趋近智
高级TensorFlow技术
章节 1: TensorFlow 执行与图
TensorFlow 的运行模式：即时执行与图执行
理解 tf.function 和 AutoGraph
追踪机制与图表示
在图结构中实现控制流
使用 tf.GradientTape 进行自动微分
管理资源和内存
调试 TensorFlow 程序
实践：优化函数追踪
章节 2: 高性能 TensorFlow
使用 TensorBoard Profiler 分析 TensorFlow 代码性能
优化 GPU 利用率
混合精度训练技术
张量处理单元（TPU）介绍
XLA（加速线性代数）编译
tf.data 管道的性能考量
模型性能分析与加速实践
章节 3: 使用分布式策略扩展训练
分布式机器学习的基本原理
tf.distribute.Strategy 概述用于单机多 GPU 训练的 MirroredStrategy
用于多节点训练的 MultiWorkerMirroredStrategy
ParameterServerStrategy 基本思想
用于在 TPU 上训练的 TPUStrategy
有效处理数据并行
调试分布式训练任务
实践：实现分布式训练
章节 4: 高级 API 使用与自定义组件
通过继承tf.keras.Model获得灵活性
构建定制tf.keras层
实现自定义损失函数
开发自定义指标
编写自定义训练循环
处理参差张量和稀疏张量
使用TensorFlow Addons处理特定功能
动手实践：构建自定义模型管线
章节 5: TFX：生产级机器学习流水线
TensorFlow Extended (TFX) 简介
TFX 标准组件概述
数据摄取与验证
特征工程与 Transform
模型训练与调优
模型验证与分析
使用 Pusher 进行模型服务与部署
编排 TFX 流水线
动手实践：构建一个简单的 TFX 流水线
章节 6: 模型部署与优化
保存和加载高级模型格式
TensorFlow Serving 简介
使用 REST 和 gRPC 部署 TensorFlow Serving 模型
模型优化方法
TensorFlow Lite (TF Lite) 简介
为 TF Lite 转换模型
优化设备端推理
动手实践：使用 TF Serving 部署模型
章节 7: 构建进阶架构
从零构建注意力机制
实现Transformer模块
生成对抗网络 (GANs) 原理
在TensorFlow中编写一个简单的GAN
TensorFlow图神经网络（GNN）基础
使用 TF-Agents 的强化学习智能体
实践：实现Transformer编码器层
在图结构中实现控制流
这部分内容有帮助吗？
- Better performance with tf.function, The TensorFlow Authors, 2023 (TensorFlow (Google)) - 本官方指南解释了
tf.function和 AutoGraph 如何将 Python 代码（包括控制流语句）转换为 TensorFlow 图，涵盖了tf.cond和tf.while_loop的使用。 tf.cond, The TensorFlow Authors, 2023 -tf.cond的官方 API 文档，详细介绍了其参数、在 TensorFlow 图中用于条件执行的用法以及分支函数的要求。tf.while_loop, The TensorFlow Authors, 2023 -tf.while_loop的官方 API 文档，详细说明了其参数、在 TensorFlow 图中用于迭代执行的用法，以及如何管理循环变量和形状不变量。tf.TensorArray, The TensorFlow Authors, 2023 (Google (TensorFlow)) -tf.TensorArray的官方 API 文档，解释了其在 TensorFlow 图模式循环中用于累积动态大小张量的功能。