2020-09-09 21:59:25

docs/tf-20-quick-start-guide/00.md

-# 前言
+# 零、前言
 
-TensorFlow 是 Python 中最受欢迎的机器学习框架之一。 通过这本书，您将提高对 TensorFlow 最新功能的了解，并能够使用 Python 执行有监督和无监督的机器学习。
+TensorFlow 是 Python 中最受欢迎的机器学习框架之一。 通过这本书，您将提高对 TensorFlow 最新功能的了解，并能够使用 Python 执行监督和无监督的机器学习。
 
 # 这本书是给谁的
 

docs/tf-20-quick-start-guide/01.md

-# TensorFlow 2 简介
+# 一、TensorFlow 2 简介
 
 TensorFlow 于 2011 年以 Google 的内部封闭源代码项目 DisBelief 诞生。 DisBelief 是采用深度学习神经网络的机器学习系统。 该系统演变为 TensorFlow，并在 2015 年 11 月 9 日根据 Apache 2.0 开源许可证发布到开发人员社区。版本 1.0.0 于 2017 年 2 月 11 日出现。此后有许多版本发布。 合并了许多新功能。
 

docs/tf-20-quick-start-guide/02.md

-# Keras 是 TensorFlow 2 的高级 API
+# 二、Keras：TensorFlow 2 的高级 API
 
 在本章中，我们将讨论 Keras，这是 TensorFlow 2 的高级 API。Keras 是由 FrançoisChollet 在 Google 上开发的。 Keras 在快速原型制作，深度学习模型的构建和培训以及研究和生产方面非常受欢迎。 Keras 是一个非常丰富的 API。 正如我们将看到的，它支持急切的执行和数据管道以及其他功能。
 
@@ -467,4 +467,4 @@ model.load_weights('./model_weights.h5')
 
 在本章中，我们使用通用注释和见解探索了 Keras API，然后以四种不同的方式表示相同的基本体系结构，以训练`mnist`数据集。
 
-在下一章中，我们将通过探索许多有监督的学习场景，包括线性回归，逻辑回归和 K 近邻，开始认真使用 TensorFlow。
+在下一章中，我们将通过探索许多监督的学习场景，包括线性回归，逻辑回归和 K 近邻，开始认真使用 TensorFlow。
\ No newline at end of file

docs/tf-20-quick-start-guide/03.md

-# 使用 TensorFlow 2 的 ANN 技术
+# 三、TensorFlow 2 和 ANN 技术
 
 在本章中，我们将讨论并举例说明 TensorFlow 2 的那些部分，这些部分对于构建，训练和评估人工神经网络及其推理的利用目的是必需的。 最初，我们不会提供完整的申请。 相反，在将所有概念和技术放在一起并在随后的章节中介绍完整的模型之前，我们将重点关注它们。
 
@@ -532,4 +532,4 @@ print(weight3_grad.numpy()) #6.0
 
 我们涵盖了到 ANN 的数据表示，ANN 的各层，创建模型，梯度下降算法的梯度计算，损失函数以及保存和恢复模型的内容。 这些主题是在开发神经网络模型时将在后续章节中遇到的概念和技术的重要前提。
 
-确实，在下一章中，我们将通过探索许多有监督的学习场景，包括线性回归，逻辑回归和 K 近邻，来认真地使用 TensorFlow。
+确实，在下一章中，我们将通过探索许多监督的学习场景，包括线性回归，逻辑回归和 K 近邻，来认真地使用 TensorFlow。
\ No newline at end of file

docs/tf-20-quick-start-guide/04.md

-# 使用 TensorFlow 2 进行监督的机器学习
+# 四、TensorFlow 2 和监督机器学习
 
 在本章中，我们将讨论并举例说明 TensorFlow 2 在以下情况下的监督机器学习问题中的使用：线性回归，逻辑回归和 **K 最近邻**（**KNN**） 。
 

docs/tf-20-quick-start-guide/05.md

-# 使用 TensorFlow 2 的无监督学习
+# 五、TensorFlow 2 和无监督学习
 
 在本章中，我们将研究使用 TensorFlow 2 进行无监督学习。无监督学习的目的是在数据中发现以前未标记数据点的模式或关系； 因此，我们只有功能。 这与监督式学习形成对比，在监督式学习中，我们既提供了功能及其标签，又希望预测以前未见过的新功能的标签。 在无监督学习中，我们想找出我们的数据是否存在基础结构。 例如，可以在不事先了解其结构的情况下以任何方式对其进行分组或组织吗？ 这被称为**聚类**。 例如，亚马逊在其推荐系统中使用无监督学习来建议您以书本方式可能购买的商品，例如，通过识别以前购买的商品类别来提出建议。
 

docs/tf-20-quick-start-guide/06.md

-# 使用 TensorFlow 2 识别图像
+# 六、使用 TensorFlow 2 识别图像
 
 本章分为两部分，但我们将同时学习使用 TensorFlow 进行图像分类。
 

docs/tf-20-quick-start-guide/07.md

-# 使用 TensorFlow 2 进行神经风格传递
+# 七、TensorFlow 2 和神经风格迁移
 
 神经风格转换是一种使用神经网络将一幅图像的艺术风格施加到另一幅图像的内容上的技术，因此最终得到的是两种图像的混合体。 您开始使用的图像称为**内容图像**。 您在内容图像上加上风格的图像称为**风格参考图像**。 Google 将转换后的图像称为**输入图像**，这似乎令人困惑（输入是从两个不同来源获取输入的意思）； 让我们将其称为**混合图像**。 因此，混合图像是具有风格参考图像风格的内容图像。
 

docs/tf-20-quick-start-guide/08.md

-# 使用 TensorFlow 2 的循环神经网络
+# 八、TensorFlow 2 和循环神经网络
 
-包括卷积网络（CNN）在内的许多神经网络体系结构的主要缺点之一是它们不允许处理顺序数据。 换句话说，一个完整的功能（例如图像）必须一次全部呈现。 因此，输入是固定长度张量，而输出必须是固定长度张量。 先前特征的输出值也不会以任何方式影响当前特征。 同样，所有输入值（和输出值）都应视为彼此独立。 例如，在我们的`fashion_mnist`模型（第 4 章“使用 TensorFlow 2的有监督机器学习”）中，每个输入时尚图像都独立于并且完全不了解先前图像。
+包括卷积网络（CNN）在内的许多神经网络体系结构的主要缺点之一是它们不允许处理顺序数据。 换句话说，一个完整的功能（例如图像）必须一次全部呈现。 因此，输入是固定长度张量，而输出必须是固定长度张量。 先前特征的输出值也不会以任何方式影响当前特征。 同样，所有输入值（和输出值）都应视为彼此独立。 例如，在我们的`fashion_mnist`模型（第 4 章“使用 TensorFlow 2的监督机器学习”）中，每个输入时尚图像都独立于并且完全不了解先前图像。
 
 **循环神经网络**（**RNN**）克服了这个问题，并使许多新的应用成为可能。
 

docs/tf-20-quick-start-guide/09.md

-# TensorFlow 估计器和 TensorFlow HUB
+# 九、TensorFlow 估计器和 TensorFlow HUB
 
 本章分为两部分，但是此处的技术是相关的。 首先，我们将研究 TensorFlow 估计器如何为 TensorFlow 提供简单的高级 API，其次，我们将研究 TensorFlow Hub 如何包含可在自己的应用程序中使用的模块。
 

docs/tf-20-quick-start-guide/10.md

-# 从 tf1.12 转换为 tf2
+# 十、从 tf1.12 转换为 tf2
 
 Google 提供了一个名为 `tf_upgrade_v2`的命令行脚本，该脚本会将 1.12 版文件（`.py`和`.ipynb`文件）转换为 TensorFlow 2 兼容文件。
 

docs/tf-20-quick-start-guide/s1.md

-# 第 1 节：TensorFlow 2.00 Alpha 简介
+# 第 1 部分：TensorFlow 2.00 Alpha 简介
 
 在本部分中，我们将介绍 TensorFlow 2.00 alpha。 我们将首先概述该机器学习生态系统的主要功能，并查看其使用示例。 然后我们将介绍 TensorFlow 的高级 Keras API。 我们将在本节结尾处研究人工神经网络技术。
 

docs/tf-20-quick-start-guide/s2.md

-# 第 2 部分：TensorFlow 2.00 Alpha 中的有监督和无监督学习
+# 第 2 部分：TensorFlow 2.00 Alpha 中的监督和无监督学习
 
 在本节中，我们将首先看到 TensorFlow 在监督机器学习中的许多应用，包括线性回归，逻辑回归和聚类。 然后，我们将研究无监督学习，特别是应用于数据压缩和去噪的自动编码。
 

docs/tf-20-quick-start-guide/s3.md

-# 第 3 节：TensorFlow 2.00 Alpha 的神经网络应用
+# 第 3 部分：TensorFlow 2.00 Alpha 的神经网络应用
 
 在本节中，我们将研究许多**人工神经网络**（**ANN**）应用。 这些包括图像识别，神经风格转换，文本风格生成，时尚识别以及电影评论的 IMDb 数据库的语义分析。
 
 本节包含以下章节：
 
 *   第 6 章“使用 TensorFlow 2 识别图像”
-*   第 7 章“将 TensorFlow 2 用于神经风格迁移”
+*   第 7 章“TensorFlow 2 和神经风格迁移”
 *   第 8 章“Tensorflow 2 和循环神经网络”
 *   第 9 章“TensorFlow 估计器和 TensorFlow HUB”
\ No newline at end of file