课程来源：https://coding.imooc.com/class/chapter/344.html#Anchor
本门课程的入门章节，简要介绍了tensorflow是什么，详细介绍了Tensorflow历史版本变迁以及tensorflow的架构和强大特性。并在Tensorflow1.0、pytorch、Tensorflow2.0之间做了对比。最后通过实战讲解了在Google cloud和AWS两个平台上的环境配置。
1-1课程导学
为什么要学Tensorflow?
深度学习迅猛发展；模型框架强大灵活；google+开源社区背书；在公司中应用广泛；2.0发布，机遇在手（相对于1.0，更加强大、灵活、易用、成熟）。
课程目标：
掌握灵活使用tensorflow框架的能力；
掌握相关的机器学习/深度学习的理论知识；
独立开发项目，掌握大厂一线编程经验；
达到初级深度学习算法工程师/研究者的水平。
课程特点：
重实战，请理论，配备多个特点项目（图像分类，房价预测，泰坦尼克生存预测，文本分类，文本生成，机器翻译）；
内容丰富全面，自带“干货”（模型训练，tensorboard，模型保存与部署，分布式训练，Tfds/tfhub，tensor2tensor）；
多平台云端环境GPU&kaggle数据集（google cloud环境配置，AWS环境配置，kaggle 10 Monkeys数据集，kaggle cifar10数据集，kaggle文本分类数据集，kaggle titanic生存预测数据集）；
课程对使用TF1.0的学院也非常友好（原1.0学员可以轻松学习2.0，学习2.0的同学可以轻松读懂1.0代码）；
课程长期维护（同步补充TF2.0正式版知识点，定期更新项目源码）。
课程章节：
第一章：tensorflow简介（tensorflow是什么、tensorflow历史、tensorflow vs pytorch。环境配置。）；
第二章：tensorflow keras实战（tf框架：keras、回调函数。项目：图像分类、房价预测。知识点：分类问题、回归问题、损失函数；神经网络、激活函数、批归一化、dropout；wide&deep模型、超参数搜索。）；
第三章：tensorflow基础API使用（tf框架：基础数据类型，自定义模型与损失函数、自定义求导、tf.function、图结构。项目：图像分类、房价预测。）；
第四章：tensorflow dataset使用（tf框架：csv文件读取、tfrecord文件生成与读取、tf.data使用。项目：房价预测。）；
第五章：tensorflow estimator使用与1.0（tf框架：estimator使用、特征列使用、tf1.0基本使用。项目：泰坦尼克生存预测。）；
第六章：卷积神经网络（tf框架：卷积实现。项目：图像分类、kaggle 10monkeys，kaggle clifar10。理论：卷积、数据增强、迁移学习。）；
第七章：循环神经网络（tf框架：LSTM实现。项目：文本分类、分本生成、Kaggle文本分类。原理：序列式问题、循环网络、LSTM、双向LSTM。）；
第八章：tensorflow分布式（tf框架：分布式实现。项目：图像分类。）；
第九章：tensorflow模型保存与部署（tf框架：模型保存、导出tflite、部署。项目：图像分类。）；
第十章：机器翻译与tensor2tensor使用（tf框架：transformer实现、tensor2tensor使用。项目：机器翻译。理论：序列到序列模型、注意力机制、可缩放点积注意力、多头注意力）。
前五章是基础知识，后五章是高阶知识。
做完六个项目（机器翻译，图像分类，文本分类，文本生成，泰坦尼克生存预测，房价预测）应具有的能力：
问题建模的能力；特征工程的能力；搭建模型的能力。
本课程适合的人群：
想转行到深度学习方向的工程师；学习了理论但欠缺实践的深度学习starter；有志于、感兴趣深度学习的爱好者们；想快速做实验完成研究任务毕设任务的同学们。
本课程需要的基础：
python基础语法；
熟悉Linux环境；
了解机器学习与深度学习基础知识（有则更好，没有需要看完课程后系统学习）。
1-2tensorflow是什么
深度学习领域使用最为广泛的一个Google的开源软件库（最初由Google brain team进行开发的内部库，由于它的应用性Google决定把它开源出来）：
采取数据流图，用于数值计算；
支持多种平台，GPU、CPU、移动设备；
最初用于深度学习，变得越来越通用（只要是能够表达成数据流图的问题，都可以使用tensorflow来进行解决，现在对于tensorflow的使用大多数还是深度学习）。
数据流图：
节点——处理数据；
线——节点间的输入输出关系；
线上运输张量（张量tensor就是所有的n维数据，所有的n维数据就构成了tensorflow中的数据的一个集合，对于0维数据来说它就是一个数字，对于1维数据来说他就是一个向量，对于二维来说就是一个矩阵，对于大于等于三维的数据统称为高维矩阵，正因为如此才命名为tensorflow，因为它是让tensor在数据流图中去进行流动）；
节点被分配到各种计算设备上运行（它能够支持多种设备，只要把节点在某种设备上的执行算子写好就可以了）。
tensorflow的特性：
高度的灵活性（体现在数据流图上，只要能把数据的计算表示成数据流图就可以使用tensorflow，现在tensorflow主要用于神经网络，tensorflow对于神经网络的很多操作都进行了封装，比如像卷积、归一化、pooling等等，除了这些封装之外，还可以写自己的封装，像写一个python函数一样简单，写完以后就可以去做自己的事情了）；
真正的可移植性（比如CPU、GPU、移动设备等等，比如说你在笔记本上训练了一个model，然后你想把它push到服务器上去进行运行，ok，tensorflow是可以支持的，但是你好像又改变注意了，你想把你训练的model保存出来跑到手机上，ok，tensorflow也可以支持，或者你有改变主意像把tensorflow部署到docker上在docker上运行，ok，这也是可以的，这样就体现了tensorflow它是移植性非常强大的一个库）；
产品和科研结合（tensorflow研究最初是用于科研的，其实科研和工程还有一定的距离，科研的代码需要进一步各种各样的优化才能真正的做到产品上去，但是对于tensorflow则没有这个问题，Google团队把tensorflow优化的已经比较好了，做研究的代码可以无缝的用到产品上）；
自动求微分；
多语言支持（tensorflow除了python以外，还支持各种各样的语言，比如说c++、java、javascript、R语言等）；
性能最优化（在tensorflow刚刚出来的时候由于它运行的比较慢，很多深度学习库呢都会拿tensorflow来进行比较，然后来证明自己比tensorflow好多少倍，但是随着tensorflow一步一步的进行开发，这种情况一去不复返了，tensorflow现在应该是运行最快的一个库，对于分布式的tensorflow来说，它的加速比几乎是线性的）。
1-3tensorflow版本变迁与tf1.0架构
Tensorflow2.0-入门到进阶 第1章 Tensorflow简介与环境搭建
原文：https://www.cnblogs.com/wisir/p/12101848.html