通过 9 个 Jupyter Notebook，从 TensorFlow 2 基础逐步构建可运行的神经网络模型。你将从张量、即时执行和自动微分开始，随后实现回归与分类模型，再进入卷积网络、迁移学习和模型持久化。
课程会有意识地比较 TensorFlow API 的不同层级。你将使用变量和 GradientTape 编写底层计算，通过 tf.keras 的 Sequential 与 Functional 模式构建模型，继承模型类，并使用真实与合成数据完成针对性的实现任务。
你将学到什么
- 在即时执行模式下创建和操作 TensorFlow 张量与变量
- 使用
tf.GradientTape计算导数并跟踪梯度 - 通过底层运算、层和 Keras 模型实现线性回归
- 补全底层 TensorFlow 实现以拟合多项式回归
- 使用自定义代码、Sequential、Functional 和模型子类构建浅层分类器
- 预处理并分类手写数字与汽车安全数据
- 为 Fashion-MNIST 构建 VGG 风格和 LeNet-5 网络，并调整预训练 VGG16 基础模型
- 保存和恢复权重、完整模型及底层检查点
本课程适合谁
本课程适合掌握 Python 和入门机器学习、希望从张量到卷积网络以代码为主线学习 TensorFlow 2 的人。Notebook 虽标记为初级，但内容推进较快，更适合已经理解数组、回归、分类和神经网络层基本作用的学习者。课程不涉及部署和生产环境服务。
前置要求： 建议掌握 Python、NumPy 风格数组运算，并初步理解导数、回归、分类和神经网络；熟悉 Jupyter Notebook 会有帮助。
学习环境： 9 个活动均在课程提供的 Ubuntu 22.04 Jupyter 环境中运行。预置 Notebook 包含讲解、可执行示例、数据加载代码和需要你补全的实现部分。
常见问题
这门课只介绍 TensorFlow 语法吗？
不是。课程从语法和自动微分开始，随后涵盖回归、浅层分类、VGG 风格与 LeNet-5 卷积模型、迁移学习和模型保存。
会使用哪些数据集？
Notebook 使用生成的回归数据、scikit-learn 手写数字、Car Evaluation 数据集和 Fashion-MNIST，分别支持回归、表格分类和图像分类练习。
所有示例都采用最新的 TensorFlow 2 API 风格吗？
不是。课程主体采用即时执行、GradientTape 和 tf.keras 等 TensorFlow 2 方法，但部分单元格仍保留 tf.train.AdamOptimizer 等早期 TensorFlow 2 时代名称。把示例用于新环境时，应核对当前 TensorFlow 文档。
有一个综合最终项目吗？
没有。课程以多个聚焦任务代替单一项目，包括补全多项式回归、汽车安全分类和 LeNet-5 风格网络，并配合其他引导 Notebook 学习。
