趋近智

所有课程

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

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

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

章节 4: 模型的训练与评估

课程章节

4.1 编译模型：损失函数
4.2 编译模型：优化器
4.3 编译模型：指标
4.4 使用 model.fit() 进行训练
4.5 使用 model.evaluate() 评估模型表现
4.6 使用 model.predict() 进行预测
4.7 训练时使用回调
4.8 使用 TensorBoard 可视化训练
4.9 实践：训练与监控

© 2025 ApX Machine Learning