趋近智
TensorFlow 入门
章节 1: TensorFlow 基本知识与环境设置
TensorFlow 2.x 简介
配置开发环境
CPU 与 GPU 的考量
验证您的安装
TensorFlow 生态系统概览
章节 2: TensorFlow核心要点
理解张量
张量运算
TensorFlow 中的变量
使用 GradientTape 进行自动微分
tf.function 介绍
练习：张量操作与梯度
章节 3: 使用 Keras 构建模型
Keras：TensorFlow 的高级 API
Sequential 模型 API
Keras 常用层
激活函数
复杂模型的函数式API
自定义层和模型 (简介)
动手实践：构建分类器
章节 4: 模型的训练与评估
编译模型：损失函数
编译模型：优化器
编译模型：指标
使用 model.fit() 进行训练
使用 model.evaluate() 评估模型表现
使用 model.predict() 进行预测
训练时使用回调
使用 TensorBoard 可视化训练
实践：训练与监控
章节 5: tf.data 数据输入管道
为什么选择 tf.data？
从张量、NumPy 和生成器创建数据集
使用 TFRecord 文件
应用转换：map()
批处理与混洗
为提高性能而预取
将 tf.data 与 model.fit() 结合使用
使用 tf.data 进行图像数据增强
动手实践：构建图像数据管道
章节 6: 保存和加载模型
为什么要保存和加载模型？
训练期间保存检查点
仅保存权重
保存整个模型（架构 + 权重 + 优化器状态）
TensorFlow SavedModel 形式
加载预训练模型
TensorFlow Hub 简介
练习：模型训练的保存与恢复
TensorFlow 入门
先决条件: 机器学习入门和Python
级别:
中级
您将学到什么
TensorFlow 核心操作
操作张量，执行数学运算，并理解自动微分。
Keras API 模型构建
使用Keras中的Sequential和Functional API来构建模型。
模型训练与评估
使用恰当的优化器和损失函数编译模型，通过fit()方法训练模型，并评估其性能。
数据输入管线
使用tf.data API创建高效的数据加载管线。
模型保存
保存和加载训练好的TensorFlow模型及权重。
TensorBoard 集成
使用TensorBoard可视化训练指标和模型图。