哔哩哔哩有带读https://www.bilibili.com/video/BV1AJ411i7US/?spm_id_from=333.788.videocard.2
第二章
最优化损失函数
量
连续值预测问题是非常常见的，比如股价的走势预测、天气预报中温 度和湿度等的预测、年龄的预测、交通流量的预测等。对于预测值是连续的实数范围，或 者属于某一段连续的实数区间，我们把这种问题称为回归(Regression)问题。
第三章
分类
x = 2*tf.convert_to_tensor(x, dtype=tf.float32)/255.-1 # 转换为浮点张量，并缩放到 -1~1
【把[0,255]像素范围 归一化(Normalize)到[0,1. ]区间，再缩放到[−1,1]区间】
y = tf.convert_to_tensor(y, dtype=tf.int32) # 转换为整形张量
y = tf.one_hot(y, depth=10) # one-hot编码
train_dataset = tf.data.Dataset.from_tensor_slices((x, y)) # 构建数据集对象
train_dataset = train_dataset.batch(512) # 批量训练
对于分类问题的误差计算来说，更常见的是采用交叉熵(Cross Entropy)损失函数，较少采用 回归问题中介绍的均方差损失函数。
可以通过重复堆叠多次变换来增加其表达能力
# 创建一层网络，设置输出节点数为 256，激活函数类型为 ReLU
layers.Dense(256, activation=\'relu\')
第4章 TensorFlow 基础
aa = tf.constant(1.2) # TF方式创建标量
x.numpy() # 将TF张量的数据导出为numpy数组格式
a = tf.constant(\'Hello, Deep Learning.\') # 创建字符串
a = tf.constant(True) # 创建布尔类型标量 ⚠️TensorFlow 的布尔类型和 Python 语言的布尔类型并不等价，不能通 用
# 创建指定精度的张量 tf.constant(123456789, dtype=tf.int16)
tf.cast(a, tf.double) # 转换为高精度张量
由于梯度运算会消耗大量的 计算资源，而且会自动更新相关参数，对于不需要的优化的张量，如神经网络的输入