version__)

# 创建常量张量
a = tf.constant("hello")
b = tf.constant("tensorflow2")

# 字符串拼接操作
c = tf.strings.join([a, b], " ")

# 输出结果
tf.print(c)

预期输出：

tensorflow version: 2.x.x
hello tensorflow2

4. 学习路径建议

本项目采用"30 天”渐进式学习法，每日内容安排如下：

• 第 1-4 天：建模流程实战（结构化数据、图像、文本、时间序列）。
• 第 5-7 天：核心概念（张量数据结构、三种图模式、自动微分）。
• 第 8-10 天：API 层级概览（低阶、中阶、高阶 API 演示）。
• 第 11-15 天：深入低阶 API（张量运算、AutoGraph 机制与规则）。
• 第 16-23 天：掌握中阶 API（Dataset、feature_column、Layers、Losses、Metrics 等）。
• 第 24-30 天：精通高阶 API（三种建模方式、多 GPU/TPU 训练、模型部署与调用）。

提示：对于零基础用户，建议配合书籍《Deep Learning with Python》（Keras 作者撰写）同步学习，以建立直观的深度学习思维。