Welcome!

Update again! This material has been migrated to tensorflow.org/tutorials.

tensorflow-workshop 快速上手指南

重要提示：原 tensorflow-workshop 仓库的材料已迁移至官方教程站点。本指南将引导您访问最新资源并开始学习。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows 10/11、macOS 或 Linux (Ubuntu 18.04+)
• Python 版本：Python 3.8 - 3.11
• 前置依赖：
  • pip (Python 包管理工具)
  • 虚拟环境工具 (推荐 venv 或 conda)
• 硬件建议：如需进行模型训练，建议配备 NVIDIA GPU 并安装对应的 CUDA 驱动（可选，CPU 亦可运行基础教程）

安装步骤

由于项目内容已迁移，您无需克隆旧仓库。请直接通过浏览器访问官方教程，或在本地安装 TensorFlow 以运行相关代码示例。

1. 创建并激活虚拟环境

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

2. 安装 TensorFlow

推荐使用国内镜像源加速安装（如清华大学开源软件镜像站）：

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

若需使用 GPU 版本（请确保已安装对应 CUDA 和 cuDNN）：

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

3. 验证安装

python -c "import tensorflow as tf; print(tf.__version__)"

基本使用

所有教程内容现已整合至 tensorflow.org/tutorials。您可以直接在线浏览，或将代码复制到本地运行。

以下是一个最简单的图像分类示例（基于官方教程简化）：

import tensorflow as tf

# 加载 MNIST 数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

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

# 评估模型
model.evaluate(x_test, y_test, verbose=2)

请访问 TensorFlow 官方教程 获取更多进阶案例，包括文本生成、对象检测、强化学习等主题。