政安晨的个人主页：政安晨
欢迎 👍点赞✍评论⭐收藏
收录专栏: TensorFlow与Keras机器学习实战
希望政安晨的博客能够对您有所裨益，如有不足之处，欢迎在评论区提出指正！
本篇是作者政安晨的专栏《TensorFlow与Keras机器学习实战》的总纲，专栏文章不断更新，这篇目录总纲也会随着专栏不断更新。
TensorFLow简述
TensorFlow给自己的定位是端到端机器学习平台，作者政安晨对TensorFlow的简述如下：
谷歌的TensorFlow是一个开源的机器学习框架，用于构建和训练各种机器学习模型。
它提供了一个高度灵活和可扩展的平台，可以在多种硬件平台上运行，包括移动设备和分布式系统。
TensorFlow的核心是数据流图，它表示了模型的计算过程。
用户可以定义计算图中的各种操作和变量，并使用TensorFlow的API来进行操作。
TensorFlow提供了丰富的操作库，包括数值运算、图像处理、文本处理等。用户可以根据自己的需求选择合适的操作来构建模型。
TensorFlow还提供了强大的自动求导功能，可以自动计算模型中各个参数的梯度。这使得用户可以方便地进行优化算法的实现和训练模型。
此外，TensorFlow还具有分布式计算的能力，可以在多台机器上进行并行计算。这使得TensorFlow可以处理大规模的数据和复杂的模型。
总之，TensorFlow是一个功能强大、灵活可扩展的机器学习框架，被广泛应用于各个领域，包括计算机视觉、自然语言处理、强化学习等。
导入和使用TensorFlow其实并不难：
import tensorflow as tf关键是如何循序渐进地入门，并针对某个具体目标开展实例，并解决问题。
Keras简述
Keras给自己的定位是一个用 Python 编写的高级神经网络 API，作者政安晨对Keras的简述如下：
Keras是一个开源的高级神经网络库，用于构建和训练深度学习模型。
它是Python编程语言的接口，能够在多种深度学习框架的后端运行，包括TensorFlow、Theano和CNTK、PyTorch等。Keras的设计目标是让用户能够快速、简单地实现和迭代神经网络模型。
Keras提供了一系列丰富的工具和功能，方便用户进行模型构建、层的堆叠、优化算法的选择和训练过程的监控等。
它提供了一种直观的、具有模块化特性的方式来定义模型，可以通过简单地将预定义的层进行堆叠和连接来创建神经网络。在模型构建的过程中，用户可以选择不同的层类型，如全连接层、卷积层、池化层等，并进行定制化的配置。
Keras还提供了一系列内置的优化算法，如随机梯度下降（SGD）、Adam、Adagrad等，用户可以根据任务的要求选择适合的优化算法。此外，Keras还提供了一些常用的损失函数和性能评估指标，如均方误差（MSE）、交叉熵（Cross-Entropy）、准确率等。
Keras的特点之一是其模块化和可扩展性。用户可以通过定制化的方式来创建自定义的层、损失函数或评估指标，并将它们与现有的Keras功能无缝集成。这种灵活性使得Keras适用于各种深度学习任务，如图像分类、自然语言处理、语音识别等。
总的来说，Keras是一个简单易用、高效灵活的机器学习库，使得构建和训练神经网络模型变得更加容易。它的设计哲学是用户友好，追求快速实现和迭代，为机器学习领域的研究人员和工程师提供了一个强大的工具。
导入和使用Keras其实并不难：
from tensorflow import keras
from tensorflow.keras import layers关键是如何对Keras的API体系和方法有整体认识，并在实际应用中，恰当地选择解决方案。
目录摘要
目录分类根据文章对不同层次用户的使用功效划分。
入门尝试
××××××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨——基于Anaconda安装TensorFlow并尝试一个神经网络小实例
政安晨——跟着演练快速理解TensorFlow（适合新手入门）
政安晨——基于Ubuntu系统的Miniconda安装TensorFlow并使用Jupyter Notebook在多个Conda虚拟环境下管理测试
政安晨——演绎一个TensorFlow官方的Keras示例（对服装图像进行分类，很全面）
政安晨——示例演绎在TensorFlow中使用 CSV数据（基于Colab的Jupyter笔记）（1.5万字长文超详细）
政安晨：【详细解析】【用TensorFlow从头实现】一个机器学习的神经网络小示例【解构演绎】
政安晨：【示例演绎】【用TensorFlow编写线性分类器】—— 同时了解一点TensorFlow与Keras的基本概念
夯实基础
×××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（一）{两篇文章讲清楚}
政安晨：示例演绎机器学习中（深度学习）神经网络的数学基础——快速理解核心概念（二）{两篇文章讲清楚}
政安晨：示例演绎TensorFlow的官方指南（一）{基础知识}
政安晨：示例演绎TensorFlow的官方指南（二）{Estimator}
政安晨：示例演绎TensorFlow的官方指南（三）{快速使用数据可视化工具TensorBoard}
政安晨：【示例演绎机器学习】（一）—— 剖析神经网络：学习核心的Keras API
政安晨：【示例演绎机器学习】（二）—— 神经网络的二分类问题示例（影评分类）
政安晨：【示例演绎机器学习】（三）—— 神经网络的多分类问题示例 (新闻分类)
政安晨：【示例演绎机器学习】（四）—— 神经网络的标量回归问题示例 (价格预测)
政安晨：【深度学习部署】—— TensorFlow Extended（TFX）介绍
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（一）—— 单个神经元
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（二）—— 深度神经网络
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（三）—— 随机梯度下降
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（四）—— 过拟合和欠拟合
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（五）—— Dropout和批归一化
政安晨：【深度学习实践】【使用 TensorFlow 和 Keras 为结构化数据构建和训练神经网络】（六）—— 二元分类
政安晨：【Keras机器学习实践要点】（一）—— 从快速上手开始
政安晨：【Keras机器学习实践要点】（二）—— 给首次接触Keras 3 的朋友
政安晨：【Keras机器学习实践要点】（三）—— 编写组件与训练数据
政安晨：【Keras机器学习实践要点】（四）—— 顺序模型
政安晨：【Keras机器学习实践要点】（五）—— 通过子类化创建新层和模型
政安晨：【Keras机器学习实践要点】（六）—— 使用内置方法进行训练和评估
政安晨：【Keras机器学习实践要点】（七）—— 使用TensorFlow自定义fit()
政安晨：【Keras机器学习实践要点】（八）—— 在 TensorFlow 中从头开始编写训练循环
实践提高
××××××××××××××××××××××××××××××××××××××××××××××××××
政安晨：梯度与导数～示例演绎《机器学习·神经网络》的高阶理解
政安晨：【掌握AI的深度学习工具Keras API】（一）—— 【构建Keras模型的不同方法】（万字长文）
政安晨：【掌握AI的深度学习工具Keras API】（二）—— 【使用内置的训练循环和评估循环】
)
