From 46741d1f2ffedd7e60f52ee57771180efa9445c9 Mon Sep 17 00:00:00 2001 From: wizardforcel <562826179@qq.com> Date: Sun, 20 Dec 2020 00:06:22 +0800 Subject: [PATCH] 2020-12-20 00:06:22 --- new/intel-proj-py/07.md | 8 ++++---- new/intel-proj-py/08.md | 24 +++++++++++------------- new/intel-proj-py/09.md | 6 ++---- new/intel-proj-py/10.md | 10 ++++------ new/master-pred-anal-sklearn-tf/0.md | 6 +++--- new/master-pred-anal-sklearn-tf/1.md | 4 ++-- new/whats-new-tf2/0.md | 4 ++-- new/whats-new-tf2/1.md | 28 ++++++++++++++-------------- 8 files changed, 42 insertions(+), 48 deletions(-) diff --git a/new/intel-proj-py/07.md b/new/intel-proj-py/07.md index 09fb656a..09c11b81 100644 --- a/new/intel-proj-py/07.md +++ b/new/intel-proj-py/07.md @@ -61,7 +61,7 @@ 我们将构建一个 Android 应用，该应用将基于电影评论的情感分析，将电影评论作为输入，并提供从`0`到`5`的等级作为输出。 首先将训练递归神经网络的 LSTM 版本，以对电影的情感进行二进制分类。 训练数据将由基于文本的电影评论以及`0`或`1`的二进制标签组成。 标签`1`代表评论带有正面情绪，而`0`则代表电影带有负面情绪。 从模型中，我们将预测情绪为正的可能性，然后将可能性放大五倍，以将其转换为合理的等级。 将使用 TensorFlow 构建模型，然后将训练后的模型转换为优化的冻结 protobuf 对象，以与 Android 应用程序逻辑集成。 冻结对象的大小将比原始训练模型小得多，并且仅用于推理目的。 -我们将使用以下论文中标题为 [http://ai.stanford.edu/~amaas/data/sentiment/](http://ai.stanford.edu/~amaas/data/sentiment/) 的可用数据集*学习单词向量进行情感分析*： +我们将使用以下论文中标题为[《学习单词向量进行情感分析》](http://ai.stanford.edu/~amaas/data/sentiment/)的可用数据集： ```py @InProceedings{maas-EtAl:2011:ACL-HLT2011, @@ -738,7 +738,7 @@ org.tensorflow:tensorflow-android:1.7.0 # 测试移动应用 -我们将使用以下两部电影的评论测试该移动应用程序： *Avatar* 和 *Interstellar* 。 *头像*电影评论来自 [https://www.rogerebert.com/reviews/avatar-2009](https://www.rogerebert.com/reviews/avatar-2009) ，其内容如下： +我们将使用以下两部电影的评论测试该移动应用程序： 《阿凡达》和《星际穿越》。 《阿凡达》电影评论来自[这里](https://www.rogerebert.com/reviews/avatar-2009)，其内容如下： *“看着《阿凡达》，我感觉与 1977 年看到《星球大战》时的感觉差不多。那是另一部我充满不确定性的电影。詹姆斯·卡梅隆的电影一直是毫无疑问的超前嗡嗡声的主题，就像他的《泰坦尼克号》一样 再次，他只是通过制作一部非凡的电影而使怀疑者们保持沉默，好莱坞仍然至少有一个人知道如何花费 2.5 亿美元，或者明智地花费 3 亿美元。* @@ -750,7 +750,7 @@ org.tensorflow:tensorflow-android:1.7.0 图 7.4。 电影 Avatar 的移动应用评论评分 -同样，我们将评估应用为电影*星际穿越*提供的评分，并从 [https://www.rottentomatoes.com/m/interstellar_2014/](https://www.rottentomatoes.com/m/interstellar_2014/) 中获取评论。 ***，*** 的评论如下： +同样，我们将评估应用为电影《星际穿越》提供的评分，并从[这里](https://www.rottentomatoes.com/m/interstellar_2014/)获取评论。 评论如下： *“星际大片代表了导演兼导演克里斯托弗·诺兰（Christopher Nolan）所期待的更多激动人心，发人深省，视觉上灿烂的电影制作人，即使其知识渊博超出了人们的理解范围。”* @@ -764,6 +764,6 @@ org.tensorflow:tensorflow-android:1.7.0 # 概要 -完成本章后，读者应该对如何使用 TensorFlow 的移动功能在 Android 应用程序中部署深度学习模型有一个清晰的认识。 本章所涉及的技术和实现细节将对读者有所帮助，帮助他们构建智能 Android 移动应用程序并以有趣的方式扩展它们。 该项目的详细代码位于 [https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/Chapter07](https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/Chapter07) *。* +完成本章后，读者应该对如何使用 TensorFlow 的移动功能在 Android 应用程序中部署深度学习模型有一个清晰的认识。 本章所涉及的技术和实现细节将对读者有所帮助，帮助他们构建智能 Android 移动应用程序并以有趣的方式扩展它们。 该项目的详细代码位于[这里](https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/Chapter07)。 在下一章中，我们将构建一个用于客户服务的对话式 AI 聊天机器人。 我们非常期待你的参与。 \ No newline at end of file diff --git a/new/intel-proj-py/08.md b/new/intel-proj-py/08.md index b22c7c0a..eaaec5b9 100644 --- a/new/intel-proj-py/08.md +++ b/new/intel-proj-py/08.md @@ -8,7 +8,7 @@ * **耐心**：虽然客户服务代表在与客户打交道时可能会失去耐心，但这对于聊天机器人来说是不可能的。 * **查询记录**：与人类客户服务代表相比，聊天机器人在查询记录方面效率更高。 -聊天机器人不是最近才出现的东西，其起源可以追溯到 1950 年代。 在第二次世界大战之后，艾伦·图灵（Alan Turing）开发了**图灵测试**，以查看人是否可以将人与机器区分开。 多年后的 1966 年，约瑟夫·魏曾鲍姆（Joseph Weizenbaum）开发了一些名为 *Eliza* 的软件，该软件模仿了心理治疗师的语言。 该工具仍可以位于 [http://psych.fullerton.edu/mbirnbaum/psych101/Eliza.htm](http://psych.fullerton.edu/mbirnbaum/psych101/Eliza.htm) 中。 +聊天机器人不是最近才出现的东西，其起源可以追溯到 1950 年代。 在第二次世界大战之后，艾伦·图灵（Alan Turing）开发了**图灵测试**，以查看人是否可以将人与机器区分开。 多年后的 1966 年，约瑟夫·魏曾鲍姆（Joseph Weizenbaum）开发了一些名为 *Eliza* 的软件，该软件模仿了心理治疗师的语言。 该工具仍位于[这个页面](http://psych.fullerton.edu/mbirnbaum/psych101/Eliza.htm)中。 聊天机器人可以执行各种各样的任务，下面的列表中显示了其中的一些任务，以强调其多功能性： @@ -34,11 +34,9 @@ 您将需要具备 Python 3，TensorFlow 和 Keras 的基础知识 -可以在 GitHub 上找到本章的代码文件： -[https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter08](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter08) +[可以在 GitHub 上找到本章的代码文件](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter08) -观看以下视频，查看运行中的代码： -[http://bit.ly/2G9AyoB](http://bit.ly/2G9AyoB) +[观看以下视频，查看运行中的代码](http://bit.ly/2G9AyoB) # 聊天机器人架构 @@ -79,7 +77,7 @@ # Twitter 上的客户支持 -现在，我们对如何使用循环神经网络构建聊天机器人有了一些想法，我们将使用 20 个大品牌对客户发布的推文的客户服务响应来构建聊天机器人。 数据集`twcs.zip`可以位于 [https://www.kaggle.com/thoughtvector/customer-support-on-twitter](https://www.kaggle.com/thoughtvector/customer-support-on-twitter) ***中。*** 每个推文均由`tweet_id`标识，并且推文内容位于`text`字段中。 客户发布的推文可以通过`in_response_to_tweet_id`字段进行标识。 这应该包含客户推文的空值。 对于客户服务推文，此`in_response_to_tweet_id` 字段应指向此推文所针对的客户`tweet_id`。 +现在，我们对如何使用循环神经网络构建聊天机器人有了一些想法，我们将使用 20 个大品牌对客户发布的推文的客户服务响应来构建聊天机器人。 数据集`twcs.zip`位于[这个页面](https://www.kaggle.com/thoughtvector/customer-support-on-twitter)中。每个推文均由`tweet_id`标识，并且推文内容位于`text`字段中。 客户发布的推文可以通过`in_response_to_tweet_id`字段进行标识。 这应该包含客户推文的空值。 对于客户服务推文，此`in_response_to_tweet_id` 字段应指向此推文所针对的客户`tweet_id`。 # 创建用于训练聊天机器人的数据 @@ -401,20 +399,20 @@ python chatbot.py --max_vocab_size 50000 --max_seq_len 30 --embedding_dim 100 -- 推断结果如下表所示： | **在**中发布​​的推文 | **发布** | -| `@sprintcare`是最糟糕的客户服务。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台查看`/` dn [https://t.co/ldfdzrinat](https://t.co/ldfdzrinat) 。 | +| `@sprintcare`是最糟糕的客户服务。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台查看`/` 。 | | `@__cname__`都是您*出色的*连接的谎言。 5 巴 LTE，仍然无法加载任何内容。 嗯 | `@__cname__`对此致歉。 请使用您的电子邮件地址向我们发送 dm，以便我们进行连接。 | -| `@__cname__`每当我与客户支持部门联系时，他们都会告诉我我已在我的帐户中启用了简码，但是在我尝试使用 [https://t.co/0G98RtNxPK](https://t.co/0G98RtNxPK) 的 4 年中，我从未这样做。 | `@__cname__`嗨，很抱歉听到这个消息。 请向我们发送包含您的电子邮件地址和电话号码的 dm，以便我们对此进行调查。 | -| 实际上，这是您发送给我的链接断开，信息不正确 [https://t.co/V4yfrHR8VI](https://t.co/V4yfrHR8VI) 。 | `@__cname__`您好，很抱歉听到这个消息。 请给我们您的联系信息，我们将竭诚为您服务。 ^ kk | +| `@__cname__`每当我与客户支持部门联系时，他们都会告诉我我已在我的帐户中启用了简码，但是在我尝试使用 的 4 年中，我从未这样做。 | `@__cname__`嗨，很抱歉听到这个消息。 请向我们发送包含您的电子邮件地址和电话号码的 dm，以便我们对此进行调查。 | +| 实际上，这是您发送给我的链接断开，信息不正确 。 | `@__cname__`您好，很抱歉听到这个消息。 请给我们您的联系信息，我们将竭诚为您服务。 ^ kk | | `@Ask_Spectrum`，您的客户服务代表非常好，但如果你们都不能使我的服务继续下去，那就给我起个绊脚石！ | `@__cname__`对此致歉。 请使用您的电子邮件地址向我们发送 dm，以便我们进行连接。 | -| 我每天在`@Ask_Spectrum`上的照片。 为什么我应该每月支付 171 美元？ [https://t.co/U6ptkQa5Ik](https://t.co/U6ptkQa5Ik) 。 | `@__cname__`您好，很抱歉听到这个消息。 请给我们您的联系信息，我们将竭诚为您服务。 ^ kk | +| 我每天在`@Ask_Spectrum`上的照片。 为什么我应该每月支付 171 美元？ 。 | `@__cname__`您好，很抱歉听到这个消息。 请给我们您的联系信息，我们将竭诚为您服务。 ^ kk | | 来自`@VerizonSupport`的人请帮助我��������我在您的客户服务中倒霉。 | `@__cname__`对此致歉。 请给我们您的联系信息和电话号码，以便我们提供帮助。 | -| `@VerizonSupport`我的朋友没有网络，我们需要一起玩视频游戏，请每隔一段时间，我们的技能就会减少，而无需网络。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台`/` dn [https://t.co/ldfdzrinat](https://t.co/ldfdzrinat) | +| `@VerizonSupport`我的朋友没有网络，我们需要一起玩视频游戏，请每隔一段时间，我们的技能就会减少，而无需网络。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台`/` | | `@__cname__`试图付款 60 天。 没有服务，不礼貌的 CS 和多次转让。 查找我的设备＃并给我一个帐户＃！ | `@__cname__`您好，很抱歉听到这个消息。 请给我们您的联系信息，我们将竭诚为您服务。 ^ kk | -| `@__cname__`是我有过的最糟糕的 ISP。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台查看`/` dn [https://t.co/ldfdzrinat](https://t.co/ldfdzrinat) | +| `@__cname__`是我有过的最糟糕的 ISP。 | `@__cname__`嘿！ 您可以向我们发送您帐户的电子邮件地址吗？ 我们将在后台查看`/` | | `@__cname__`修复您的应用程序甚至无法打开的情况。 | `@__cname__`嗨！ 我们没有关于此问题的任何信息。 请向我们发送 dm，其中包含您的姓名和电话号码以及完整的服务地址。 | # 概要 -现在，我们到本章的结尾。 看完本章中说明的与聊天机器人和序列到序列模型相关的各种概念之后，读者现在应该能够构建自己的聊天机器人实现并以有趣的方式对其进行扩展。 众所周知，序列到序列模型不仅适用于聊天机器人，还适用于整个自然语言处理领域，例如机器翻译。 本章的代码可以位于 GitHub 位置 [https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/tree/master/Chapter08](https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/tree/master/Chapter08) 。 +现在，我们到本章的结尾。 看完本章中说明的与聊天机器人和序列到序列模型相关的各种概念之后，读者现在应该能够构建自己的聊天机器人实现并以有趣的方式对其进行扩展。 众所周知，序列到序列模型不仅适用于聊天机器人，还适用于整个自然语言处理领域，例如机器翻译。 本章的代码位于 [GitHub](https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects/tree/master/Chapter08)。 在下一章中，我们将使用强化学习来使赛车学习如何独立驾驶。 我们非常期待你的参与。 \ No newline at end of file diff --git a/new/intel-proj-py/09.md b/new/intel-proj-py/09.md index 83a741eb..7729f224 100644 --- a/new/intel-proj-py/09.md +++ b/new/intel-proj-py/09.md @@ -12,11 +12,9 @@ 您将需要具备 Python 3，TensorFlow，Keras 和 OpenCV 的基础知识。 -可以在 GitHub 上找到本章的代码文件： -[https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter09](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter09) +[可以在 GitHub 上找到本章的代码文件](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter09) -观看以下视频，查看运行中的代码： -[http://bit.ly/2WxfwpF](http://bit.ly/2WxfwpF) +[观看以下视频，查看运行中的代码](http://bit.ly/2WxfwpF) # 马尔可夫决策过程 diff --git a/new/intel-proj-py/10.md b/new/intel-proj-py/10.md index 29c6f47f..06904c94 100644 --- a/new/intel-proj-py/10.md +++ b/new/intel-proj-py/10.md @@ -20,11 +20,9 @@ 您将需要具备 Python 3，TensorFlow，Keras 和 OpenCV 的基础知识。 -可以在 GitHub 上找到本章的代码文件： -[https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10) +[可以在 GitHub 上找到本章的代码文件](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10) -观看以下视频，查看运行中的代码： -[http://bit.ly/2SgwR6P](http://bit.ly/2SgwR6P) +[观看以下视频，查看运行中的代码](http://bit.ly/2SgwR6P) # 通过深度学习打破验证码 @@ -388,7 +386,7 @@ Evaluation file written at: /home/santanu/ML_DS_Catalog-/captcha/evaluation.csv 在本节中，我们将通过生成的对抗网络来创建验证码。 我们将生成类似于**街景门牌号码**数据集（ **SVHN** 数据集）中的图像。 想法是将这些 GAN 生成的图像用作验证码。 仅当我们训练 GAN 时，它们才容易从噪声分布中采样。 这将减轻通过更复杂的方法创建验证码的需要。 它也将为验证码中使用的 SVHN 街道号提供一些变化。 -SVHN 是一个现实世界的数据集，由于它在对象识别算法中的使用而在机器学习和深度学习领域中非常受欢迎。 顾名思义，该数据集包含从 Google Street View Images 获得的门牌号码的真实图像。 可以从以下链接下载数据集： [http://ufldl.stanford.edu/housenumbers/](http://ufldl.stanford.edu/housenumbers/)。 +SVHN 是一个现实世界的数据集，由于它在对象识别算法中的使用而在机器学习和深度学习领域中非常受欢迎。 顾名思义，该数据集包含从 Google Street View Images 获得的门牌号码的真实图像。 [可以从以下链接下载数据集](http://ufldl.stanford.edu/housenumbers/)。 我们将使用调整后的门牌号数据集，其中图像已调整为尺寸`(32,32)`。 我们感兴趣的数据集是`train_32x32.mat`。 @@ -720,4 +718,4 @@ python captcha_gan.py generate-captcha --gen_input_dim 100 --num_images 200 --mo # 概要 -这样，我们到了本章的结尾。 与本章相关的所有代码都可以在 GitHub 链接中找到： [https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10) 。 现在，您将对深度学习如何影响验证码有一个清晰的认识。 在频谱的一端，我们可以看到使用具有深度学习的 AI 应用程序的机器人如何轻松地解决 CAPTCHA。 但是，另一方面，我们看到了如何使用深度学习来利用给定的数据集并根据随机噪声创建新的验证码。 您可以在本章中扩展有关生成对抗网络的技术知识，以使用深度学习构建智能的验证码生成系统。 现在，我们到本书的结尾。 我希望通过九个基于人工智能的实用应用程序的旅程是一次充实的旅程。 祝一切顺利！ \ No newline at end of file +这样，我们到了本章的结尾。 与本章相关的所有代码都可以[在 GitHub 链接中找到](https://github.com/PacktPublishing/Intelligent-Projects-using-Python/tree/master/Chapter10)。 现在，您将对深度学习如何影响验证码有一个清晰的认识。 在频谱的一端，我们可以看到使用具有深度学习的 AI 应用程序的机器人如何轻松地解决 CAPTCHA。 但是，另一方面，我们看到了如何使用深度学习来利用给定的数据集并根据随机噪声创建新的验证码。 您可以在本章中扩展有关生成对抗网络的技术知识，以使用深度学习构建智能的验证码生成系统。 现在，我们到本书的结尾。 我希望通过九个基于人工智能的实用应用程序的旅程是一次充实的旅程。 祝一切顺利！ \ No newline at end of file diff --git a/new/master-pred-anal-sklearn-tf/0.md b/new/master-pred-anal-sklearn-tf/0.md index cffe345f..66dc5501 100644 --- a/new/master-pred-anal-sklearn-tf/0.md +++ b/new/master-pred-anal-sklearn-tf/0.md @@ -43,13 +43,13 @@ Python 是一种编程语言，可提供数据科学领域的各种功能。 在 * Mac 版 Zipeg / iZip / UnRarX * 适用于 Linux 的 7-Zip / PeaZip -本书的代码包也托管在 GitHub 的 **[https://github.com/PacktPublishing/Mastering-Predictive-Analytics-with-scikit-learn-and-TensorFlow](https://github.com/PacktPublishing)** 上。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。 +本书的代码包也托管在 [GitHub](https://github.com/PacktPublishing) 上。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。 -我们还有丰富的书籍和视频目录中的其他代码包，可通过 **[https://github.com/PacktPublishing/](https://github.com/PacktPublishing/)** 获得。 去看一下！ +我们还有丰富的书籍和视频目录中的其他代码包，可通过[这里](https://github.com/PacktPublishing/)获得。 去看一下！ # 下载彩色图像 -我们还提供了 PDF 文件，其中包含本书中使用的屏幕截图/图表的彩色图像。 您可以在此处下载： [http://www.packtpub.com/sites/default/files/downloads/9781789617740_ColorImages.pdf](https://www.packtpub.com/sites/default/files/downloads/9781789617740_ColorImages.pdf) 。 +我们还提供了 PDF 文件，其中包含本书中使用的屏幕截图/图表的彩色图像。 [您可以在此处下载](https://www.packtpub.com/sites/default/files/downloads/9781789617740_ColorImages.pdf)。 # 使用约定 diff --git a/new/master-pred-anal-sklearn-tf/1.md b/new/master-pred-anal-sklearn-tf/1.md index 51c2d4d0..a8cb44f8 100644 --- a/new/master-pred-anal-sklearn-tf/1.md +++ b/new/master-pred-anal-sklearn-tf/1.md @@ -74,7 +74,7 @@ # 钻石数据集 -让我们通过使用不同的集成学习模型对钻石价格进行实际预测。 我们将使用钻石数据集（可在此处找到： [https://www.kaggle.com/shivam2503/diamonds](https://www.kaggle.com/shivam2503/diamonds) ）。 除其他功能外，该数据集的价格接近 54,000 钻石。 以下是此数据集中的功能： +让我们通过使用不同的集成学习模型对钻石价格进行实际预测。 [我们将使用钻石数据集（可在此处找到）](https://www.kaggle.com/shivam2503/diamonds)。 除其他功能外，该数据集的价格接近 54,000 钻石。 以下是此数据集中的功能： * **功能信息**：具有 53,940 行和 10 个变量的数据框 * **价格**：美元价格 @@ -190,7 +190,7 @@ import pandas as pd # 预测信用卡数据集 -让我们以信用卡数据集为例。 该数据集来自台湾的一家金融机构，可以在以下位置找到： [https://www.kaggle.com/uciml/default-of-credit-card-clients-dataset](https://www.kaggle.com/uciml/default-of-credit-card-clients-dataset) 。 请看以下屏幕截图，该屏幕截图显示了数据集的信息及其功能： +让我们以信用卡数据集为例。 该数据集来自台湾的一家金融机构，[可以在以下位置找到](https://www.kaggle.com/uciml/default-of-credit-card-clients-dataset)。 请看以下屏幕截图，该屏幕截图显示了数据集的信息及其功能： ![](img/4843c2d6-cf4e-4e11-8f8f-8f0707ac43b8.png) diff --git a/new/whats-new-tf2/0.md b/new/whats-new-tf2/0.md index 87bc0a16..e2cf42b9 100644 --- a/new/whats-new-tf2/0.md +++ b/new/whats-new-tf2/0.md @@ -31,11 +31,11 @@ TensorFlow 是最受欢迎的机器学习框架之一，其新版本 TensorFlow * Mac 版 Zipeg / iZip / UnRarX * 适用于 Linux 的 7-Zip / PeaZip -本书的代码包也托管在 GitHub 的 [https://github.com/PacktPublishing/What-s-New-in-TensorFlow-2.0 ...](https://github.com/PacktPublishing/What-s-New-in-TensorFlow-2.0) +本书的代码包也托管在 [GitHub](https://github.com/PacktPublishing/What-s-New-in-TensorFlow-2.0) 上。 # 下载彩色图像 -我们还提供了 PDF 文件，其中包含本书中使用的屏幕截图/图表的彩色图像。 您可以在此处下载： [http://www.packtpub.com/sites/default/files/downloads/9781838823856_ColorImages.pdf](_ColorImages.pdf) 。 +我们还提供了 PDF 文件，其中包含本书中使用的屏幕截图/图表的彩色图像。 [您可以在此处下载](_ColorImages.pdf)。 # 使用约定 diff --git a/new/whats-new-tf2/1.md b/new/whats-new-tf2/1.md index 10c85d6e..c3e42580 100644 --- a/new/whats-new-tf2/1.md +++ b/new/whats-new-tf2/1.md @@ -65,7 +65,7 @@ pip3 install tensorflow==version_tag pip3 install tensorflow==2.0.0-beta1 ``` -最新软件包更新的完整列表可在 [https://pypi.org/project/tensorflow/#history](https://pypi.org/project/tensorflow/#history) 中找到。 +最新软件包更新的完整列表可在[这个页面](https://pypi.org/project/tensorflow/#history)中找到。 您可以通过运行以下命令来测试安装： @@ -75,11 +75,11 @@ python3 -c "import tensorflow as tf; a = tf.constant(1); print(tf.math.add(a, a) # 使用 Docker -如果您想将 TensorFlow 安装与系统的其余部分隔离开来，则可能要考虑使用 Docker 映像进行安装。 这将要求您在系统上安装 Docker。 可在 [https://docs.docker.com/install/](https://docs.docker.com/install/) 上获得安装说明。 +如果您想将 TensorFlow 安装与系统的其余部分隔离开来，则可能要考虑使用 Docker 映像进行安装。 这将要求您在系统上安装 Docker。 可在[这个页面](https://docs.docker.com/install/)上获得安装说明。 -为了在 Linux 系统上使用不带`sudo`的 Docker，请执行以下安装后步骤： [https://docs.docker.com/install/linux/linux-postinstall/](https://docs.docker.com/install/linux/linux-postinstall/) 。 +为了在 Linux 系统上使用不带`sudo`的 Docker，[请执行以下安装后步骤](https://docs.docker.com/install/linux/linux-postinstall/)。 -TensorFlow 团队正式支持 Docker 映像作为安装方式。 对于用户而言，这意味着可以在 [https://hub.docker.com/r/tensorflow/tensorflow/](https://hub.docker.com/r/tensorflow/tensorflow/) 下载更新的 Docker 映像。 +TensorFlow 团队正式支持 Docker 映像作为安装方式。 对于用户而言，这意味着可以在[这里](https://hub.docker.com/r/tensorflow/tensorflow/)下载更新的 Docker 映像。 使用以下命令在本地下载 Docker 映像：... @@ -87,14 +87,14 @@ TensorFlow 团队正式支持 Docker 映像作为安装方式。 对于用户而 TensorFlow 的 GPU 版本的安装与 CPU 版本的过程稍有不同。 可以使用`pip`和 Docker 进行安装。 安装过程的选择归结为最终目标。 基于 Docker 的过程更容易，因为它涉及到安装更少的附加组件。 它还有助于避免库冲突。 但是，这可能会带来管理容器环境的额外开销。 基于`pip`的版本涉及安装更多的其他组件，但具有更高的灵活性和效率。 它使结果安装无需任何虚拟化即可直接在本地主机上运行。 -要继续进行操作，假设您已经设置了必要的硬件，则至少需要以下软件。 NVIDIA GPU 驱动程序的链接（ [https://www.nvidia.com/Download/index.aspx?lang=zh-cn](https://www.nvidia.com/Download/index.aspx?lang=en-us) ）中提供了详细的安装说明。 +要继续进行操作，假设您已经设置了必要的硬件，则至少需要以下软件。 [NVIDIA GPU 驱动程序的链接](https://www.nvidia.com/Download/index.aspx?lang=en-us)中提供了详细的安装说明。 # 使用 Docker 安装 在撰写本书时，此选项仅适用于在 Linux 主机上运行的 NVIDIA GPU。 如果您遇到平台限制，那么这是一个很好的选择，因为它可以大大简化流程。 通过利用预构建的容器，还可以最大程度地减少需要安装的其他软件组件的数量。 要继续，我们需要安装`nvidia-docker`。 请参考以下链接以获取更多详细信息： -* 安装： [https://github.com/NVIDIA/nvidia-docker](https://github.com/NVIDIA/nvidia-docker) -* 常见问题解答： [https://github.com/NVIDIA/nvidia-docker/wiki/Frequently-Asked-Questions#platform-support](https://github.com/NVIDIA/nvidia-docker/wiki/Frequently-Asked-Questions#platform-support) +* [安装](https://github.com/NVIDIA/nvidia-docker) +* [常见问题解答](https://github.com/NVIDIA/nvidia-docker/wiki/Frequently-Asked-Questions#platform-support) 完成上述链接中描述的步骤后，请执行以下步骤： @@ -104,10 +104,10 @@ TensorFlow 的 GPU 版本的安装与 CPU 版本的过程稍有不同。 可以 如果您想将 TensorFlow 与 NVIDIA GPU 一起使用，则需要在系统上安装以下其他软件。 共享的链接中提供了详细的安装说明： -* CUDA 工具包：TensorFlow 支持 CUDA 10.0（ [https://developer.nvidia.com/cuda-toolkit-archive](https://developer.nvidia.com/cuda-toolkit-archive) ） -* CUPTI 随附 CUDA 工具包（ [https://docs.nvidia.com/cuda/cupti/](https://docs.nvidia.com/cuda/cupti/) ） -* cuDNN SDK（版本 7.4.1 或更高版本）（ [https://developer.nvidia.com/cudnn](https://developer.nvidia.com/cudnn) ） -* （可选）TensorRT 5.0 可以改善某些模型上的推理延迟和吞吐量（ [https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html](https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html) ） +* [CUDA 工具包：TensorFlow 支持 CUDA 10.0](https://developer.nvidia.com/cuda-toolkit-archive) ） +* [CUPTI 随附 CUDA 工具包](https://docs.nvidia.com/cuda/cupti/) +* [cuDNN SDK（版本 7.4.1 或更高版本）](https://developer.nvidia.com/cudnn) +* [（可选）TensorRT 5.0 可以改善某些模型上的推理延迟和吞吐量](https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html) 一旦安装了所有先前的组件，这是一个相当简单的过程。 @@ -124,7 +124,7 @@ pip3 install tensorflow-gpu==2.0.0-alpha0 ``` -有关最新软件包更新的完整列表，请访问 [https://pypi.org/project/tensorflow/#history](https://pypi.org/project/tensorflow/#history) [。](https://pypi.org/project/tensorflow/#history) +有关最新软件包更新的完整列表，请访问[这里](https://pypi.org/project/tensorflow/#history)。 您可以通过运行以下命令来测试安装： @@ -220,8 +220,8 @@ print(x * x) # Multiply a ragged tensor with another ragged tensor 此外，`tf.ragged`包中定义了各种特定于参差不齐的张量的运算符。 可能有必要查看软件包的文档以了解更多信息。 请参阅以下链接以获取有关此文档的详细文档： -* [https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/RaggedTensor](https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/RaggedTensor) -* [https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/ragged](https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/ragged) +* [`RaggedTensor`](https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/RaggedTensor) +* [`ragged`](https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/ragged) # 新的重要软件包 -- GitLab