Learning Path
浏览 TensorFlow 相关教程与章节。
AI Agent、机器学习、深度学习、数据分析与 Python 科学计算。
教程
25
TensorFlow 教程 TensorFlow 是一个数学计算的工具箱，专门为机器学习任务而设计，让开发者能够轻松地构建从简单线性回归到复杂神经网络的各种模型。 TensorFlow 是由 Google 开发的开源机器学习框架，用于构建和训练各种机器学习和深度学习模型。 TensorFlow 名字来源于其核心概念：Tensor（张量） 和 Flow（流动），表示数据以张量的形式在计算图中流动。 阅读本教程前，您需要了解的知识..
Keras 常用层类型 Keras 是一个高级神经网络 API，它提供了丰富的层类型来构建深度学习模型。层（Layer）是 Keras 的基本构建块，每个层接收输入数据，进行特定变换后输出结果。本文将详细介绍 Keras 中最常用的层类型及其使用方法。 核心层类型 Dense 全连接层 全连接层是最基础的神经网络层，每个输入节点都与输出节点相连。 实例 [mycode4 type='python'] from..
Keras 第一个神经网络 Keras 是一个高级神经网络 API，用 Python 编写，能够在 TensorFlow、CNTK 或 Theano 之上运行。它的开发重点是支持快速实验，能够以最少的代码实现从想法到结果的快速转换。 Keras 的主要特点 用户友好：Keras 具有简单一致的接口 模块化：神经网络的各种组件（层、优化器、初始化方案等）都是可组合的模块 易扩展性：可以轻松添加新模块来表达新的研究想法 支持多后端：可以..
TensorFlow 高级 API - Keras Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK 或 Theano 作为后端运行。Keras 的设计理念是用户友好、模块化和易扩展。 Keras 的主要特点 简单易用：提供直观一致的接口，适合快速原型设计 模块化：神经网络层、损失函数、优化器等都是可插拔的模块 易扩展：可以轻松添加新模块来表达新的研究想法 支持多后端：可以无..
TensorFlow 数据处理与管道 TensorFlow 数据处理管道是机器学习工作流中的关键环节，它负责高效地加载、预处理和传输数据到模型。与传统的直接加载数据方式相比，TensorFlow 管道提供了三大优势： 性能优化：通过并行化和预加载减少 I/O 瓶颈 内存效率：避免一次性加载全部数据到内存 代码整洁：将数据处理逻辑与模型代码解耦 核心概念 Dataset API TensorFlow Dataset API ..
TensorFlow 模型转换与优化 在机器学习项目开发中，模型转换与优化是部署前的重要步骤。TensorFlow 提供了多种工具和技术来帮助开发者将训练好的模型转换为适合不同部署环境的格式，并对其进行优化以提高性能。 为什么需要模型转换与优化 部署需求：训练好的模型需要适配不同平台（移动端、嵌入式设备、服务器等） 性能提升：优化可以减少模型大小、降低延迟、提高推理速度 资源限制：移动设备和边缘计算设备通常有严格的内存和计算资源限制..
TensorFlow 核心概念 TensorFlow 的名字来源于其处理数据的核心结构 - 张量（Tensor）和计算流程（Flow）。 TensorFlow 是一个端到端的开源机器学习平台，它的核心优势在于： 灵活的计算图模型：支持动态图和静态图两种模式 跨平台部署能力：可在 CPU、GPU、TPU 和移动设备上运行 丰富的生态系统：包含 TensorFlow Lite（移动端）、TensorFlow.js（浏览器端）等子项目 生产..
TensorFlow 自定义组件 TensorFlow 自定义组件是开发者根据特定需求扩展 TensorFlow 功能的方式。当内置操作无法满足需求时，你可以创建： 自定义层(Custom Layers) - 实现新的神经网络层结构 自定义损失函数(Loss Functions) - 设计特定任务的优化目标 自定义评估指标(Metrics) - 定义独特的性能衡量标准 自定义训练循环(Training Loops) - 实现特殊训练..
TensorFlow tf.data API TensorFlow tf.data API 是 TensorFlow 提供的高效数据输入管道构建工具，专门用于处理大规模数据集。 tf.data API 解决了传统数据加载方式中的性能瓶颈问题，使数据预处理和模型训练能够并行进行。 为什么需要 tf.data API 性能优势：比传统方法快 10-100 倍 内存效率：支持流式处理超大数据集 灵活性：可组合的数据转换操作 易用性：简洁..
TensorFlow 分布式训练 TensorFlow 分布式训练是指利用多台机器或多个计算设备（如 GPU/TPU）协同工作，共同完成模型训练任务的技术。通过分布式训练，我们可以： 加速模型训练过程 处理超大规模数据集 训练参数庞大的复杂模型 核心概念 1. 分布式策略 (Distribution Strategy) TensorFlow 提供了多种分布式策略： 实例 [mycode4 type='python&..
TensorFlow 生态系统 TensorFlow 生态系统是由 Google 开发的一套围绕 TensorFlow 核心框架构建的完整机器学习工具集。它不仅包含基础的深度学习框架，还提供了一系列配套工具、库和平台，形成了一个覆盖机器学习全流程的解决方案。 TensorFlow 核心组件 TensorFlow Core TensorFlow 的核心框架，提供基础的张量计算和自动微分功能。 实例 [mycode4 type=..
TensorFlow 实例 - 图像分类项目 图像分类是计算机视觉中最基础也最重要的任务之一。本项目将使用 TensorFlow 框架构建一个能够识别不同类别图像的深度学习模型。 什么是图像分类 图像分类是指让计算机自动识别图像中主要物体所属类别的技术。例如： 识别照片中是猫还是狗 区分不同种类的花朵 判断医学影像中的病变类型 技术选型 我们将使用以下技术栈： TensorFlow：Google 开发的主流深度学习框架 Kera..
TensorFlow 图像数据处理 什么是图像数据 图像数据是由像素组成的二维矩阵（灰度图像）或三维张量（彩色图像）。在TensorFlow中，图像通常表示为： 灰度图像：[高度, 宽度] 或 [高度, 宽度, 1] 彩色图像：[高度, 宽度, 3]（RGB通道） 为什么需要图像处理 数据标准化：统一图像尺寸和数值范围 数据增强：通过变换增加训练样本多样性 特征提取：突出图像中的关键信息 预处理：为模型输入准备合适的数据格式 ..
TensorFlow 简介 TensorFlow 是由 Google Brain 团队开发的开源机器学习框架，广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台，用于构建和训练各种机器学习模型。 核心概念 张量(Tensor): 多维数组，是 TensorFlow 中的基本数据单位 计算图(Computational Graph): 描述数据(Tensor)流动(Flow)的有向图 会话(Session): 执行计算图..
TensorFlow 模型评估与监控 一、模型评估基础概念 在机器学习项目中，模型评估是验证模型性能的关键步骤。它帮助我们了解模型在真实场景中的表现，并指导我们进行模型优化。 1.1 为什么需要模型评估 性能验证：确认模型是否达到预期效果 模型选择：比较不同模型的优劣 参数调优：指导超参数调整方向 避免过拟合：检测模型是否过度适应训练数据 1.2 评估指标类型 指标类型 适用场景 常见指标 分类指标 分类问题 准确率、..
TensorFlow 模型训练 TensorFlow 提供了构建和训练神经网络模型的全套工具。模型训练是指通过数据让模型自动调整参数，从而获得预测能力的过程。 模型训练的核心要素 数据：训练集、验证集和测试集 模型架构：神经网络的层结构和连接方式 损失函数：衡量模型预测与真实值差异的指标 优化器：调整模型参数的算法 评估指标：衡量模型性能的标准 训练流程 1、数据准备 实例 [mycode4 type='pytho..
TensorFlow 模型调优技巧 模型调优是机器学习工作流程中至关重要的环节，它直接影响模型的最终性能表现。在TensorFlow中，我们可以通过多种技术手段来提升模型的准确率和泛化能力。 为什么需要模型调优 初始模型通常不够理想：首次训练的模型往往存在欠拟合或过拟合问题 资源利用优化：通过调优可以在相同计算资源下获得更好性能 业务需求匹配：不同应用场景对模型有不同要求（如精度vs速度） 1.2 调优的主要方向 超参数调..
TensorFlow 生产环境 TensorFlow 作为业界领先的机器学习框架，在从实验环境迁移到生产环境时需要考虑诸多因素。本文将全面介绍 TensorFlow 在生产环境中的关键考虑点，帮助开发者构建稳定、高效的机器学习系统。 1. 模型优化 1.1 模型量化 实例 [mycode4 type='python'] # 训练后量化示例 import tensorflow as tf converter =..
TensorFlow 实例 - 回归问题 什么是回归问题 回归问题是机器学习中的一类重要问题，其目标是预测连续值输出。与分类问题（预测离散类别）不同，回归问题预测的是实数范围内的数值。 常见回归问题示例 房价预测：根据房屋面积、位置等特征预测价格 股票预测：根据历史数据预测未来股价 温度预测：根据气象数据预测未来温度 TensorFlow 解决回归问题的基本流程 实战：波士顿房价预测 1. 准备数据 我们将使用经典的波士顿..
TensorFlow 模型保存与加载 在机器学习和深度学习项目中，模型的保存与加载是至关重要的环节。TensorFlow 提供了多种方式来保存和恢复模型，使开发者能够： 保存训练好的模型供后续使用 分享模型给其他开发者 从检查点恢复训练 部署模型到生产环境 TensorFlow 2.x 主要支持三种模型保存格式： SavedModel 格式（推荐） HDF5 格式（.h5） 旧版 Keras 格式 保存整个模型 Saved..
TensorFlow 环境搭建 TensorFlow 2.x 对 Python 版本有特定要求： TensorFlow 版本 Python 版本支持 TensorFlow 2.15+ Python 3.9-3.12 ..
TensorFlow 张量操作 张量是TensorFlow 中的核心数据结构，可以理解为多维数组的扩展概念。 在机器学习中，几乎所有数据最终都会被表示为张量形式进行处理。 张量 的基本特性 数据类型(dtype)：每个张量都有特定的数据类型，如tf.float32、tf.int64等 形状(shape)：表示张量每个维度的大小，如(2,3)表示2行3列的矩阵 设备位置(device)：指示张量存储在CPU还是GPU上 张量的维度 ..
TensorFlow 实例 - 文本分类项目 文本分类是自然语言处理(NLP)中的基础任务，指将文本文档自动分类到一个或多个预定义类别中。在实际应用中，文本分类被广泛用于： 垃圾邮件检测 情感分析 新闻分类 客服对话分类 产品评论分类 使用TensorFlow实现文本分类通常包含以下步骤： 数据准备与预处理 文本向量化 模型构建 模型训练 模型评估 模型部署 环境准备 在开始项目前，请确保已安装以下Python库： !pi..
TensorFlow 文本数据处理 TensorFlow 作为当前最流行的深度学习框架之一，提供了强大的文本数据处理能力。本文将详细介绍如何使用 TensorFlow 处理文本数据，包括文本预处理、向量化和模型输入等关键步骤。 文本数据是机器学习中最常见的数据类型之一，但计算机无法直接理解原始文本，因此需要将其转换为数值形式。TensorFlow 提供了一系列工具和 API 来简化这一过程。 文本预处理基础 为什么需要文本预处理 原..