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

第 1 章测验

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

第 2 章测验

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

第 3 章测验

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

第 4 章测验

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

第 5 章测验

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

第 6 章测验

为什么要保存和加载模型？

这部分内容有帮助吗？

参考文献

Save and load Keras models, Neel Kovelamudi, Francois Chollet, 2024 TensorFlow Documentation - 提供关于在 TensorFlow 和 Keras 中管理模型持久化的详细说明，涵盖检查点、SavedModel 格式以及各种保存方法。
Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本涵盖深度学习理论和实践的基础教材，为训练、评估和部署过程中的模型持久化提供了背景。
MLOps: Machine Learning in Production, Andrew Ng, 2022 Stanford CS230: Deep Learning (Lecture Notes) (DeepLearning.AI) - 解释了在机器学习模型整个生命周期中管理的最佳实践，包括模型版本控制、部署和监控，这些都依赖于模型保存。
Transfer learning and fine-tuning, TensorFlow Authors, 2024 TensorFlow Tutorials (Google) - 阐释了迁移学习和微调技术，展示了如何将预训练模型适应新数据集和任务，这一过程通过模型持久化得以实现。

© 2025 ApX Machine Learning用心打造