TensorFlow 从入门到实践

原创 已于 2025-11-18 18:23:36 修改 · 265 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow #人工智能 #python

于 2025-10-21 17:50:25 首次发布
部署运行你感兴趣的模型镜像

TensorFlow 从入门到实践

  1. TensorFlow入门：构建和训练神经网络模型
  2. TensorFlow 入门：安装配置与基础实践
  3. TensorFlow 基础：从张量到图与会话
  4. TensorFlow 数据处理与输入管道构建入门
  5. TensorFlow 入门：线性回归模型实践
  6. TensorFlow 入门：构建与训练逻辑回归模型
  7. TensorFlow 入门：构建与训练神经网络
  8. TensorFlow 入门：构建与训练 CNN 模型进行图像识别
  9. TensorFlow 入门：构建与训练 RNN 模型
  10. TensorFlow 模型评估与调优入门
  11. TensorFlow 模型保存与加载入门
  12. TensorFlow 迁移学习入门：利用预训练模型快速开发
  13. TensorFlow 自定义层与模型构建入门
  14. TensorFlow 入门：图像分类模型实践
  15. TensorFlow 文本生成入门：从预处理到模型实践
  16. TensorFlow 项目实践：手写数字识别
  17. TensorFlow 资源与问题解决入门

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

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

WSSWWWSSW
关注
TensorFlow从入门到实践：TensorFlow入门-安装配置与基础实践
WSSWWWSSW的博客
10-22 608
TensorFlow环境配置与线性回归实践摘要 本文介绍了TensorFlow开发环境的配置方法，涵盖Windows、macOS和Linux系统的安装步骤，推荐使用虚拟环境隔离项目。详细讲解了Jupyter Notebook和Google Colab两种交互式开发工具的使用方式。通过一个线性回归实例，展示了如何用TensorFlow构建单层神经网络：生成随机数据，创建Sequential模型，使用Adam优化器和MSE损失函数进行1000轮训练，并可视化预测结果。该示例完整演示了TensorFlow的基本工
TensorFlow从入门到实践:TensorFlow入门-构建和训练神经网络模型
WSSWWWSSW的博客
10-22 967
本文介绍了使用TensorFlow构建和训练神经网络的基本流程。首先概述了TensorFlow的核心优势，包括数据流图架构、多硬件支持及丰富的API生态。然后详细演示了从安装TensorFlow到构建CNN模型的完整过程，包括数据预处理（MNIST数据集加载、归一化和one-hot编码）、模型搭建（使用Keras Sequential API创建卷积层、池化层和全连接层）以及模型训练与评估。最后通过5个epoch的训练，在测试集上达到了98.6%的准确率，展示了TensorFlow在深度学习中的高效性和易用
TensorFlow从入门到实践:TensorFlow入门-线性回归模型实践
WSSWWWSSW的博客
10-23 239
本文介绍了使用TensorFlow构建线性回归模型的完整流程。主要内容包括：TensorFlow基本概念、张量创建、线性回归模型定义（y=Wx+b）、损失函数计算（均方误差）以及使用梯度下降优化器进行模型训练。通过100次迭代训练后，模型在测试数据上进行评估。文章提供了完整的代码示例，涵盖模型构建、训练和评估全过程，帮助初学者快速掌握TensorFlow实现线性回归的核心方法。
TensorFlow从入门到实践:TensorFlow模型评估与调优入门
WSSWWWSSW的博客
10-24 856
本文介绍了机器学习模型评估与调优的关键概念和实践方法。主要内容包括：1）分类模型评估指标（准确率、召回率、F1分数）及其TensorFlow实现；2）超参数调优技术（网格搜索和随机搜索）的原理与应用；3）完整模型开发流程演示，含数据准备、模型定义、训练和评估。重点强调了不同评估指标的适用场景，以及通过系统化调优提升模型性能的方法，为机器学习实践提供了实用指导。
TensorFlow从入门到实践:TensorFlow基础-从张量到图与会话
WSSWWWSSW的博客
10-22 308
本文介绍了TensorFlow中的基础概念与实践方法，重点讲解了张量、计算图与会话、以及Eager Execution模式。内容包括：张量的定义与创建方法（使用tf.constant），基本数学运算操作；计算图的构建方式（通过tf.Graph）和会话执行机制（使用tf.Session）；以及TensorFlow 2.x中默认启用的Eager Execution即时执行模式及其优势。通过代码示例展示了如何在TensorFlow中创建和操作张量，使用图和会话来执行计算，以及Eager Execution模式下的
TensorFlow从入门到实践:TensorFlow入门-构建与训练CNN模型进行
WSSWWWSSW的博客
10-23 933
本课程介绍了卷积神经网络(CNN)的基本结构和原理，包括卷积层、池化层和全连接层的工作原理。通过TensorFlow框架实践构建了一个简单CNN模型，使用MNIST数据集进行手写数字识别。详细展示了从数据预处理、模型构建、训练到评估的全过程，并提供了训练过程可视化代码。最终模型在测试集上达到了较高准确率，验证了CNN在图像识别任务中的有效性。
TensorFlow从入门到实践:TensorFlow入门-图像分类模型实践
WSSWWWSSW的博客
10-24 258
本文介绍了使用TensorFlow构建图像分类模型的完整流程。课程首先讲解了TensorFlow基础知识，包括计算图概念和张量操作。随后详细演示了CIFAR-10数据集的下载、加载、预处理和增强方法，包括归一化、独热编码和数据增强技术。最后，通过构建包含卷积层、池化层和全连接层的CNN模型，并采用数据增强生成器进行训练，完成对模型的评估。整个过程涵盖了从数据处理到模型训练的关键步骤，为图像分类任务提供了完整的实践方案。
TensorFlow从入门到实践：TensorFlow入门-构建与训练神经网络
WSSWWWSSW的博客
10-23 690
本文介绍了神经网络基础知识和TensorFlow入门实践。主要内容包括：1) 前馈神经网络的构建原理，包含输入层、隐藏层和输出层结构；2) 常用激活函数(ReLU、Sigmoid、Tanh)的特点及应用场景；3) 损失函数与反向传播算法的工作原理。通过MNIST手写数字数据集实例，展示了使用TensorFlow构建、编译和训练神经网络的过程，最终测试准确率达到96.71%。课程适合机器学习初学者快速掌握神经网络基础概念和TensorFlow实践方法。
TensorFlow从入门到实践:TensorFlow资源与问题解决入门
WSSWWWSSW的博客
10-24 507
TensorFlow社区与资源探索介绍了利用官方文档、社区论坛和GitHub资源提升开发效率的方法。官方文档提供API说明、教程和案例；社区论坛是问题解答和经验分享平台；GitHub则包含官方仓库和第三方项目资源。文章通过线性回归模型和预训练图像分类模型的实践，演示了如何有效利用这些资源解决实际问题。这些工具和平台能帮助开发者更高效地学习和使用TensorFlow。
TensorFlow从入门到实践:TensorFlow模型保存与加载入门
WSSWWWSSW的博客
10-24 816
本文介绍了TensorFlow中模型保存与加载的完整流程。主要内容包括：1）保存模型的三种方式（仅权重、结构和完整模型）；2）对应的加载方法，包括权重加载、结构重建和整体模型恢复；3）模型复用场景，如跨平台运行、多项目共享和跨数据集测试。通过model.save()和tf.keras.models.load_model()等核心API，开发者可以高效实现模型持久化，支持推理预测、迁移学习和生产部署，显著提升开发效率和模型可移植性。文中提供了从保存到加载再到实际应用的完整代码示例。
【深度学习必备】TensorFlow从入门到精通教程全集下载
05-08
本资源提供了一系列从基础到高级的TensorFlow教程，旨在帮助初学者和有经验的开发者系统地学习和掌握TensorFlow的使用。 这套教程全集包括了TensorFlow的安装、基本操作、神经网络构建、模型训练与部署等内容。通过...
TensorFlow实战：从入门到精通
09-10
书中详细阐述了TensorFlow的核心技术与应用实践，旨在帮助读者从零基础入门到深入理解和应用TensorFlow技术，进行数据预处理、模型构建、部署的全流程操作。 首先，书中介绍TensorFlow的基本安装过程和一些基本概念...
TensorFlow实战入门
11-12
本书深入浅出地介绍了TensorFlow在机器学习与深度...同时，探讨模型优化、数据预处理及生产环境部署，帮助读者全面掌握TensorFlow的核心技能，快速实现从理论到实践的跨越。适合初学者与进阶用户系统学习AI开发流程。
tensorflow 零基础吃透：RaggedTensor 在 Keras 和 tf.Example 中的实战用法 (补充)
servepeople的博客
12-11 697
为什么原代码报错？LSTM层不支持直接处理RaggedTensor的内部不规则维度，仅Input/Embedding层原生支持RaggedTensor；修正逻辑：RaggedTensor → 补0密集张量 + Mask（通过让LSTM忽略补0），既适配LSTM输入要求，又保留“只处理有效元素”的核心逻辑；关键API：：RaggedTensor转补0密集张量；：生成有效元素Mask；：自动传递Mask给后续序列层（LSTM/GRU等）。
TensorFlow 高级自动微分
servepeople的博客
12-09 1096
本文介绍了TensorFlow高级自动微分的核心用法，重点围绕tf.GradientTape的四种高级场景展开：1）通过嵌套tape计算高阶导数；2）利用TensorFlow控制流（如tf.cond）实现动态路径的梯度跟踪；3）使用tf.stop_gradient阻断特定运算的梯度传播；4）计算向量对向量导数的雅可比矩阵。所有示例均提供完整可执行代码和详细解释，涵盖从二阶导数到多变量函数微分的实际应用场景，帮助开发者处理优化算法、物理模拟等复杂微分需求。
搭建 TensorFlow 在 VScode 下编程环境（Debian）
水木姚姚个人主页：知乎同名个人主页：https://www.zhihu.com/people/66-64-1-50
12-10 189
搭建 TensorFlow 在 VScode 下编程环境（wsl(Debian)）
tensorflow 如何使用 tf.RaggedTensorSpec 来创建 RaggedTensor
servepeople的博客
12-12 745
文章摘要：tf.RaggedTensorSpec 并非直接创建 RaggedTensor 的工具，而是用于描述其规格（形状、数据类型、不规则维度数量）。创建 RaggedTensor 需使用 tf.ragged.constant 或 tf.RaggedTensor.from_tensor 等构造器，并确保符合 Spec 定义的约束。主要步骤包括：1）定义目标规格；2）按规格创建 RaggedTensor；3）验证匹配性；4）在 tf.function 等场景中应用 Spec 约束。注意避免混淆规格描述与张量
tensorflow 零基础吃透：tf.function 与 RaggedTensor 的结合使用
最新发布
servepeople的博客
12-12 704
摘要：本文介绍了TensorFlow中tf.function与RaggedTensor的结合使用方法。tf.function能将Python函数编译为计算图，提升执行效率，而RaggedTensor可以透明兼容tf.function，无需修改函数逻辑。文章通过三个场景演示：1) tf.function对RaggedTensor的透明支持；2) 使用tf.RaggedTensorSpec指定输入签名；3) 具体函数(Concrete Function)与RaggedTensor的高效结合。关键点包括：TF自动
TensorFlow 中不规则张量（RaggedTensor）
servepeople的博客
12-09 739
摘要：TensorFlow中的不规则张量（RaggedTensor）专门处理非均匀长度数据，允许同一维度下元素长度不一致（如[[3,1,4,1], [], [5,9,2]]）。它适用于可变长度特征、批量序列、分层数据等场景，支持100+原生运算（数学、数组、字符串操作等）。关键特性包括Python风格索引、算术重载、自定义转换，并能与Python列表/NumPy互转。RaggedTensor解决了普通张量必须固定形状的限制，无需填充即可保留原始数据结构，兼容大多数TF运算，学习成本低。
TensorFlow 2入门教程：从基础到实践详解
- **目的**：教程旨在为初学者提供一个从基础到实践的TensorFlow 2.0教学路径，弥补高级API学习中忽视的底层细节。 - **挑战**：作者发现快速上手编程虽然吸引人，但在处理复杂问题时，理解底层机制是不可或缺的。...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值