老师您好，在运行CH15 自定义数据集的时候，出现了如下警告：
iCCP: known incorrect sRGB profile
虽然不影响程序，但是影响了观测训练，希望老师能够帮忙解决

本人属于零基础学习深度学习，所以对MNIST等都没有认识。通过互联网搜索了写MNIST的基础知识，也尝试了利用NumPy读取MNIST集合中的图片等。
建议增加例程，通过NumPy来读取image和label并保存到指定路径。
如果可以的话，我可以将自己写的例子同步到您的代码中。
谢谢。

老师您好，我用的是tf2.0正式版，在运行4.1.3布尔类型这里面。
a = tf.constant(True)
a == True
这里，我的结果是可以通用的。下面是我的截图。

1.1.3章节中的"基于规则的系统一般会编 写显示的规则逻辑"中的“显示”应为“显式”？

train_db = train_db.repeat(20) # 数据集跌打20遍才终止

应该是迭代

TypeError: Input 'filename' of 'ReadFile' Op has type float32 that does not match expected type of string.

使用了自定义数据集pokemon的代码，不知道为什么出了这个问题

p79 out[74]
there is a small mistake of this picture its dims should be [1,28,28,1], but there is a [28,28,1]

第67页：
fc = layers.Dense(3)

应修改为：
fc=tf.keras.layers.Dense(3)

第68页：
fc = layers.Dense(3)
应修改为：fc =tf.keras.layers.Dense(3)

第37页，2.2节中，"考虑3维函数𝑧 = 𝑓(𝑥, 𝑦)，函数对自变量𝑥的偏导数记为𝜕𝑧/𝜕𝑥，函数对自变量𝑥的偏导数记为𝜕𝑧/𝜕𝑦"，其中第二个x应为y。

Page 10 最后一句 "不再敖述" 应为 "不再赘述"

就是酱紫
x= x[:, tf.newaxis, tf.newaxis, :]

import tensorflow as tf

创建 4 个张量

a = tf.constant(1.)
b = tf.constant(2.)
c = tf.constant(3.)
w = tf.constant(4.)
with tf.GradientTape() as tape:# 构建梯度环境
tape.watch([w]) # 将 w 加入梯度跟踪列表

构建计算过程

y = a * w**2 + b * w + c

求导

[dy_dw] = tape.gradient(y, [w])
print(dy_dw) # 打印出导数
tf.Tensor(10.0, shape=(), dtype=float32)

最后一行
tf.Tensor(10.0, shape=(), dtype=float32)
中，这本应是一个输出，但是没有特殊标明，也没有和前面的代码之间空一行，希望可以标明一下。

点击“New Issue”就可以发帖啦，一般1~3天之内回复。大家可以自由交流。

从“比如张量a shape:[4,3,28,32] ”开始，后面部分的shape没对上

老师您好，关于ch15自定义数据集，我采用了您的代码和数据集，发现出现了如下错误：
TypeError: Input 'filename' of 'ReadFile' Op has type float32 that does not match expected type of string.
想请问下您，是我环境配置出现了差错吗？

书12.5VAE实战中

本节我们基于 VAE 模型实战 Fashion MNIST 图片的重建与生成。如图 12.12 所示，输
入为 Fashion MNIST 图片向量，经过 3 个全连接层后得到隐向量𝐳的均值与方差，分别用 2
个输出节点数为 20 的全连接层表示，FC2 的 20 个输出节点表示 20 个特征分布的均值向量μ
，FC3 的 20 个输出节点表示 20 个特征分布的方差向量的𝑙𝑜𝑔值。通过 Reparameterization
trick 采样获得长度为 20 的隐向量𝐳，并通过 FC4/FC5 重建出样本图片。

但是代码里的是
`z_dim = 10

class VAE(keras.Model):

def __init__(self):
    super(VAE, self).__init__()

    # Encoder
    self.fc1 = layers.Dense(128)
    self.fc2 = layers.Dense(z_dim)  # 均值输出
    self.fc3 = layers.Dense(z_dim)  # 方差输出

    # Decoder
    self.fc4 = layers.Dense(128)
    self.fc5 = layers.Dense(784)`

另外一处在重建图片那里
`

重建图片，从测试集采样图片

x = next(iter(test_db))
x = tf.reshape(x, [-1, 784])
x_hat_logits, _, _ = model(x)
x_hat = tf.sigmoid(x_hat_logits)
x_hat = tf.reshape(x_hat, [-1, 28, 28]).numpy() * 255.
x_hat = x_hat.astype(np.uint8)
save_images(x_hat, 'vae_images/rec_epoch%d.png' % epoch)`

你好，我在使用K临近算法来实现酒的分类 ，但时遇到了一个配置问题，非常感谢您能帮我解答
ModuleNotFoundError: No module named 'joblib'
以下时我的代码

ModuleNotFoundError Traceback (most recent call last)
in
----> 1 from sklearn.datasets import load_wine
2 win_dataset=load_wine()
3 print('\n\n\n')
4 print("the result is")
5 print("红酒中的数据：\n{}".format(wine_dataset.keys()))

~\AppData\Roaming\Python\Python37\site-packages\sklearn_init_.py in
74 else:
75 from . import __check_build
---> 76 from .base import clone
77 from .utils._show_versions import show_versions
78

~\AppData\Roaming\Python\Python37\site-packages\sklearn\base.py in
14
15 from . import version
---> 16 from .utils import _IS_32BIT
17
18 _DEFAULT_TAGS = {

~\AppData\Roaming\Python\Python37\site-packages\sklearn\utils_init_.py in
15 from .murmurhash import murmurhash3_32
16 from .class_weight import compute_class_weight, compute_sample_weight
---> 17 from . import _joblib
18 from ..exceptions import DataConversionWarning
19 from .deprecation import deprecated

~\AppData\Roaming\Python\Python37\site-packages\sklearn\utils_joblib.py in
6 # joblib imports may raise DeprecationWarning on certain Python
7 # versions
----> 8 import joblib
9 from joblib import logger
10 from joblib import dump, load

ModuleNotFoundError: No module named 'joblib'

老师您好，刚刚听完您的视频教程，是我感觉讲的最好的一位，非常感谢。
由于现在tf2.0正式版已经发布，我安装的是正式版，按照您给出的代码（如下）中的方式屏蔽warning，似乎还会有一部分warning出现（如图）。

import  os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

我查阅了一些网站，发现在正式版tf2.0中，应该将屏蔽代码调整至tf的上方，warning就彻底没有了，不过对于代码运行无关紧要，算是个小疑问吧，再次感谢。
最终顺序：

import  os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import datasets

原文：
那么 ReLU 函数可以实现为：
def relu(x):
return tf.minimum(x,0.) # 下限幅为 0 即可
改为:minimum->maximum

In [100]:
a = tf.random.normal([4,3,23,32])

第三个应该是28，不是23

第一段，第四句行。激活含水层->激活函数层。

_{Sent from PPHub}

p88
In[100]:
Tensor a should be with shape([4,3,28,32])

书中原文：

通过 TensorFlow 实现如下
import tensorflow as tf

创建4 个张量

a = tf.constant(1.)
b = tf.constant(2.)
c = tf.constant(3.)
w = tf.constant(4.)
with tf.GradientTape() as tape:# 构建梯度环境
tape.watch([w]) # 将w 加入梯度跟踪列表

构建计算过程

y = a * w**2 + b * w + c

求导

[dy_dw] = tape.gradient(y, [w])
print(dy_dw) # 打印出导数
tf.Tensor(10.0, shape=(), dtype=float32)

最后一行易令人误为程序内容。此行前应加入输出说明

文字段落是否需要两端对齐？我在看第11章的时候看到有些段落是左对齐的，右边就参差不齐了。

第二章第4页倒数第5行的位置。应该是y写成x。如下图。

在pdf的121页

试版(201911配套视频课程(收费，提供答疑等全方位服务，不喜勿喷)：
深度学习与 TensorFlow 入门实战 深度学习与 PyTorch 入门实战
https://study.163.com/course/courseMai
n.htm?share=2&shareId=48000000184
7407&courseId=1209092816&_trace_c
p_k2=9e74eb6f891d47cfaa6f00b5cb
5f617c
https://study.163.com/course/courseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=8d1b10e04bd34d69855bb71da65b05

P15 Line5 GooleNet->GoogleNet
P35 倒数第4行 现象神经元->线性神经元
P37 倒数第5行 函数对自变量x的偏导数->函数对自变量y的偏导数
P38 倒数第7行 应用速学->应用数学
P49 Line1 便签->标签
P59 倒数11行 如果采用tf.float32 精度保存𝜋->如果采用tf.float64 精度保存𝜋
P64 Line18 正太分布->正态分布
P64 Line9 制定->指定
P71 Line4 随即分布->随机分布

少了optimizer = optimizers.Adam(lr=0.01)

导致：

自动更新参数

optimizer.apply_gradients(zip(grads, network.trainable_variables))
出错，没有定义optimizer

如果采用tf.float32 精度保存𝜋，则能获得更高的精度：

应该是tf.float64

pdf 测试水印可以添加到页眉或者页脚吗？打印的时候有时候会影响打印效果。

如题，希望能尽快也出一版pytorch的，那就最好了

“并用过 MNIST 数据集的测试实战加深读者对
TensorFlow 张量操作的立即”

第七排的正太分布，字打错了，应该是正态分布

4.5.5 4维张量
[b,h,w,c]下面的一行，h/w分布表示特征图的高宽，应该是分别，打错了应该

这里float32应该是float64吧。

书中第231页，13.1节，“……而鉴别器D 通过学习真钞和生成器G 长生的假钞来掌握钞票的鉴别方法。”“长生”应为“产生”。

tf.keras.experimental.export_saved_model(network, path) 这种方式已经过时了，是否可以替换成 model.save(path) 或者tf.saved_model.save(model, paht)方式

2.2优化方法，第4页，图2.5下方，出现两次“函数对自变量x的偏导数”，第二次应该是“函数对自变量y的偏导数”吧？

函数对自变量𝑥的偏导数记为𝜕𝑧/𝜕𝑥，函数对自变量𝑥的偏导数记为𝜕𝑧/𝜕𝑦，则梯度∇𝑓为向量....

tf1.py的源码中使用了assert。
assert tf.version.startswith('1.')
而我安装的是tf2，pdf教程中也写的是使用tf2。所以导致这个assert错误。代码应该改为如下：
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

assert tf.version.startswith('2.')

pdf第59页“如果采用tf.float32精度保存π，可获得更高的精度“ 应该是tf.float64，可能是笔误了，无伤大雅，希望以后的版本能够修改过来

第二章回归问题部分，MSE是均方误差，与均方差是不同的概念。均方误差比较的是预测值和真实值，而均方差比较的是数值和自己的均值（期望）

您好，您写得非常好，非常容易明白，但是PDF没有书签，不方便查找翻阅，请问可以增加一版有书签的PDF吗？谢谢了

pdf提示已经损坏

在第37页的末尾段，第二行，第二句应该是函数对y的偏导数为(dz/dy),书中前后都是x。

then pyCharm cannot resolve module tf.keras and report an error:
Cannot find reference 'keras' in 'init.py'
But when running program, everything works well.

https://intellij-support.jetbrains.com/hc/en-us/community/posts/360002486739-PyCharm-cannot-import-tensorflow-keras

tensorflow/tensorflow#26502

i follow this way , but it also didn't work well.
Is there anyways to solve it?
Thanks.

原文”需要注意的是，TensorFlow 的布尔类型和Python语言的布尔类型并不对等，不能通用”，该局话最好加上，可以进行比较，且下面的例子是错误的。tf.constant(True) == True 的结果就是 True。