这里写目录标题目标：代码改写成tf2格式tf1和tf2区别：改写内容：tf.placeholdertf.Sess,sess.run具体例子1：结论：目标：代码改写成tf2格式把tensorflow 1.X中的代码，迁移到tensorflow2中。一些常见的改写经验。包括sess，tf.placeholder， tf.InteractiveSession()，tf.Session()tensorflow2相比于tensorflow 1.x版本有较大的变化，且网上现在好多文章的代码都是基于tf1.x版本的

这里写目录标题场景：dropout和Dropout区别问题描述：结论：深层次原因：dropout是底层API，Dropout是高层API场景：dropout和Dropout区别全网搜索tf.nn.dropout和tf.keras.layers.Dropout区别，发现好多都是错误的讲解，因此有必要进行一次实验和纠错。tf.nn.dropout和tf.keras.layers.Dropout的区别，看本文就足够了。问题描述：tf.nn.dropout和tf.keras.layers.Dropou

这里写目录标题学习目标：学习内容：1. 使用现有的预训练模型线下训练，线上加载运行线下训练线上加载迁移学习2.Keras Sequential模式建立模型(不推荐，灵活性太差）3.Functional API 函数api建立模型（最常用，可构建复杂网络）4.tf构建模型Class总结：学习目标：tensorflow2模型构建4种方法，掌握其优缺点。顺便：compile是TensorFlow2专门用来训练模型的，很方便，避免了写Gradenttape那种形式化结构，直观明了，一定要掌握。学习内容：

目标：掌握DeepFM原理，以及发展历程。和具体的代码实现。产生背景：产生DeepFM模型的原因：前面学习的Embedding MLP、Wide&Deep、NerualCF 等几种不同的模型结构，都没有用到交叉特征。特征都是一个一个独立的送进模型训练，对于挖掘特征交叉或者特征组合的信息，比较低效。1、 Embedding MLP是把各个特征，进行了embeding后送进MLP无交叉。直接把独立的特征扔进神经网络，让它们在网络里面进行自由组合。2、 NerualCF也是仅仅把物品和用户分别

[[TOC]]目标：经典推荐深度模型 Wide & Deep。完整的paper名称是《Wide & Deep Learning for Recommender Systems》内容：这篇知乎小哥写的挺简单明了的，直接摘抄过来，原文：知乎原文本文介绍一个经典推荐深度模型 Wide & Deep。完整的paper名称是《Wide & Deep Learning for Recommender Systems》一. 模型介绍wide & deep的模型架构如

目标：掌握NeuralCF比传统基于矩阵分解的协同过滤算法的改进点，以及算法的优点和缺点。内容：上篇学习了最经典的推荐算法：协同过滤，并基于矩阵分解得到了用户和物品的embeding向量。通过点积可以得到两者的相似度，可进行排序推荐。但传统协同过滤通过直接利用非常稀疏的共现矩阵进行预测的，所以模型的泛化能力非常弱，遇到历史行为非常少的用户，就没法产生准确的推荐结果了。矩阵分解是利用非常简单的内积方式来处理用户向量和物品向量的交叉问题的，所以，它的拟合能力也比较弱。改进点1、 能不能利用深度学习

[[TOC]]基于协同过滤的在线鲜花店推荐系统项目需求：基于店铺的客户订单记录，实现店铺的推荐需求：基于RFM模型，得到客户的价值分类，对高价值客户进行重点跟踪，推荐其潜在的商品列表，即实现：给定用户编号，返回10个推荐商品列表。对店铺滞销商品，进行有针对性的促销活动，推荐给最有可能购买的10个用户，结合一些针对性的促销优惠活动，向10个用户推荐。即实现：给定物品编号，返回10个推荐用户列表。店铺尚未搭建Spark大数据环境，可搭建TensorFlow2的环境，因此使用Tenso

目标：用TensorFlow2，实现协同过滤算法中的矩阵分解。网上找的绝大部分是基于一个模板复制出来的，且基于TensorFlow1，因此本人亲自动手，用TensorFlow2实现。好奇为什么TensorFlow2不帮我们实现了，在Spark中，直接调用spark.mllib.recommendation.ALS() 就好了。内容：在推荐系统中，协同过滤算法是很常用的推荐算法。中心思想：物以类聚，人以群分。也就是口味相同的人，把他喜欢的物品或者电影歌曲推荐给你；或者是将你喜欢的物品，类似的物品

学习目标：random_normal_initializer使用学习内容：random_normal_initializer有点奇怪，在tf2中，竟然不可以指定shape。使用示例：产生一个3行4列的随便变量def make_variables(m,n,initializer): return tf.Variable(initializer(shape=[m,n],dtype=tf.float32))然后接着：？random_variable = make_variables(3