tensorflow2_tutorials_chinese

TensorFlow 2 中文教程，持续更新（不定期更新）

TensorFlow 2.0 正式版已上线，后续将持续根据 TensorFlow 2 的相关教程和学习资料进行更新。

最新 TensorFlow 教程和相关资源，请关注微信公众号：DoitNLP。今后我会在 DoitNLP 上持续更新深度学习、自然语言处理（NLP）、TensorFlow 等领域的教程及前沿资讯，这里将成为我们共同学习 TensorFlow 的大本营。

当前 TensorFlow 版本：TensorFlow 2.0

最全 TensorFlow 2.0 教程持续更新： https://zhuanlan.zhihu.com/p/59507137

本教程主要基于 TensorFlow 2.0 官方教程的个人学习复现笔记整理而成，并借鉴了一些 Keras 构建神经网络的方法，采用中文讲解，方便喜欢阅读中文教程的朋友。TensorFlow 官方教程：https://www.tensorflow.org

TensorFlow 2.0 教程 - Keras 快速入门

TensorFlow 2.0 教程 - Keras 函数式 API

TensorFlow 2.0 教程 - 使用 Keras 训练模型

TensorFlow 2.0 教程 - 用 Keras 构建自己的网络层

TensorFlow 2.0 教程 - Keras 模型保存与序列化

TensorFlow 2.0 教程 - Eager 模式

TensorFlow 2.0 教程 - Variables

TensorFlow 2.0 教程 - AutoGraph

TensorFlow 2.0 深度学习实践

TensorFlow 2.0 教程 - 图像分类

TensorFlow 2.0 教程 - 文本分类

TensorFlow 2.0 教程 - 过拟合与欠拟合

TensorFlow 2.0 教程 - 结构化数据分类

TensorFlow 2.0 教程 - 回归

TensorFlow 2.0 教程 - 模型的保存与加载

TensorFlow 2.0 基础网络结构

TensorFlow 2 教程 - 基础 MLP 网络

TensorFlow 2 教程 - MLP 及深度学习常见技巧

TensorFlow 2 教程 - 基础 CNN 网络

TensorFlow 2 教程 - CNN 变体网络

TensorFlow 2 教程 - 文本卷积

TensorFlow 2 教程 - LSTM 和 GRU

TensorFlow 2 教程 - 自编码器

TensorFlow 2 教程 - 卷积自编码器

TensorFlow 2 教程 - 词嵌入

TensorFlow 2 教程 - DCGAN

TensorFlow 2 教程 - 使用 Estimator 构建提升树模型

TensorFlow 2.0 安装

TensorFlow 2 教程 - 在 Ubuntu 上安装 TensorFlow 2.0

TensorFlow 2 教程 - 在 Windows 上安装 TensorFlow 2.0

完整的 TensorFlow 2.0 教程代码请参阅 tensorflow2.0：中文教程 tensorflow2_tutorials_chinese（欢迎 Star）

更多 TensorFlow 2.0 入门教程请持续关注专栏：TensorFlow 2 教程

深度学习入门书籍和资源推荐：https://zhuanlan.zhihu.com/p/65371424

TensorFlow 2.0 中文教程快速上手指南

本指南基于 tensorflow2_tutorials_chinese 项目整理，旨在帮助中国开发者快速掌握 TensorFlow 2.0 的核心用法。

1. 环境准备

在开始之前，请确保您的开发环境满足以下基本要求：

• 操作系统：Windows 10/11, macOS, 或 Linux (推荐 Ubuntu)。
• Python 版本：Python 3.7 - 3.9 (TensorFlow 2.0 官方推荐范围)。
• 前置依赖：建议先安装 pip 包管理工具，并推荐使用虚拟环境（如 venv 或 conda）以避免依赖冲突。

提示：本项目配套教程涵盖了从基础安装到深度学习实战（图像分类、文本分类、GAN 等）的完整内容，适合有一定 Python 基础的开发者。

2. 安装步骤

方案 A：使用 PyPI 官方源（通用）

打开终端或命令提示符，运行以下命令安装最新稳定版：

pip install tensorflow

若需指定安装 TensorFlow 2.0 版本：

pip install tensorflow==2.0.0

方案 B：使用国内镜像源（推荐国内用户）

为了获得更快的下载速度，建议使用清华大學或阿里云镜像源进行安装：

使用清华源：

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

使用阿里源：

pip install tensorflow -i https://mirrors.aliyun.com/pypi/simple/

验证安装

安装完成后，在 Python 交互环境中运行以下代码验证是否成功：

import tensorflow as tf
print(tf.__version__)
print("GPU Available: ", tf.config.list_physical_devices('GPU'))

如果输出了版本号且无报错，即表示安装成功。

3. 基本使用

TensorFlow 2.0 默认启用 Eager Execution（即时执行模式），使得代码编写更加直观，类似原生 Python。以下是使用 Keras API 构建并训练一个简单的神经网络的示例：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 1. 准备数据 (以 MNIST 手写数字数据集为例)
mnist = keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理：归一化
x_train, x_test = x_train / 255.0, x_test / 255.0

# 2. 构建模型 (使用 Sequential API)
model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),       # 将 28x28 图像展平
    layers.Dense(128, activation='relu'),       # 隐藏层
    layers.Dropout(0.2),                        # Dropout 防止过拟合
    layers.Dense(10, activation='softmax')      # 输出层 (10 个类别)
])

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

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

# 5. 评估模型
test_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)
print(f'\n测试集准确率：{test_acc}')

进阶学习路径

完成上述基础示例后，您可以参考该项目整理的知乎专栏教程进行深入实践：

• Keras 进阶：函数式 API、自定义网络层、模型保存与序列化。
• 核心机制：Variables、AutoGraph、Eager 模式详解。
• 实战项目：图像分类、文本分类、结构化数据处理、回归分析。
• 经典网络：MLP、CNN、RNN (LSTM/GRU)、AutoEncoder、DCGAN。

更多详细代码实现请访问项目仓库：tensorflow2_tutorials_chinese。