使用 TensorFlow 2.0 和 Keras 进行深度学习

通过这套全面的深度学习教程系列，学习如何使用 TensorFlow 2.0、Keras 和 Python 进行深度学习。从零开始学习深度学习。面向初学者的深度学习系列。TensorFlow 教程、TensorFlow 2.0 教程、Python 深度学习教程。

deep-learning-keras-tf-tutorial 快速上手指南

本指南基于 TensorFlow 2.0 和 Keras，帮助开发者从零开始学习深度学习。

环境准备

• 操作系统：Windows、macOS 或 Linux
• Python 版本：推荐 Python 3.6 - 3.9
• 前置依赖：
  • pip (Python 包管理工具)
  • 建议安装虚拟环境工具 (如 venv 或 conda) 以隔离依赖

安装步骤

1. 创建并激活虚拟环境 (可选但推荐)：

   python -m venv tf-env
   # Windows
   tf-env\Scripts\activate
   # macOS/Linux
   source tf-env/bin/activate
   

2. 安装 TensorFlow 2.0：

   • 国内加速方案：推荐使用清华源或阿里源加速下载。

   pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   (注：若需 GPU 支持且环境配置复杂，初学者建议先使用 CPU 版本进行代码学习，上述命令已包含 CPU 支持)

3. 获取教程代码： 克隆项目仓库以获取示例代码和数据集：

   git clone https://github.com/codebasics/deep-learning-keras-tf-tutorial.git
   cd deep-learning-keras-tf-tutorial
   

基本使用

以下是一个最简单的示例，展示如何加载教程中的手写数字识别模型并进行训练。进入项目目录后，找到对应的笔记本（如 1_intro.ipynb 或 2_feedforward_dense_net.ipynb）或直接运行以下 Python 脚本逻辑：

import tensorflow as tf
from tensorflow import keras

# 1. 加载数据 (MNIST 手写数字数据集)
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 2. 数据预处理
x_train = x_train.reshape(-1, 28*28) / 255.0
x_test = x_test.reshape(-1, 28*28) / 255.0

# 3. 构建简单的 Sequential 模型
model = keras.Sequential([
    keras.layers.Dense(100, activation='relu', input_shape=(784,)),
    keras.layers.Dense(10, activation='softmax')
])

# 4. 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 5. 训练模型
model.fit(x_train, y_train, epochs=5)

# 6. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_acc}')

您可以直接在 Jupyter Notebook 中打开项目内的 .ipynb 文件，按顺序运行单元格以跟随完整的视频教程内容。