非常感谢分享经验和将这本书写出来。
为了让读者能够扩展阅读，建议添加一些相关的文献。
另外，如果能够给出相应的引用，可以更加符合学术规范

祝好

请问，tf2 的内核剖析不涉及是吧，我看这里的版本 是 1.2

tf 1.x版本看起来在1.13后会趋于稳定，社区的精力会转向2.x。
请问是否有计划写一个再版，基于1.13？

在看第二部分：系统架构的第五章《C API:分水岭》，讲session的前后端交互流程中，python前端和最终实现的C++之间，有一层C API接口。想了解下这一层的设计是有什么目的或者作用的？

Will the text be available in English?

It would be very kind to release an english version for this book. I believe this talks about the workings of Tensorflow Framework, and am very interested to read this.

This book is based on tf 1.2?
There are a lot of big changes between this version and current version.
Right?

Can I buy you a cup of coffee, or a sixpack, really appreciated your work here.

12.5 执行 有如下段落：

至此，整个 DirectSession.Run 解读完毕。但是，Partition 中节点如何被调度执行的， Partition 之间的 Send/Recv 是如何工作的呢?
因此，在最后一公里，还要探究三件事情。

1. SendOp 与 RecvOp 的工作原理
2. IntraProcessRendezvous 的工作原理
3. Executor 的调度算法

仅看到12.6有关于

1.SendOp 与 RecvOp 的工作原理

的讨论。

没有看到

2. IntraProcessRendezvous 的工作原理
3. Executor 的调度算法"

的相关内容。

这部分内容是缺失了吗？后续有计划补充吗？

非常感谢作者的专业讲解，这是目前我看到关于tf框架讲解最到位的一本书！请问刘光聪先生，纸质书什么时候出版？，这么好的书不出版可惜了。

如果没有出版打算，希望作者留下赞赏二维码，作者的付出值得得到回报。

非常感谢您能分享自己的学习经验。在快速的翻过一遍之后有如下一些建议
一般性建议：

1. 如果够构建一个中英文的对照表，会对大家阅读以及参考有很大的辅助作用
2. 如果能够对各章节所对应的参考文献，以及tf 的帮助文档给出相应的链接，能够帮助大家更加深入的持续学习。

细节的问题

• 一些概念没有介绍譬如 OP，Task，容器
• page 107 - 相反地，使用 as_shape 将 Deimension 列表 - typo dimension
• page 127 - 重置 - 应该是GPU，而不是CPU
• page 140 - 初始化模型 - 与本章起始段落重复

祝好

文中描述的学习速率衰减是将lr用placeholder的方式，feed进优化过程。在不同的train step间，通过python进行衰减计算。
任何optimizer理论上都可以采用这种技术，文中的如下描述：

“可以采用更好的优化算法，例如 AdamOptimizer。随着迭代过程的次数，学习速率将指 数级衰减，在模型训练后期可以得到一个更稳定的精度和损失曲线。”

或许会给人造成误解，认为lr衰减是某些特定optimizer（例如AdamOptimizer）引入的特性。

感谢您的技术分享书籍，已经完整看完一遍，不过还有不少细节没有深入，还需要对照源码进一步学习，在阅读过程中很好奇您所画的流程图都是用什么工具画的，感觉很美观，期待您的回复。

你好，我想添加本书为参考文献，能否给出本书的bib引用方式？谢谢

首先所贴的示例code，个人认为第二行多余，让人容易误解，如下：
logits = tf.matmul(y4, w5) + b5
y = tf.nn.softmax(logits)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits( logits=logits, labels=t)

其次从这里的注释来看：https://github.com/tensorflow/tensorflow/blob/r1.0/tensorflow/examples/tutorials/mnist/mnist_softmax.py#L48
采用softmax_cross_entropy_with_logits，与先softmax、再手工计算交叉熵、再在batch内item间取交叉熵的均值，数学效果等同，似乎无法避免文中介绍的log(0)导致NaN问题。

I compiled a kindle version here: https://github.com/simon-mo/tensorflow-internals/blob/40aea3a6f9cd2d2c4d321524a673efd61cb027ad/tensorflow-internals-kindle.pdf

Had to fix some issue to make it compile on my mac. That's why i'm not submitting a PR.

书签只到1.1.1 DistBelief.正文中的目录也是空的

I am really enjoying this book! Thanks for releasing this! I was just wondering if section "6.3 Transfering graphs" will be filled in? It looks like an empty section awaiting content.