yue81560的博客

TensorFlow的运算基本上都是基于张量的。张量是多维array，跟numpy类型，也可以通过方法和tensor进行转换，比如tensor支持`.numpy()`方法转换为numpy array，两者在进行运算时，也会自动转换

Dataset类是TensorFlow非常流行的存储数据的格式。常用来作为输入输出。data模块主要的用途就是通过这种方法创建Dataset。经常将自变量X数据以及target数据以元组的形式包裹，如，创建Dataset。模型的fit()方法可以自动的解包。Dataset能够包括比较灵活的类型，比如。因为数据最外部依然是最外部包裹，所以model的fit()依然可以自动的对x以及target解包。但由于dataset保存component是以原始数据的形式保存的。对于字典内部部分，需要手动的自己解包。

在model的`compile`时，需要指定loss、metrics。然后使用`model.fit`方法进行模型训练时，可以指定`sample weight`参数，给`loss`进行更加细粒度的控制，但是这个`sample weight`不会影响到我们在metrics的指标中的计算过程，如果要在计算metrics时也使用`sample weight`，则需要在`compile`里指定把指标传递给`weighted_metrics`。主要是通过TensorFlow的中部分想关源代码进行解读，找到这个过程的实现

window推荐的TensorFlow-gpu 2.6版的安装方法以及最简单的CUDA 11.8的安装配置

TensorFlow模型训练过程中`fit()`可以直接设置`validation_data`为test数据集来测试模型的性能。但是通常我们要绘制模型的真实数据和预测数据的展示图，就需要输出模型的预测值。在使用Dataset作为模型输入时，由于其具有迭代器特征以及自动的shuffle，会使得预测值和真实值的数据排序顺序不一致，这时可以自定义predict过程，实现预测值和真实值的配对输出