🕷️ Crawler Inspector

URL Lookup

Direct Parameter Lookup

Raw Queries and Responses

1. Shard Calculation

Query:

Response:

Calculated Shard: 6 (from laksa185)

2. Crawled Status Check

Query:

Response:

{"found_url":"https:\/\/tf.wiki\/zh_hans\/","crawl_time":1775344499,"first_indexed_time":1589213948,"http_code":200,"src_unparsed":"wiki,tf!\/zh_hans\/ s443","src_root_hash":"8693670189619740606","history_drop_reason":null,"meta_title":"简单粗暴 TensorFlow 2 | A Concise Handbook of TensorFlow 2 — 简单粗暴 TensorFlow 2 0.4 beta 文档","meta_descriptions":[],"attrs_boilerpipe_text":"本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。\n豆瓣评分：\nhttps:\/\/book.douban.com\/subject\/35217981\/\n纸质版购买链接：\n京东\n当当\n天猫\n图灵社区","attrs_markdown":"[简单粗暴 TensorFlow 2](https:\/\/tf.wiki\/index.html)\n\n0\\.4\n\n目录\n\n- [推荐序](https:\/\/tf.wiki\/zh_hans\/foreword.html)\n- [前言](https:\/\/tf.wiki\/zh_hans\/preface.html)\n- [TensorFlow概述](https:\/\/tf.wiki\/zh_hans\/introduction.html)\n\n基础\n\n- [TensorFlow安装与环境配置](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html)\n- [TensorFlow基础](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html)\n- [TensorFlow 模型建立与训练](https:\/\/tf.wiki\/zh_hans\/basic\/models.html)\n- [TensorFlow常用模块](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html)\n\n部署\n\n- [TensorFlow模型导出](https:\/\/tf.wiki\/zh_hans\/deployment\/export.html)\n- [TensorFlow Serving](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html)\n- [TensorFlow Lite（Jinpeng）](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html)\n- [TensorFlow in JavaScript（Huan）](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html)\n\n大规模训练与加速\n\n- [TensorFlow分布式训练](https:\/\/tf.wiki\/zh_hans\/appendix\/distributed.html)\n- [使用TPU训练TensorFlow模型（Huan）](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html)\n\n扩展\n\n- [TensorFlow Hub 模型复用（Jinpeng）](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html)\n- [TensorFlow Datasets 数据集载入](https:\/\/tf.wiki\/zh_hans\/appendix\/tfds.html)\n- [Swift for TensorFlow (S4TF) (Huan）](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html)\n- [TensorFlow Quantum: 混合量子-经典机器学习 \\*](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html)\n\n附录\n\n- [强化学习简介](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html)\n- [使用Docker部署TensorFlow环境](https:\/\/tf.wiki\/zh_hans\/appendix\/docker.html)\n- [在云端使用TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html)\n- [部署自己的交互式Python开发环境JupyterLab](https:\/\/tf.wiki\/zh_hans\/appendix\/jupyterlab.html)\n- [参考资料与推荐阅读](https:\/\/tf.wiki\/zh_hans\/appendix\/recommended_books.html)\n- [术语中英对照表](https:\/\/tf.wiki\/zh_hans\/appendix\/terms.html)\n\n目錄\n\n- [前言](https:\/\/tf.wiki\/zh_hant\/preface.html)\n- [TensorFlow概述](https:\/\/tf.wiki\/zh_hant\/introduction.html)\n\n基礎\n\n- [TensorFlow 安裝與環境配置](https:\/\/tf.wiki\/zh_hant\/basic\/installation.html)\n- [TensorFlow 基礎](https:\/\/tf.wiki\/zh_hant\/basic\/basic.html)\n- [TensorFlow 模型建立與訓練](https:\/\/tf.wiki\/zh_hant\/basic\/models.html)\n- [TensorFlow常用模組](https:\/\/tf.wiki\/zh_hant\/basic\/tools.html)\n\n部署\n\n- [TensorFlow模型匯出](https:\/\/tf.wiki\/zh_hant\/deployment\/export.html)\n- [TensorFlow Serving](https:\/\/tf.wiki\/zh_hant\/deployment\/serving.html)\n- [TensorFlow Lite（Jinpeng）](https:\/\/tf.wiki\/zh_hant\/deployment\/lite.html)\n- [TensorFlow in JavaScript（Huan）](https:\/\/tf.wiki\/zh_hant\/deployment\/javascript.html)\n\n大規模訓練與加速\n\n- [TensorFlow分布式訓練](https:\/\/tf.wiki\/zh_hant\/appendix\/distributed.html)\n- [使用TPU訓練TensorFlow模型（Huan）](https:\/\/tf.wiki\/zh_hant\/appendix\/tpu.html)\n\n擴展\n\n- [TensorFlow Hub 模型複用（Jinpeng）](https:\/\/tf.wiki\/zh_hant\/appendix\/tfhub.html)\n- [TensorFlow Datasets 資料集載入](https:\/\/tf.wiki\/zh_hant\/appendix\/tfds.html)\n- [Swift for TensorFlow (S4TF) (Huan）](https:\/\/tf.wiki\/zh_hant\/appendix\/swift.html)\n- [TensorFlow Quantum: 混合量子-經典機器學習 \\*](https:\/\/tf.wiki\/zh_hant\/appendix\/quantum.html)\n\n附錄\n\n- [強化學習簡介](https:\/\/tf.wiki\/zh_hant\/appendix\/rl.html)\n- [使用Docker部署TensorFlow環境](https:\/\/tf.wiki\/zh_hant\/appendix\/docker.html)\n- [在雲端使用TensorFlow](https:\/\/tf.wiki\/zh_hant\/appendix\/cloud.html)\n- [部署自己的互動式 Python 開發環境 JupyterLab](https:\/\/tf.wiki\/zh_hant\/appendix\/jupyterlab.html)\n- [參考資料與推薦閱讀](https:\/\/tf.wiki\/zh_hant\/appendix\/recommended_books.html)\n- [專有名詞中英對照表](https:\/\/tf.wiki\/zh_hant\/appendix\/terms.html)\n\nPreface\n\n- [Preface](https:\/\/tf.wiki\/en\/preface.html)\n- [TensorFlow Overview](https:\/\/tf.wiki\/en\/introduction.html)\n\nBasic\n\n- [Installation and Environment Configuration](https:\/\/tf.wiki\/en\/basic\/installation.html)\n- [TensorFlow Basic](https:\/\/tf.wiki\/en\/basic\/basic.html)\n- [Model Construction and Training](https:\/\/tf.wiki\/en\/basic\/models.html)\n- [Common Modules in TensorFlow](https:\/\/tf.wiki\/en\/basic\/tools.html)\n\nDeployment\n\n- [TensorFlow Model Export](https:\/\/tf.wiki\/en\/deployment\/export.html)\n- [TensorFlow Serving](https:\/\/tf.wiki\/en\/deployment\/serving.html)\n\nLarge-scale Training\n\n- [Distributed training with TensorFlow](https:\/\/tf.wiki\/en\/appendix\/distributed.html)\n\nExtensions\n\n- [TensorFlow Datasets: Ready-to-use Datasets](https:\/\/tf.wiki\/en\/appendix\/tfds.html)\n- [TensorFlow Quantum: Hybrid Quantum-classical Machine Learning \\*](https:\/\/tf.wiki\/en\/appendix\/quantum.html)\n\n[简单粗暴 TensorFlow 2](https:\/\/tf.wiki\/index.html)\n\n- »\n- 简单粗暴 TensorFlow 2 \\| A Concise Handbook of TensorFlow 2\n- [查看页面源码](https:\/\/tf.wiki\/_sources\/zh_hans\/index.rst.txt)\n***\n\n# 简单粗暴 TensorFlow 2 \\| A Concise Handbook of TensorFlow 2[¶](https:\/\/tf.wiki\/zh_hans\/#tensorflow-2-a-concise-handbook-of-tensorflow-2 \"永久链接至标题\")\n|   |   |   |\n|---|---|---|\n| **[简体中文版](https:\/\/tf.wiki\/zh_hans)** | **[繁體中文版](https:\/\/tf.wiki\/zh_hant)** | **[English Version](https:\/\/tf.wiki\/en)** |\n\n这是一本简明的 TensorFlow 2 入门指导手册，基于 Keras 和即时执行模式（Eager Execution），力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow 2。同时也是纸质版技术手册 [《简明的 TensorFlow 2》](https:\/\/item.jd.com\/12980534.html) 的部分草稿。\n\n本手册的所有代码基于 TensorFlow 2.2 正式版。文中的所有示例代码可至 [这里](https:\/\/github.com\/snowkylin\/tensorflow-handbook\/tree\/master\/source\/_static\/code) 获得。\n\n本手册正于TensorFlow官方微信公众号（TensorFlow\\_official）连载，可点此查看 [连载文章目录](https:\/\/mp.weixin.qq.com\/mp\/appmsgalbum?action=getalbum&__biz=MzU1OTMyNDcxMQ==&scene=23&album_id=1338132220393111552#wechat_redirect) 。本手册的原始语言为简体中文，并有 [繁体中文版](https:\/\/tf.wiki\/zh_hant) 和 [英文版](https:\/\/tf.wiki\/en) 。本手册是 [Google Summer of Code 2019](https:\/\/summerofcode.withgoogle.com\/archive\/2019\/projects\/5460192307707904\/) 项目之一，并获得 [谷歌开源贡献奖（Google Open Source Peer Bonus）](https:\/\/opensource.googleblog.com\/2020\/10\/announcing-latest-google-open-source.html) 。\n\n自2020年4月起，在每章文末加入了留言区，欢迎有需要的读者在文末讨论交流。\n\n**GitHub：** <https:\/\/github.com\/snowkylin\/tensorflow-handbook>\n\n**教程答疑区：** <https:\/\/discuss.tf.wiki>\n\n[![](https:\/\/tfugcs.andfun.cn\/original\/1X\/77cdc4166bb18d58a9c19efde029a215612cb461.png)](https:\/\/discuss.tf.wiki\/)\n\n**纸质完整版：《简明的 TensorFlow 2》**\n\n|   |   |\n|---|---|\n| ![](https:\/\/tf.wiki\/_static\/image\/index\/cover.jpg) | 本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。 豆瓣评分：<https:\/\/book.douban.com\/subject\/35217981\/> 纸质版购买链接： **[京东](https:\/\/item.jd.com\/12980534.html)** **[当当](http:\/\/product.dangdang.com\/29132630.html)** **[天猫](https:\/\/detail.tmall.com\/item.htm?id=628240887768)** **[图灵社区](https:\/\/www.ituring.com.cn\/book\/2705)** |\n\n目录\n\n- [推荐序](https:\/\/tf.wiki\/zh_hans\/foreword.html)\n  - [李双峰（Google TensorFlow 中国研发负责人）](https:\/\/tf.wiki\/zh_hans\/foreword.html#google-tensorflow)\n  - [Soonson Kwon (Global ML Ecosystem Programs Lead in Google)](https:\/\/tf.wiki\/zh_hans\/foreword.html#soonson-kwon-global-ml-ecosystem-programs-lead-in-google)\n  - [童云海（北京大学图书馆副馆长）](https:\/\/tf.wiki\/zh_hans\/foreword.html#id4)\n- [前言](https:\/\/tf.wiki\/zh_hans\/preface.html)\n  - [本书的适用群体](https:\/\/tf.wiki\/zh_hans\/preface.html#id2)\n  - [如何使用本书](https:\/\/tf.wiki\/zh_hans\/preface.html#id3)\n  - [致谢](https:\/\/tf.wiki\/zh_hans\/preface.html#id4)\n- [TensorFlow概述](https:\/\/tf.wiki\/zh_hans\/introduction.html)\n  - [学生和研究者：模型的建立与训练](https:\/\/tf.wiki\/zh_hans\/introduction.html#id1)\n  - [开发者和工程师：模型的调用与部署](https:\/\/tf.wiki\/zh_hans\/introduction.html#id2)\n  - [TensorFlow能帮助我们做什么？](https:\/\/tf.wiki\/zh_hans\/introduction.html#id3)\n\n基础\n\n- [TensorFlow安装与环境配置](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html)\n  - [一般安装步骤](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#id1)\n  - [GPU版本TensorFlow安装指南](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#gputensorflow)\n    - [GPU硬件的准备](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#gpu)\n    - [NVIDIA驱动程序的安装](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#id5)\n    - [CUDA Toolkit和cuDNN的安装](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#cuda-toolkitcudnn)\n  - [第一个程序](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#id12)\n  - [IDE设置](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#ide)\n  - [TensorFlow所需的硬件配置 \\*](https:\/\/tf.wiki\/zh_hans\/basic\/installation.html#id16)\n- [TensorFlow基础](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html)\n  - [TensorFlow 1+1](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html#tensorflow-1-1)\n  - [自动求导机制](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html#zh-hans-automatic-derivation)\n  - [基础示例：线性回归](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html#zh-hans-linear-regression)\n    - [NumPy下的线性回归](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html#id13)\n    - [TensorFlow下的线性回归](https:\/\/tf.wiki\/zh_hans\/basic\/basic.html#zh-hans-optimizer)\n- [TensorFlow 模型建立与训练](https:\/\/tf.wiki\/zh_hans\/basic\/models.html)\n  - [模型（Model）与层（Layer）](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#model-layer)\n  - [基础示例：多层感知机（MLP）](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#mlp)\n    - [数据获取及预处理： `tf.keras.datasets`](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#tf-keras-datasets)\n    - [模型的构建： `tf.keras.Model` 和 `tf.keras.layers`](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#tf-keras-model-tf-keras-layers)\n    - [模型的训练： `tf.keras.losses` 和 `tf.keras.optimizer`](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#tf-keras-losses-tf-keras-optimizer)\n    - [模型的评估： `tf.keras.metrics`](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#tf-keras-metrics)\n  - [卷积神经网络（CNN）](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#cnn)\n    - [使用Keras实现卷积神经网络](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#keras)\n    - [使用Keras中预定义的经典卷积神经网络结构](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#id13)\n  - [循环神经网络（RNN）](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#rnn)\n  - [深度强化学习（DRL）](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#drl)\n  - [Keras Pipeline \\*](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#keras-pipeline)\n    - [Keras Sequential\/Functional API 模式建立模型](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#keras-sequential-functional-api)\n    - [使用 Keras Model 的 `compile` 、 `fit` 和 `evaluate` 方法训练和评估模型](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#keras-model-compile-fit-evaluate)\n  - [自定义层、损失函数和评估指标 \\*](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#id24)\n    - [自定义层](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#zh-hans-custom-layer)\n    - [自定义损失函数和评估指标](https:\/\/tf.wiki\/zh_hans\/basic\/models.html#id26)\n- [TensorFlow常用模块](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html)\n  - [`tf.train.Checkpoint` ：变量的保存与恢复](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-train-checkpoint)\n  - [TensorBoard：训练过程可视化](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tensorboard)\n    - [实时查看参数变化情况](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id1)\n    - [查看Graph和Profile信息](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#graphprofile)\n    - [实例：查看多层感知机模型的训练情况](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id3)\n  - [`tf.data` ：数据集的构建与预处理](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-data)\n    - [数据集对象的建立](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id4)\n    - [数据集对象的预处理](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id5)\n    - [使用 `tf.data` 的并行化策略提高训练流程效率](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#zh-hans-prefetch)\n    - [数据集元素的获取与使用](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id11)\n    - [实例：cats\\_vs\\_dogs图像分类](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#cats-vs-dogs)\n  - [TFRecord ：TensorFlow数据集存储格式](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tfrecord-tensorflow)\n    - [将数据集存储为 TFRecord 文件](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tfrecord)\n    - [读取 TFRecord 文件](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id14)\n  - [`tf.function` ：图执行模式 \\*](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-function)\n    - [`tf.function` 基础使用方法](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id15)\n    - [`tf.function` 内在机制](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id17)\n    - [AutoGraph：将Python控制流转换为TensorFlow计算图](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#autograph-pythontensorflow)\n    - [使用传统的 `tf.Session`](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-session)\n  - [`tf.TensorArray` ：TensorFlow 动态数组 \\*](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-tensorarray-tensorflow)\n  - [`tf.config`：GPU的使用与分配 \\*](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#tf-config-gpu)\n    - [指定当前程序使用的GPU](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#gpu)\n    - [设置显存使用策略](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#id19)\n    - [单GPU模拟多GPU环境](https:\/\/tf.wiki\/zh_hans\/basic\/tools.html#gpugpu)\n\n部署\n\n- [TensorFlow模型导出](https:\/\/tf.wiki\/zh_hans\/deployment\/export.html)\n  - [使用SavedModel完整导出模型](https:\/\/tf.wiki\/zh_hans\/deployment\/export.html#savedmodel)\n  - [Keras 自有的模型导出格式（Jinpeng）](https:\/\/tf.wiki\/zh_hans\/deployment\/export.html#keras-jinpeng)\n- [TensorFlow Serving](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html)\n  - [TensorFlow Serving安装](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#id1)\n  - [TensorFlow Serving模型部署](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#id2)\n    - [Keras Sequential模式模型的部署](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#keras-sequential)\n    - [自定义Keras模型的部署](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#keras)\n  - [在客户端调用以TensorFlow Serving部署的模型](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#zh-hans-call-serving-api)\n    - [Python客户端示例](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#python)\n    - [Node.js客户端示例（Ziyang）](https:\/\/tf.wiki\/zh_hans\/deployment\/serving.html#node-js-ziyang)\n- [TensorFlow Lite（Jinpeng）](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html)\n  - [模型转换](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html#id1)\n  - [Android部署](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html#android)\n  - [Quantization模型转换](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html#quantization)\n  - [总结](https:\/\/tf.wiki\/zh_hans\/deployment\/lite.html#id3)\n- [TensorFlow in JavaScript（Huan）](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html)\n  - [TensorFlow.js 简介](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#tensorflow-js)\n    - [浏览器中使用 TensorFlow.js 的优势](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id1)\n  - [TensorFlow.js 环境配置](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id2)\n    - [在浏览器中使用 TensorFlow.js](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id3)\n    - [在 Node.js 中使用 TensorFlow.js](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#node-js-tensorflow-js)\n    - [在微信小程序中使用 TensorFlow.js](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id4)\n  - [TensorFlow.js 模型部署](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id7)\n    - [在浏览器中加载 Python 模型](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#python)\n    - [在 Node.js 中执行原生 SavedModel 模型](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#node-js-savedmodel)\n    - [使用 TensorFlow.js 模型库](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id8)\n    - [在浏览器中使用 MobileNet 进行摄像头物体识别](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#mobilenet)\n  - [TensorFlow.js 模型训练 \\*](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id9)\n    - [TensorFlow.js 性能对比](https:\/\/tf.wiki\/zh_hans\/deployment\/javascript.html#id13)\n\n大规模训练与加速\n\n- [TensorFlow分布式训练](https:\/\/tf.wiki\/zh_hans\/appendix\/distributed.html)\n  - [单机多卡训练： `MirroredStrategy`](https:\/\/tf.wiki\/zh_hans\/appendix\/distributed.html#mirroredstrategy)\n  - [多机训练： `MultiWorkerMirroredStrategy`](https:\/\/tf.wiki\/zh_hans\/appendix\/distributed.html#multiworkermirroredstrategy)\n- [使用TPU训练TensorFlow模型（Huan）](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html)\n  - [TPU 简介](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#tpu)\n    - [什么是 TPU](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#id1)\n    - [为什么使用 TPU](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#id2)\n    - [TPU 性能](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#id3)\n  - [TPU 环境配置](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#id4)\n    - [免费 TPU：Google Colab](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#tpu-google-colab)\n    - [Cloud TPU](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#cloud-tpu)\n  - [TPU 基础使用](https:\/\/tf.wiki\/zh_hans\/appendix\/tpu.html#id5)\n\n扩展\n\n- [TensorFlow Hub 模型复用（Jinpeng）](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html)\n  - [TF Hub 网站](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html#tf-hub)\n  - [TF Hub 安装](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html#id1)\n  - [TF Hub 模型使用样例](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html#id2)\n  - [TF Hub 模型retrain样例](https:\/\/tf.wiki\/zh_hans\/appendix\/tfhub.html#tf-hub-retrain)\n- [TensorFlow Datasets 数据集载入](https:\/\/tf.wiki\/zh_hans\/appendix\/tfds.html)\n- [Swift for TensorFlow (S4TF) (Huan）](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html)\n  - [S4TF 简介](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#s4tf)\n    - [为什么要使用 Swift 进行 TensorFlow 开发](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#swift-tensorflow)\n  - [S4TF 环境配置](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#id1)\n    - [本地安装 Swift for TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#id2)\n    - [在 Colaboratory 中快速体验 Swift for TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#colaboratory-swift-for-tensorflow)\n    - [在 Docker 中快速体验 Swift for TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#docker-swift-for-tensorflow)\n  - [S4TF 基础使用](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#id5)\n    - [在 Swift 中使用标准的 TensorFlow API](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#swift-tensorflow-api)\n    - [在 Swift 中直接加载 Python 语言库](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#swift-python)\n    - [语言原生支持自动微分](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#id6)\n    - [MNIST数字分类](https:\/\/tf.wiki\/zh_hans\/appendix\/swift.html#mnist)\n- [TensorFlow Quantum: 混合量子-经典机器学习 \\*](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html)\n  - [量子计算基本概念](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id2)\n    - [量子比特](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id5)\n    - [量子逻辑门](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id8)\n    - [量子线路](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id11)\n    - [多比特的量子线路和量子纠缠 \\*](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id12)\n    - [实例：使用Cirq建立简单的量子线路](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#cirq)\n  - [混合量子-经典机器学习](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id14)\n    - [量子数据集与带参数的量子门](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id15)\n    - [参数化的量子线路（PQC）](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#pqc)\n    - [将参数化的量子线路嵌入机器学习模型](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id16)\n    - [实例：对量子数据集进行二分类](https:\/\/tf.wiki\/zh_hans\/appendix\/quantum.html#id17)\n\n附录\n\n- [强化学习简介](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html)\n  - [从动态规划说起](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id2)\n  - [加入随机性和概率的动态规划](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id5)\n  - [环境信息无法直接获得的情况](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id7)\n  - [从直接算法到迭代算法](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id9)\n    - [q值的渐进性更新](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#q)\n    - [探索策略](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id12)\n  - [大规模问题的求解](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id13)\n  - [总结](https:\/\/tf.wiki\/zh_hans\/appendix\/rl.html#id14)\n- [使用Docker部署TensorFlow环境](https:\/\/tf.wiki\/zh_hans\/appendix\/docker.html)\n- [在云端使用TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html)\n  - [在Colab中使用TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html#colabtensorflow)\n  - [在Google Cloud Platform（GCP）中使用TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html#google-cloud-platform-gcp-tensorflow)\n    - [在Compute Engine建立带GPU的实例并部署TensorFlow](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html#compute-enginegputensorflow)\n    - [使用AI Platform中的Notebook建立带GPU的在线JupyterLab环境](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html#ai-platformnotebookgpujupyterlab)\n  - [在阿里云上使用 GPU 实例运行 Tensorflow（Ziyang）](https:\/\/tf.wiki\/zh_hans\/appendix\/cloud.html#gpu-tensorflow-ziyang)\n- [部署自己的交互式Python开发环境JupyterLab](https:\/\/tf.wiki\/zh_hans\/appendix\/jupyterlab.html)\n- [参考资料与推荐阅读](https:\/\/tf.wiki\/zh_hans\/appendix\/recommended_books.html)\n- [术语中英对照表](https:\/\/tf.wiki\/zh_hans\/appendix\/terms.html)\n\n## Indices and tables[¶](https:\/\/tf.wiki\/zh_hans\/#indices-and-tables \"永久链接至标题\")\n- [索引](https:\/\/tf.wiki\/genindex.html)\n- [模块索引](https:\/\/tf.wiki\/py-modindex.html)\n- [搜索页面](https:\/\/tf.wiki\/search.html)\n\n![Flag Counter](https:\/\/s05.flagcounter.com\/count2\/Hyjs\/bg_FFFFFF\/txt_000000\/border_CCCCCC\/columns_2\/maxflags_16\/viewers_0\/labels_1\/pageviews_1\/flags_0\/percent_0\/)\n\n***\n© Copyright 2018-2021, Xihan Li (snowkylin)\n\nBuilt with [Sphinx](http:\/\/sphinx-doc.org\/) using a [theme](https:\/\/github.com\/rtfd\/sphinx_rtd_theme) provided by [Read the Docs](https:\/\/readthedocs.org\/).\n\n[沪ICP备13038357号-18](https:\/\/beian.miit.gov.cn\/)","attrs_readable_markdown":"本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。\n\n豆瓣评分：<https:\/\/book.douban.com\/subject\/35217981\/>\n\n纸质版购买链接：\n\n- **[京东](https:\/\/item.jd.com\/12980534.html)**\n- **[当当](http:\/\/product.dangdang.com\/29132630.html)**\n- **[天猫](https:\/\/detail.tmall.com\/item.htm?id=628240887768)**\n- **[图灵社区](https:\/\/www.ituring.com.cn\/book\/2705)**","meta_canonical":null}

3. Robots.txt Check

Query:

Response:

4. Spam/Ban Check

Query:

Response:

5. Seen Status Check

ℹ️ Skipped - page is already crawled

📄

INDEXABLE

✅

CRAWLED

5 days ago

🤖

ROBOTS ALLOWED

Page Info Filters

Filter	Status	Condition	Details
HTTP status	PASS	`download_http_code = 200`	HTTP 200
Age cutoff	PASS	`download_stamp > now() - 6 MONTH`	0.2 months ago
History drop	PASS	`isNull(history_drop_reason)`	No drop reason
Spam/ban	PASS	`fh_dont_index != 1 AND ml_spam_score = 0`	ml_spam_score=0
Canonical	PASS	`meta_canonical IS NULL OR = '' OR = src_unparsed`	Not set

Page Details

Property	Value
URL	https://tf.wiki/zh_hans/
Last Crawled	2026-04-04 23:14:59 (5 days ago)
First Indexed	2020-05-11 16:19:08 (5 years ago)
HTTP Status Code	200
Meta Title	简单粗暴 TensorFlow 2 \| A Concise Handbook of TensorFlow 2 — 简单粗暴 TensorFlow 2 0.4 beta 文档
Meta Description	null
Meta Canonical	null
Boilerpipe Text	本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。豆瓣评分： https://book.douban.com/subject/35217981/ 纸质版购买链接：京东当当天猫图灵社区
Markdown	[简单粗暴 TensorFlow 2](https://tf.wiki/index.html) 0\.4 目录 - [推荐序](https://tf.wiki/zh_hans/foreword.html) - [前言](https://tf.wiki/zh_hans/preface.html) - [TensorFlow概述](https://tf.wiki/zh_hans/introduction.html) 基础 - [TensorFlow安装与环境配置](https://tf.wiki/zh_hans/basic/installation.html) - [TensorFlow基础](https://tf.wiki/zh_hans/basic/basic.html) - [TensorFlow 模型建立与训练](https://tf.wiki/zh_hans/basic/models.html) - [TensorFlow常用模块](https://tf.wiki/zh_hans/basic/tools.html) 部署 - [TensorFlow模型导出](https://tf.wiki/zh_hans/deployment/export.html) - [TensorFlow Serving](https://tf.wiki/zh_hans/deployment/serving.html) - [TensorFlow Lite（Jinpeng）](https://tf.wiki/zh_hans/deployment/lite.html) - [TensorFlow in JavaScript（Huan）](https://tf.wiki/zh_hans/deployment/javascript.html) 大规模训练与加速 - [TensorFlow分布式训练](https://tf.wiki/zh_hans/appendix/distributed.html) - [使用TPU训练TensorFlow模型（Huan）](https://tf.wiki/zh_hans/appendix/tpu.html) 扩展 - [TensorFlow Hub 模型复用（Jinpeng）](https://tf.wiki/zh_hans/appendix/tfhub.html) - [TensorFlow Datasets 数据集载入](https://tf.wiki/zh_hans/appendix/tfds.html) - [Swift for TensorFlow (S4TF) (Huan）](https://tf.wiki/zh_hans/appendix/swift.html) - [TensorFlow Quantum: 混合量子-经典机器学习 \](https://tf.wiki/zh_hans/appendix/quantum.html) 附录 - [强化学习简介](https://tf.wiki/zh_hans/appendix/rl.html) - [使用Docker部署TensorFlow环境](https://tf.wiki/zh_hans/appendix/docker.html) - [在云端使用TensorFlow](https://tf.wiki/zh_hans/appendix/cloud.html) - [部署自己的交互式Python开发环境JupyterLab](https://tf.wiki/zh_hans/appendix/jupyterlab.html) - [参考资料与推荐阅读](https://tf.wiki/zh_hans/appendix/recommended_books.html) - [术语中英对照表](https://tf.wiki/zh_hans/appendix/terms.html) 目錄 - [前言](https://tf.wiki/zh_hant/preface.html) - [TensorFlow概述](https://tf.wiki/zh_hant/introduction.html) 基礎 - [TensorFlow 安裝與環境配置](https://tf.wiki/zh_hant/basic/installation.html) - [TensorFlow 基礎](https://tf.wiki/zh_hant/basic/basic.html) - [TensorFlow 模型建立與訓練](https://tf.wiki/zh_hant/basic/models.html) - [TensorFlow常用模組](https://tf.wiki/zh_hant/basic/tools.html) 部署 - [TensorFlow模型匯出](https://tf.wiki/zh_hant/deployment/export.html) - [TensorFlow Serving](https://tf.wiki/zh_hant/deployment/serving.html) - [TensorFlow Lite（Jinpeng）](https://tf.wiki/zh_hant/deployment/lite.html) - [TensorFlow in JavaScript（Huan）](https://tf.wiki/zh_hant/deployment/javascript.html) 大規模訓練與加速 - [TensorFlow分布式訓練](https://tf.wiki/zh_hant/appendix/distributed.html) - [使用TPU訓練TensorFlow模型（Huan）](https://tf.wiki/zh_hant/appendix/tpu.html) 擴展 - [TensorFlow Hub 模型複用（Jinpeng）](https://tf.wiki/zh_hant/appendix/tfhub.html) - [TensorFlow Datasets 資料集載入](https://tf.wiki/zh_hant/appendix/tfds.html) - [Swift for TensorFlow (S4TF) (Huan）](https://tf.wiki/zh_hant/appendix/swift.html) - [TensorFlow Quantum: 混合量子-經典機器學習 \](https://tf.wiki/zh_hant/appendix/quantum.html) 附錄 - [強化學習簡介](https://tf.wiki/zh_hant/appendix/rl.html) - [使用Docker部署TensorFlow環境](https://tf.wiki/zh_hant/appendix/docker.html) - [在雲端使用TensorFlow](https://tf.wiki/zh_hant/appendix/cloud.html) - [部署自己的互動式 Python 開發環境 JupyterLab](https://tf.wiki/zh_hant/appendix/jupyterlab.html) - [參考資料與推薦閱讀](https://tf.wiki/zh_hant/appendix/recommended_books.html) - [專有名詞中英對照表](https://tf.wiki/zh_hant/appendix/terms.html) Preface - [Preface](https://tf.wiki/en/preface.html) - [TensorFlow Overview](https://tf.wiki/en/introduction.html) Basic - [Installation and Environment Configuration](https://tf.wiki/en/basic/installation.html) - [TensorFlow Basic](https://tf.wiki/en/basic/basic.html) - [Model Construction and Training](https://tf.wiki/en/basic/models.html) - [Common Modules in TensorFlow](https://tf.wiki/en/basic/tools.html) Deployment - [TensorFlow Model Export](https://tf.wiki/en/deployment/export.html) - [TensorFlow Serving](https://tf.wiki/en/deployment/serving.html) Large-scale Training - [Distributed training with TensorFlow](https://tf.wiki/en/appendix/distributed.html) Extensions - [TensorFlow Datasets: Ready-to-use Datasets](https://tf.wiki/en/appendix/tfds.html) - [TensorFlow Quantum: Hybrid Quantum-classical Machine Learning \](https://tf.wiki/en/appendix/quantum.html) [简单粗暴 TensorFlow 2](https://tf.wiki/index.html) - » - 简单粗暴 TensorFlow 2 \\| A Concise Handbook of TensorFlow 2 - [查看页面源码](https://tf.wiki/_sources/zh_hans/index.rst.txt) # 简单粗暴 TensorFlow 2 \\| A Concise Handbook of TensorFlow 2[¶](https://tf.wiki/zh_hans/#tensorflow-2-a-concise-handbook-of-tensorflow-2 "永久链接至标题") \| \| \| \| \|---\|---\|---\| \| [简体中文版](https://tf.wiki/zh_hans) \| [繁體中文版](https://tf.wiki/zh_hant) \| [English Version](https://tf.wiki/en) \| 这是一本简明的 TensorFlow 2 入门指导手册，基于 Keras 和即时执行模式（Eager Execution），力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow 2。同时也是纸质版技术手册 [《简明的 TensorFlow 2》](https://item.jd.com/12980534.html) 的部分草稿。本手册的所有代码基于 TensorFlow 2.2 正式版。文中的所有示例代码可至 [这里](https://github.com/snowkylin/tensorflow-handbook/tree/master/source/_static/code) 获得。本手册正于TensorFlow官方微信公众号（TensorFlow\_official）连载，可点此查看 [连载文章目录](https://mp.weixin.qq.com/mp/appmsgalbum?action=getalbum&__biz=MzU1OTMyNDcxMQ==&scene=23&album_id=1338132220393111552#wechat_redirect) 。本手册的原始语言为简体中文，并有 [繁体中文版](https://tf.wiki/zh_hant) 和 [英文版](https://tf.wiki/en) 。本手册是 [Google Summer of Code 2019](https://summerofcode.withgoogle.com/archive/2019/projects/5460192307707904/) 项目之一，并获得 [谷歌开源贡献奖（Google Open Source Peer Bonus）](https://opensource.googleblog.com/2020/10/announcing-latest-google-open-source.html) 。自2020年4月起，在每章文末加入了留言区，欢迎有需要的读者在文末讨论交流。 GitHub： <https://github.com/snowkylin/tensorflow-handbook> 教程答疑区： <https://discuss.tf.wiki> [![](https://tfugcs.andfun.cn/original/1X/77cdc4166bb18d58a9c19efde029a215612cb461.png)](https://discuss.tf.wiki/) 纸质完整版：《简明的 TensorFlow 2》 \| \| \| \|---\|---\| \| ![](https://tf.wiki/_static/image/index/cover.jpg) \| 本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。豆瓣评分：<https://book.douban.com/subject/35217981/> 纸质版购买链接： [京东](https://item.jd.com/12980534.html) [当当](http://product.dangdang.com/29132630.html) [天猫](https://detail.tmall.com/item.htm?id=628240887768) [图灵社区](https://www.ituring.com.cn/book/2705)** \| 目录 - [推荐序](https://tf.wiki/zh_hans/foreword.html) - [李双峰（Google TensorFlow 中国研发负责人）](https://tf.wiki/zh_hans/foreword.html#google-tensorflow) - [Soonson Kwon (Global ML Ecosystem Programs Lead in Google)](https://tf.wiki/zh_hans/foreword.html#soonson-kwon-global-ml-ecosystem-programs-lead-in-google) - [童云海（北京大学图书馆副馆长）](https://tf.wiki/zh_hans/foreword.html#id4) - [前言](https://tf.wiki/zh_hans/preface.html) - [本书的适用群体](https://tf.wiki/zh_hans/preface.html#id2) - [如何使用本书](https://tf.wiki/zh_hans/preface.html#id3) - [致谢](https://tf.wiki/zh_hans/preface.html#id4) - [TensorFlow概述](https://tf.wiki/zh_hans/introduction.html) - [学生和研究者：模型的建立与训练](https://tf.wiki/zh_hans/introduction.html#id1) - [开发者和工程师：模型的调用与部署](https://tf.wiki/zh_hans/introduction.html#id2) - [TensorFlow能帮助我们做什么？](https://tf.wiki/zh_hans/introduction.html#id3) 基础 - [TensorFlow安装与环境配置](https://tf.wiki/zh_hans/basic/installation.html) - [一般安装步骤](https://tf.wiki/zh_hans/basic/installation.html#id1) - [GPU版本TensorFlow安装指南](https://tf.wiki/zh_hans/basic/installation.html#gputensorflow) - [GPU硬件的准备](https://tf.wiki/zh_hans/basic/installation.html#gpu) - [NVIDIA驱动程序的安装](https://tf.wiki/zh_hans/basic/installation.html#id5) - [CUDA Toolkit和cuDNN的安装](https://tf.wiki/zh_hans/basic/installation.html#cuda-toolkitcudnn) - [第一个程序](https://tf.wiki/zh_hans/basic/installation.html#id12) - [IDE设置](https://tf.wiki/zh_hans/basic/installation.html#ide) - [TensorFlow所需的硬件配置 \](https://tf.wiki/zh_hans/basic/installation.html#id16) - [TensorFlow基础](https://tf.wiki/zh_hans/basic/basic.html) - [TensorFlow 1+1](https://tf.wiki/zh_hans/basic/basic.html#tensorflow-1-1) - [自动求导机制](https://tf.wiki/zh_hans/basic/basic.html#zh-hans-automatic-derivation) - [基础示例：线性回归](https://tf.wiki/zh_hans/basic/basic.html#zh-hans-linear-regression) - [NumPy下的线性回归](https://tf.wiki/zh_hans/basic/basic.html#id13) - [TensorFlow下的线性回归](https://tf.wiki/zh_hans/basic/basic.html#zh-hans-optimizer) - [TensorFlow 模型建立与训练](https://tf.wiki/zh_hans/basic/models.html) - [模型（Model）与层（Layer）](https://tf.wiki/zh_hans/basic/models.html#model-layer) - [基础示例：多层感知机（MLP）](https://tf.wiki/zh_hans/basic/models.html#mlp) - [数据获取及预处理： `tf.keras.datasets`](https://tf.wiki/zh_hans/basic/models.html#tf-keras-datasets) - [模型的构建： `tf.keras.Model` 和 `tf.keras.layers`](https://tf.wiki/zh_hans/basic/models.html#tf-keras-model-tf-keras-layers) - [模型的训练： `tf.keras.losses` 和 `tf.keras.optimizer`](https://tf.wiki/zh_hans/basic/models.html#tf-keras-losses-tf-keras-optimizer) - [模型的评估： `tf.keras.metrics`](https://tf.wiki/zh_hans/basic/models.html#tf-keras-metrics) - [卷积神经网络（CNN）](https://tf.wiki/zh_hans/basic/models.html#cnn) - [使用Keras实现卷积神经网络](https://tf.wiki/zh_hans/basic/models.html#keras) - [使用Keras中预定义的经典卷积神经网络结构](https://tf.wiki/zh_hans/basic/models.html#id13) - [循环神经网络（RNN）](https://tf.wiki/zh_hans/basic/models.html#rnn) - [深度强化学习（DRL）](https://tf.wiki/zh_hans/basic/models.html#drl) - [Keras Pipeline \](https://tf.wiki/zh_hans/basic/models.html#keras-pipeline) - [Keras Sequential/Functional API 模式建立模型](https://tf.wiki/zh_hans/basic/models.html#keras-sequential-functional-api) - [使用 Keras Model 的 `compile` 、 `fit` 和 `evaluate` 方法训练和评估模型](https://tf.wiki/zh_hans/basic/models.html#keras-model-compile-fit-evaluate) - [自定义层、损失函数和评估指标 \](https://tf.wiki/zh_hans/basic/models.html#id24) - [自定义层](https://tf.wiki/zh_hans/basic/models.html#zh-hans-custom-layer) - [自定义损失函数和评估指标](https://tf.wiki/zh_hans/basic/models.html#id26) - [TensorFlow常用模块](https://tf.wiki/zh_hans/basic/tools.html) - [`tf.train.Checkpoint` ：变量的保存与恢复](https://tf.wiki/zh_hans/basic/tools.html#tf-train-checkpoint) - [TensorBoard：训练过程可视化](https://tf.wiki/zh_hans/basic/tools.html#tensorboard) - [实时查看参数变化情况](https://tf.wiki/zh_hans/basic/tools.html#id1) - [查看Graph和Profile信息](https://tf.wiki/zh_hans/basic/tools.html#graphprofile) - [实例：查看多层感知机模型的训练情况](https://tf.wiki/zh_hans/basic/tools.html#id3) - [`tf.data` ：数据集的构建与预处理](https://tf.wiki/zh_hans/basic/tools.html#tf-data) - [数据集对象的建立](https://tf.wiki/zh_hans/basic/tools.html#id4) - [数据集对象的预处理](https://tf.wiki/zh_hans/basic/tools.html#id5) - [使用 `tf.data` 的并行化策略提高训练流程效率](https://tf.wiki/zh_hans/basic/tools.html#zh-hans-prefetch) - [数据集元素的获取与使用](https://tf.wiki/zh_hans/basic/tools.html#id11) - [实例：cats\_vs\_dogs图像分类](https://tf.wiki/zh_hans/basic/tools.html#cats-vs-dogs) - [TFRecord ：TensorFlow数据集存储格式](https://tf.wiki/zh_hans/basic/tools.html#tfrecord-tensorflow) - [将数据集存储为 TFRecord 文件](https://tf.wiki/zh_hans/basic/tools.html#tfrecord) - [读取 TFRecord 文件](https://tf.wiki/zh_hans/basic/tools.html#id14) - [`tf.function` ：图执行模式 \](https://tf.wiki/zh_hans/basic/tools.html#tf-function) - [`tf.function` 基础使用方法](https://tf.wiki/zh_hans/basic/tools.html#id15) - [`tf.function` 内在机制](https://tf.wiki/zh_hans/basic/tools.html#id17) - [AutoGraph：将Python控制流转换为TensorFlow计算图](https://tf.wiki/zh_hans/basic/tools.html#autograph-pythontensorflow) - [使用传统的 `tf.Session`](https://tf.wiki/zh_hans/basic/tools.html#tf-session) - [`tf.TensorArray` ：TensorFlow 动态数组 \](https://tf.wiki/zh_hans/basic/tools.html#tf-tensorarray-tensorflow) - [`tf.config`：GPU的使用与分配 \](https://tf.wiki/zh_hans/basic/tools.html#tf-config-gpu) - [指定当前程序使用的GPU](https://tf.wiki/zh_hans/basic/tools.html#gpu) - [设置显存使用策略](https://tf.wiki/zh_hans/basic/tools.html#id19) - [单GPU模拟多GPU环境](https://tf.wiki/zh_hans/basic/tools.html#gpugpu) 部署 - [TensorFlow模型导出](https://tf.wiki/zh_hans/deployment/export.html) - [使用SavedModel完整导出模型](https://tf.wiki/zh_hans/deployment/export.html#savedmodel) - [Keras 自有的模型导出格式（Jinpeng）](https://tf.wiki/zh_hans/deployment/export.html#keras-jinpeng) - [TensorFlow Serving](https://tf.wiki/zh_hans/deployment/serving.html) - [TensorFlow Serving安装](https://tf.wiki/zh_hans/deployment/serving.html#id1) - [TensorFlow Serving模型部署](https://tf.wiki/zh_hans/deployment/serving.html#id2) - [Keras Sequential模式模型的部署](https://tf.wiki/zh_hans/deployment/serving.html#keras-sequential) - [自定义Keras模型的部署](https://tf.wiki/zh_hans/deployment/serving.html#keras) - [在客户端调用以TensorFlow Serving部署的模型](https://tf.wiki/zh_hans/deployment/serving.html#zh-hans-call-serving-api) - [Python客户端示例](https://tf.wiki/zh_hans/deployment/serving.html#python) - [Node.js客户端示例（Ziyang）](https://tf.wiki/zh_hans/deployment/serving.html#node-js-ziyang) - [TensorFlow Lite（Jinpeng）](https://tf.wiki/zh_hans/deployment/lite.html) - [模型转换](https://tf.wiki/zh_hans/deployment/lite.html#id1) - [Android部署](https://tf.wiki/zh_hans/deployment/lite.html#android) - [Quantization模型转换](https://tf.wiki/zh_hans/deployment/lite.html#quantization) - [总结](https://tf.wiki/zh_hans/deployment/lite.html#id3) - [TensorFlow in JavaScript（Huan）](https://tf.wiki/zh_hans/deployment/javascript.html) - [TensorFlow.js 简介](https://tf.wiki/zh_hans/deployment/javascript.html#tensorflow-js) - [浏览器中使用 TensorFlow.js 的优势](https://tf.wiki/zh_hans/deployment/javascript.html#id1) - [TensorFlow.js 环境配置](https://tf.wiki/zh_hans/deployment/javascript.html#id2) - [在浏览器中使用 TensorFlow.js](https://tf.wiki/zh_hans/deployment/javascript.html#id3) - [在 Node.js 中使用 TensorFlow.js](https://tf.wiki/zh_hans/deployment/javascript.html#node-js-tensorflow-js) - [在微信小程序中使用 TensorFlow.js](https://tf.wiki/zh_hans/deployment/javascript.html#id4) - [TensorFlow.js 模型部署](https://tf.wiki/zh_hans/deployment/javascript.html#id7) - [在浏览器中加载 Python 模型](https://tf.wiki/zh_hans/deployment/javascript.html#python) - [在 Node.js 中执行原生 SavedModel 模型](https://tf.wiki/zh_hans/deployment/javascript.html#node-js-savedmodel) - [使用 TensorFlow.js 模型库](https://tf.wiki/zh_hans/deployment/javascript.html#id8) - [在浏览器中使用 MobileNet 进行摄像头物体识别](https://tf.wiki/zh_hans/deployment/javascript.html#mobilenet) - [TensorFlow.js 模型训练 \](https://tf.wiki/zh_hans/deployment/javascript.html#id9) - [TensorFlow.js 性能对比](https://tf.wiki/zh_hans/deployment/javascript.html#id13) 大规模训练与加速 - [TensorFlow分布式训练](https://tf.wiki/zh_hans/appendix/distributed.html) - [单机多卡训练： `MirroredStrategy`](https://tf.wiki/zh_hans/appendix/distributed.html#mirroredstrategy) - [多机训练： `MultiWorkerMirroredStrategy`](https://tf.wiki/zh_hans/appendix/distributed.html#multiworkermirroredstrategy) - [使用TPU训练TensorFlow模型（Huan）](https://tf.wiki/zh_hans/appendix/tpu.html) - [TPU 简介](https://tf.wiki/zh_hans/appendix/tpu.html#tpu) - [什么是 TPU](https://tf.wiki/zh_hans/appendix/tpu.html#id1) - [为什么使用 TPU](https://tf.wiki/zh_hans/appendix/tpu.html#id2) - [TPU 性能](https://tf.wiki/zh_hans/appendix/tpu.html#id3) - [TPU 环境配置](https://tf.wiki/zh_hans/appendix/tpu.html#id4) - [免费 TPU：Google Colab](https://tf.wiki/zh_hans/appendix/tpu.html#tpu-google-colab) - [Cloud TPU](https://tf.wiki/zh_hans/appendix/tpu.html#cloud-tpu) - [TPU 基础使用](https://tf.wiki/zh_hans/appendix/tpu.html#id5) 扩展 - [TensorFlow Hub 模型复用（Jinpeng）](https://tf.wiki/zh_hans/appendix/tfhub.html) - [TF Hub 网站](https://tf.wiki/zh_hans/appendix/tfhub.html#tf-hub) - [TF Hub 安装](https://tf.wiki/zh_hans/appendix/tfhub.html#id1) - [TF Hub 模型使用样例](https://tf.wiki/zh_hans/appendix/tfhub.html#id2) - [TF Hub 模型retrain样例](https://tf.wiki/zh_hans/appendix/tfhub.html#tf-hub-retrain) - [TensorFlow Datasets 数据集载入](https://tf.wiki/zh_hans/appendix/tfds.html) - [Swift for TensorFlow (S4TF) (Huan）](https://tf.wiki/zh_hans/appendix/swift.html) - [S4TF 简介](https://tf.wiki/zh_hans/appendix/swift.html#s4tf) - [为什么要使用 Swift 进行 TensorFlow 开发](https://tf.wiki/zh_hans/appendix/swift.html#swift-tensorflow) - [S4TF 环境配置](https://tf.wiki/zh_hans/appendix/swift.html#id1) - [本地安装 Swift for TensorFlow](https://tf.wiki/zh_hans/appendix/swift.html#id2) - [在 Colaboratory 中快速体验 Swift for TensorFlow](https://tf.wiki/zh_hans/appendix/swift.html#colaboratory-swift-for-tensorflow) - [在 Docker 中快速体验 Swift for TensorFlow](https://tf.wiki/zh_hans/appendix/swift.html#docker-swift-for-tensorflow) - [S4TF 基础使用](https://tf.wiki/zh_hans/appendix/swift.html#id5) - [在 Swift 中使用标准的 TensorFlow API](https://tf.wiki/zh_hans/appendix/swift.html#swift-tensorflow-api) - [在 Swift 中直接加载 Python 语言库](https://tf.wiki/zh_hans/appendix/swift.html#swift-python) - [语言原生支持自动微分](https://tf.wiki/zh_hans/appendix/swift.html#id6) - [MNIST数字分类](https://tf.wiki/zh_hans/appendix/swift.html#mnist) - [TensorFlow Quantum: 混合量子-经典机器学习 \](https://tf.wiki/zh_hans/appendix/quantum.html) - [量子计算基本概念](https://tf.wiki/zh_hans/appendix/quantum.html#id2) - [量子比特](https://tf.wiki/zh_hans/appendix/quantum.html#id5) - [量子逻辑门](https://tf.wiki/zh_hans/appendix/quantum.html#id8) - [量子线路](https://tf.wiki/zh_hans/appendix/quantum.html#id11) - [多比特的量子线路和量子纠缠 \](https://tf.wiki/zh_hans/appendix/quantum.html#id12) - [实例：使用Cirq建立简单的量子线路](https://tf.wiki/zh_hans/appendix/quantum.html#cirq) - [混合量子-经典机器学习](https://tf.wiki/zh_hans/appendix/quantum.html#id14) - [量子数据集与带参数的量子门](https://tf.wiki/zh_hans/appendix/quantum.html#id15) - [参数化的量子线路（PQC）](https://tf.wiki/zh_hans/appendix/quantum.html#pqc) - [将参数化的量子线路嵌入机器学习模型](https://tf.wiki/zh_hans/appendix/quantum.html#id16) - [实例：对量子数据集进行二分类](https://tf.wiki/zh_hans/appendix/quantum.html#id17) 附录 - [强化学习简介](https://tf.wiki/zh_hans/appendix/rl.html) - [从动态规划说起](https://tf.wiki/zh_hans/appendix/rl.html#id2) - [加入随机性和概率的动态规划](https://tf.wiki/zh_hans/appendix/rl.html#id5) - [环境信息无法直接获得的情况](https://tf.wiki/zh_hans/appendix/rl.html#id7) - [从直接算法到迭代算法](https://tf.wiki/zh_hans/appendix/rl.html#id9) - [q值的渐进性更新](https://tf.wiki/zh_hans/appendix/rl.html#q) - [探索策略](https://tf.wiki/zh_hans/appendix/rl.html#id12) - [大规模问题的求解](https://tf.wiki/zh_hans/appendix/rl.html#id13) - [总结](https://tf.wiki/zh_hans/appendix/rl.html#id14) - [使用Docker部署TensorFlow环境](https://tf.wiki/zh_hans/appendix/docker.html) - [在云端使用TensorFlow](https://tf.wiki/zh_hans/appendix/cloud.html) - [在Colab中使用TensorFlow](https://tf.wiki/zh_hans/appendix/cloud.html#colabtensorflow) - [在Google Cloud Platform（GCP）中使用TensorFlow](https://tf.wiki/zh_hans/appendix/cloud.html#google-cloud-platform-gcp-tensorflow) - [在Compute Engine建立带GPU的实例并部署TensorFlow](https://tf.wiki/zh_hans/appendix/cloud.html#compute-enginegputensorflow) - [使用AI Platform中的Notebook建立带GPU的在线JupyterLab环境](https://tf.wiki/zh_hans/appendix/cloud.html#ai-platformnotebookgpujupyterlab) - [在阿里云上使用 GPU 实例运行 Tensorflow（Ziyang）](https://tf.wiki/zh_hans/appendix/cloud.html#gpu-tensorflow-ziyang) - [部署自己的交互式Python开发环境JupyterLab](https://tf.wiki/zh_hans/appendix/jupyterlab.html) - [参考资料与推荐阅读](https://tf.wiki/zh_hans/appendix/recommended_books.html) - [术语中英对照表](https://tf.wiki/zh_hans/appendix/terms.html) ## Indices and tables[¶](https://tf.wiki/zh_hans/#indices-and-tables "永久链接至标题") - [索引](https://tf.wiki/genindex.html) - [模块索引](https://tf.wiki/py-modindex.html) - [搜索页面](https://tf.wiki/search.html) ![Flag Counter](https://s05.flagcounter.com/count2/Hyjs/bg_FFFFFF/txt_000000/border_CCCCCC/columns_2/maxflags_16/viewers_0/labels_1/pageviews_1/flags_0/percent_0/) ** © Copyright 2018-2021, Xihan Li (snowkylin) Built with [Sphinx](http://sphinx-doc.org/) using a [theme](https://github.com/rtfd/sphinx_rtd_theme) provided by [Read the Docs](https://readthedocs.org/). [沪ICP备13038357号-18](https://beian.miit.gov.cn/)
Readable Markdown	本书纸质版《简明的 TensorFlow 2》由人民邮电出版社（图灵社区）出版，在本在线手册的基础上进行了细致的编排校对，并增加了若干 TensorFlow 高级专题，全彩印刷，为读者带来更好的阅读体验。豆瓣评分：<https://book.douban.com/subject/35217981/> 纸质版购买链接： - [京东](https://item.jd.com/12980534.html) - [当当](http://product.dangdang.com/29132630.html) - [天猫](https://detail.tmall.com/item.htm?id=628240887768) - [图灵社区](https://www.ituring.com.cn/book/2705)
Shard	6 (laksa)
Root Hash	8693670189619740606
Unparsed URL	wiki,tf!/zh_hans/ s443