开发者学堂课程【Tensorflow2.0入门与实战：Tensorflow 课程框架介绍】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/664/detail/11113
Tensorflow课程框架介绍
内容介绍：
一、Tensorflow2.0课程框架（上）
二、Tensorflow2.0课程框架（下）
一、Tensorflow2.0课程框架（上）
1、开发环境搭建
2、深度学习基础和 tf.keras
深度学习基础实际上就是继续学习的基础，包括继续学习的一些基础的概念，tf.keras 是深度学习的高级 API，用起来也非常的方便。
3、tf.data 输入模块
tf.data 它是谷歌在2018年引入的专门的输入模块。Tensorflow1.0 使用的是对列输入，这种对列输入非常的不方便，并且写代码的时候容易出错。tf.data 就是一个非常非常完美的输入管道，它可以非常方便的编写代码，帮助我们把数据输入进去。
4、计算机视觉-卷积神经网络
包括卷积神经网络所有基础的概念以及如何用代码来实现。使用 tf.data 和卷积神经网络做综合实例的演示，也就是卫星图像的识别。
5、tf.keras 高阶 API 实例：两个实例
6、Eager 模式与自定义训练
Tensorflow2.0 刚投入使用时，与1.0之间非常大的区别就是 Eager 模式，为大家介绍了Eager模式和自定义训练，自定义训练的应用非常广泛，在编写非常复杂的网络时，
有生成器和判别器，而且需要分别来进行优化，包括一些参数都需要分别进行计算，这时我们使用自定义训练是非常方便的。自定义训练也是 Tensorflow 提供给我们的自由发挥的地方，可以控制整个训练的细节。
7、Tensorboard 可视化
Tensorboard 如何把 loss、learning rate 等进行可视化。
8、自定义训练综合实例与图片增强
图片增强也是一个非常关键的点，为大家验实的是如何使用两千张图像达到99％的正确率。
9、使用预训练网络（迁移学习)
预训练网络是应用非常广泛的网络，在实际解决问题中，经常使用预训练网络。
10、多输出模型实例
同时预测一件商品，商品类型以及商品颜色，课程最后还在网上下载图片进行预测。
二、Tensorflow2.0课程框架（下）
11、模型保存与恢复：讲解了模型的四种保存方式
12、图像定位
一个非常重要的章节，是 Tensorflow 的一个稍微进阶一点的应用，我们通过图像定位就会发现我们不仅可以用它来做分类，还可以使用 Tensorflow 这种框架来搭建图像定位的算法。
13、自动图运算与 GPU 使用策略
介绍了如何来配置 Tensorflow，如何实现自动图运算以及如何使用配置GPU使用策略
14、图像语义分割
在这个过程中，介绍的是一个fcn的模型，这个课程简洁并且正确率高，使用 fcn 的预训练网络来实现图像语义分割算法，近期会更新一个 unit 模型作为比较，unit语义分割模型适合于比较少的图像，很少的训练时间就可以达到很高的正确率，并且unit 模型在 gain 课程中也有用到。
图像翻译，对图像进行上色，一张素描图片经过它可以得到一张彩色图片，输入一张语义分割后的图像，可以使用它生成一张真实的图像。
15、RNN 循环神经网络
做了两个文本的演示，包括从真实的文字开始，包括文字处理，以及编码，将其数值化，输入到 RNN 中。
16、RNN 序列预测实例–空气污染预测
一个非常庞大的例子，使用北京的PM2.5的数据，这是一个时间序列，当然也包括其他的数据，比如气压、有没有雨、雾等等气象条件，这是一个非常长的序列，根据这个序列可以预测未来比如一天后PM2.5的值，并且做了一个真实的预测，采集2014年的数据，预测2015年的PM2.5的数据。
上网搜索相关数据会发现预测地非常准确。
17、使用免费 GPU 加速训练：实际上介绍了 kakou 的使用1X版本课程，
这就是整个课程的框架。
18、1.X版本课程
