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
Keras 常用层
这部分内容有帮助吗？
- Keras layers API, TensorFlow Developers, 2024 - 官方文档，提供所有 Keras 层的详细信息和示例。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本全面的教科书，涵盖了各种神经网络层（包括全连接层、Conv2D、池化层、Dropout 和 LSTM）的理论基础和数学原理。
- Gradient-Based Learning Applied to Document Recognition, Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner, 1998 Proceedings of the IEEE, Vol. 86 (IEEE) DOI: 10.1109/5.726791 - 介绍用于图像识别的卷积神经网络（LeNet-5）的奠基性论文，展示了 Conv2D 和池化层的原始应用。
- Long Short-Term Memory, Sepp Hochreiter and Jürgen Schmidhuber, 1997 Neural Computation, Vol. 9 (MIT Press) DOI: 10.1162/neco.1997.9.8.1735 - 提出长短期记忆（LSTM）网络的原始论文，解决了循环神经网络在序列处理中的梯度消失问题。
- Dropout: A Simple Way to Prevent Overfitting Neural Networks, Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov, 2014 Journal of Machine Learning Research (JMLR), Vol. 15 (JMLR) DOI: 10.5555/2627435.2670313 - 引入 Dropout 作为一种正则化技术，通过在训练期间随机丢弃单元来减少神经网络中的过拟合。