先说结论:
如果是工程师，应该优先选TensorFlow2.
如果是学生或者研究人员，应该优先选择Pytorch.
如果时间足够，最好Tensorflow2和Pytorch都要学习掌握。
理由如下：
-
1，在工业界最重要的是模型落地，目前国内的大部分互联网企业只支持TensorFlow模型的在线部署，不支持Pytorch。 并且工业界更加注重的是模型的高可用性，许多时候使用的都是成熟的模型架构，调试需求并不大。
-
2，研究人员最重要的是快速迭代发表文章，需要尝试一些较新的模型架构。而Pytorch在易用性上相比TensorFlow2有一些优势，更加方便调试。 并且在2019年以来在学术界占领了大半壁江山，能够找到的相应最新研究成果更多。
-
3，TensorFlow2和Pytorch实际上整体风格已经非常相似了，学会了其中一个，学习另外一个将比较容易。两种框架都掌握的话，能够参考的开源模型案例更多，并且可以方便地在两种框架之间切换。
先说结论：
Keras库在2.3.0版本后将不再更新，用户应该使用tf.keras。
Keras可以看成是一种深度学习框架的高阶接口规范，它帮助用户以更简洁的形式定义和训练深度学习网络。
使用pip安装的Keras库同时在tensorflow,theano,CNTK等后端基础上进行了这种高阶接口规范的实现。
而tf.keras是在TensorFlow中以TensorFlow低阶API为基础实现的这种高阶接口，它是Tensorflow的一个子模块。
tf.keras绝大部分功能和兼容多种后端的Keras库用法完全一样，但并非全部，它和TensorFlow之间的结合更为紧密。
随着谷歌对Keras的收购，Keras库2.3.0版本后也将不再进行更新，用户应当使用tf.keras而不是使用pip安装的Keras.
本书假定读者有一定的机器学习和深度学习基础，使用过Keras或者Tensorflow1.0或者Pytorch搭建训练过模型。
对于没有任何机器学习和深度学习基础的同学，建议在学习本书时同步参考学习《Python深度学习》一书。
《Python深度学习》这本书是Keras之父Francois Chollet所著，该书假定读者无任何机器学习知识，以Keras为工具，
使用丰富的范例示范深度学习的最佳实践，该书通俗易懂，全书没有一个数学公式，注重培养读者的深度学习直觉。。
该书电子版下载链接：https://pan.baidu.com/s/1-4q6VjLTb3ZxcefyNCbjSA 提取码：wtzo
本书是一本对人类用户极其友善的TensorFlow2.0入门工具书，不刻意恶心读者是本书的底限要求，Don't let me think是本书的最高追求。
本书主要是在参考TensorFlow官方文档和函数doc文档基础上整理写成的。
但本书在篇章结构和范例选取上做了大量的优化。
不同于官方文档混乱的篇章结构，既有教程又有指南，缺少整体的编排逻辑。
本书按照内容难易程度、读者检索习惯和TensorFlow自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。
不同于官方文档冗长的范例代码，本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。
如果说通过学习TensorFlow官方文档掌握TensorFlow2.0的难度大概是9的话，那么通过学习本书掌握TensorFlow2.0的难度应该大概是3.
谨以下图对比一下TensorFlow官方教程与本教程的差异。
本书是作者利用工作之余和疫情放假期间大概2个月写成的，大部分读者应该在30天可以完全学会。
预计每天花费的学习时间在30分钟到2个小时之间。
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 | ⭐️ | 0hour | ✅ | |
| day1 | 1-1,结构化数据建模流程范例 | ⭐️⭐️⭐️ | 1hour | ✅ |
| day2 | 1-2,图片数据建模流程范例 | ⭐️⭐️⭐️⭐️ | 2hour | ✅ |
| day3 | 1-3,文本数据建模流程范例 | ⭐️⭐️⭐️⭐️⭐️ | 2hour | ✅ |
| 二、TensorFlow的核心概念 | ⭐️ | 0hour | ✅ | |
| day4 | 2-1,张量数据结构 | ⭐️⭐️⭐️⭐️ | 1hour | ✅ |
| day5 | 2-2,三种计算图 | ⭐️⭐️⭐️⭐️⭐️ | 2hour | ✅ |
| day6 | 2-3,自动微分机制 | ⭐️⭐️⭐️ | 1hour | ✅ |
| 三、TensorFlow的层次结构 | ⭐️ | 0hour | ||
| day7 | 3-1,低阶API示范 | ⭐️⭐️ | 0.5hour | |
| day8 | 3-2,中阶API示范 | ⭐️⭐️⭐️ | 0.5hour | |
| day9 | 3-3,高阶API示范 | ⭐️⭐️⭐️ | 0.5hour | |
| 四、TensorFlow的低阶API | ⭐️ | 0hour | ||
| day10 | 4-1,张量的结构操作 | ⭐️⭐️⭐️⭐️⭐️ | 2hour | |
| day11 | 4-2,张量的数学运算 | ⭐️⭐️⭐️⭐️ | 1hour | |
| day12 | 4-3,AutoGraph的使用规范 | ⭐️⭐️⭐️ | 0.5hour | |
| day13 | 4-4,AutoGraph的机制原理 | ⭐️⭐️⭐️⭐️⭐️ | 2hour | |
| day14 | 4-5,AutoGraph和tf.Module | ⭐️⭐️⭐️⭐️ | 1hour | |
| 五、TensorFlow的中阶API | ⭐️ | 0hour | ||
| day15 | 5-1,数据管道Dataset | ⭐️⭐️⭐️⭐️⭐️ | 2hour | |
| day16 | 5-2,特征列feature_column | ⭐️⭐️⭐️⭐️ | 1hour | |
| day17 | 5-3,激活函数activation | ⭐️⭐️⭐️ | 0.5hour | |
| day18 | 5-4,模型层layers | ⭐️⭐️⭐️ | 0.5hour | |
| day19 | 5-5,损失函数loss | ⭐️⭐️⭐️ | 0.5hour | |
| day20 | 5-6,评估函数metrics | ⭐️⭐️⭐️ | 0.5hour | |
| day21 | 5-7,优化器optimizers | ⭐️⭐️⭐️ | 0.5hour | |
| day22 | 5-8,回调函数callbacks | ⭐️⭐️⭐️⭐️ | 1hour | |
| 六、TensorFlow的高阶API | ⭐️ | 0hour | ||
| day23 | 6-1,构建模型的3种方法 | ⭐️⭐️⭐️ | 1hour | |
| day24 | 6-2,训练模型的3种方法 | ⭐️⭐️⭐️⭐️ | 1hour | |
| day25 | 6-3,使用单GPU训练模型 | ⭐️⭐️ | 0.5hour | |
| day26 | 6-4,使用多GPU训练模型 | ⭐️⭐️ | 0.5hour | |
| day27 | 6-5,使用TPU训练模型 | ⭐️⭐️ | 0.5hour | |
| day28 | 6-6,使用tensorflow-serving部署模型 | ⭐️⭐️⭐️⭐️ | 1hour | |
| day29 | 6-7,使用spark-scala调用tensorflow模型 | ⭐️⭐️⭐️⭐️⭐️ | 2hour |
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😊!
如果对本书内容理解上有需要进一步和作者交流的地方，欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限，会酌情予以回复。
