TensorFlow 2.0 中国語オープンソースブックプロジェクト: 1 日あたり 700 件の「いいね!」を獲得、GitHub のホットリストに

TensorFlow2.0の正式版がリリースされてからしばらく経ちますが、それに関連する体系的なチュートリアルが十分にありません。 GitHub のトレンドリストに載っているこのプロジェクトは、今日 700 件を超えるいいねを獲得しました。内容はシンプルでわかりやすく、初心者や tf2.0 に移行する開発者に適しています。

ディープラーニングにおいて避けられないのは、アルゴリズムフレームワークの実用化です。洗練されたエンジニアリング実践スキルがなければ、多くの優れたアルゴリズム設計を実際に使用することはできません。 TensorFlow2.0の正式版がリリースされてからしばらく経ちますが、過去にTensorFlow1.xを使用していた開発者は、2つのバージョン間のギャップが大きすぎて、既存の経験を移行できないのではないかと懸念しています。ディープラーニングを初めて使用する人は、TensorFlowの使いにくいAPIと設計ロジックに落胆しています。

最近、このような中国のオープンソースプロジェクトが GitHub のデイリートレンドリストに登場しました。これは TensorFlow2.0 フレームワークに基づいており、サポート書籍、コード、ビデオコースがあります。tf2.0 について学習したい開発者に最適です。

このプロジェクトはこれまでに 1,000 件を超える「いいね！」を獲得しており、GitHub のホットリストに掲載されています。今日だけでも、このプロジェクトは 700 件を超える「いいね！」を獲得しています。

プロジェクトアドレス: https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book

このプロジェクトの著者は、シンガポール国立大学の元研究助手であるジャッキー・ルーンです。彼は人工知能アルゴリズムの分野で 8 年間の経験があり、AAAI カンファレンスで多数の論文を発表しています。 GitHub ホームページから判断すると、この開発者は多くのディープラーニング関連のチュートリアルプロジェクトに関わっています。

このプロジェクトは、「TensorFlow 2.0 ディープラーニングオープンソースブック」の電子版を提供し、章ごとに各フォルダーにソースコードを提供します。本をダウンロードして、内容とソースコードに従って勉強するだけです。

章分けで言うと、この本は15章に分かれています。本書では、まず人工知能の発展の歴史を紹介し、第 2 章から回帰を紹介し、続いて分類、TensorFlow の基礎と高度な操作、ニューラルネットワークなどの知識を紹介します。第 10 章以降では、CNN、RNN/LSTM、オートエンコーダー、GAN とそのバリエーションを含む複数のアーキテクチャも紹介され、内容も充実しています。

章のディレクトリは次のとおりです。

コード部分については、第4章を除いてほとんどのコードを著者が整理しており、整理作業は現在も進行中です。

オートエンコーダのコードを例にとり、著者は py ファイルにネットワークアーキテクチャを詳細に記述しました。

クラスAE(keras.Model): 
  
    __init__(self)を定義します。
スーパー(AE, 自己).__init__() 
  
        # エンコーダー
        self.encoder = シーケンシャル([
            レイヤー.Dense( 256 、アクティベーション=tf.nn.relu)、
            レイヤー.Dense( 128 、アクティベーション=tf.nn.relu)、
            レイヤー.Dense(h_dim)
        ]) 
  
        # デコーダー
        self.decoder = シーケンシャル([
            レイヤー.Dense( 128 、アクティベーション=tf.nn.relu)、
            レイヤー.Dense( 256 、アクティベーション=tf.nn.relu)、
            レイヤー.Dense( 784 )
        ]) 
  
  
    def call(self, inputs, training=None):
        # [b, 784 ] => [b, 10 ]
        h = self.encoder(入力)
        # [b, 10 ] => [b, 784 ]
        x_hat = 自己デコーダー(h) 
  
 x_hatを返す

また、各 py ファイルにはサンプルコード以外のものも含まれています。コードの観点から見ると、これらの py ファイルは実際に直接実行できます。以下は、オートエンコーダーファイルでモデルトレーニングを実行するためのコードです。

モデル = AE()
モデル構築(input_shape=(なし、 784 ))
モデル.要約() 
 
オプティマイザ = tf.optimizers.Adam(lr=lr) 
 
エポックが範囲( 100 )の場合: 
 
 enumerate(train_db) のステップ xについて: 
 
        #[b, 28 , 28 ] => [b, 784 ]
        x = tf.reshape(x, [- 1 , 784 ]) 
 
        tf.GradientTape() をテープとして使用:
            x_rec_logits = モデル(x) 
 
            rec_loss = tf.losses.binary_crossentropy(x, x_rec_logits, from_logits=True)
            rec_loss = tf.reduce_mean(rec_loss) 
 
        grads = テープ.gradient(rec_loss, model.trainable_variables)
        最適化ツール.apply_gradients(zip(grads, model.trainable_variables)) 
 
 
ステップ % 100 == 0の場合:
            print(エポック、ステップ、 float (rec_loss))