入门
基于 TensorFlow 2.21.0 官方文档（install/pip + Keras Quickstart + tf.data 指南）编写，对照当前稳定版行为
速查
- 安装：
pip install tensorflow；Linux GPU 版pip install 'tensorflow[and-cuda]'（驱动 ≥ 525.60.13） - Python：支持 3.10–3.13（2.21 起移除 3.9）
- 版本确认：
tf.__version__；GPU 自检tf.config.list_physical_devices('GPU') - 建张量：
tf.constant([1, 2, 3])/tf.zeros((2, 3))/tf.random.normal((2, 3))；.numpy()转 ndarray - 可训练状态：
tf.Variable(...)（权重载体，随 GradientTape 求导） - 模型三件套：
compile(optimizer=, loss=, metrics=)→fit(...)→evaluate()/predict() - Sequential 骨架：
keras.Sequential([keras.Input(shape=...), layers.Dense(...)]) - 数据管线：
tf.data.Dataset.from_tensor_slices((x, y)).shuffle(n).batch(32).prefetch(AUTOTUNE) - 保存：
model.save("model.keras")；加载keras.models.load_model("model.keras") - 部署导出：
model.export("saved/")（Keras 3 导出 SavedModel，供 TF Serving/TFLite 用） - GPU 平台：Linux 原生；Windows 需 WSL2（2.11 起原生无 GPU）；macOS 无官方 GPU 支持
- eager 默认：TF2 即时执行逐行可调试；要图性能再
@tf.function
安装与验证
普通 CPU 环境一行即可；Linux 上要 GPU 加速需带 and-cuda extra（自动拉 NVIDIA CUDA/cuDNN 的 pip 依赖）：
bash
# 纯 CPU（各平台通用）
pip install tensorflow
# Linux + NVIDIA GPU：自动安装配套 CUDA 库（官方安装文档列出 CUDA 12.3 + cuDNN 8.9.7）
pip install 'tensorflow[and-cuda]'安装后验证（官方样例）：
python
import tensorflow as tf
print(tf.__version__) # 2.21.0
tf.config.list_physical_devices("GPU") # 非空列表 = GPU 可用
print(tf.reduce_sum(tf.random.normal([1000, 1000]))) # 跑通张量计算平台注意（官方安装文档原文要点）：
- Windows：2.10 是最后一个原生支持 GPU 的版本；2.11 起要么装 WSL2 跑 Linux 版，要么用社区 DirectML 插件
- macOS：官方无 GPU 支持（早年 Apple 的 tensorflow-metal 插件已长期不更新）
- Windows CPU wheel：2.10 起由 Intel 代为构建维护
- 2.21 起 TensorBoard 不再随 tensorflow 自动安装，需要时
pip install tensorboard
Eager 张量初体验
TF2 默认即时执行（Eager Execution）：每行运算立即求值，与 NumPy 风格一致，不再有 1.x 的 Session。
python
import tensorflow as tf
a = tf.constant([[1, 2], [3, 4]]) # 从 Python 数据建张量
b = tf.random.normal((2, 2)) # 标准正态
c = a @ b # 矩阵乘
d = a * 2 # 逐元素乘（广播）
print(c.shape, c.dtype) # (2, 2) <dtype: 'float32'>
arr = c.numpy() # 转 NumPy（仅 eager 下可用）
w = tf.Variable(1.0) # 可训练变量：梯度求导的目标
w.assign_add(0.5) # 原地更新 → 1.5要点：tf.Tensor 不可变（每次运算产新张量），tf.Variable 可变、是模型权重的载体；GPU 可用时运算自动落在 GPU，无需手动 .to(device)。
第一个模型：FashionMNIST 分类
官方 quickstart 的完整流程——数据、建模、编译、训练、评估，共 20 余行：
python
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 1. 加载内置数据集（28×28 灰度图，10 类）
(x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0 # 归一化到 [0,1]
# 2. Sequential 建模：层按顺序堆叠
model = keras.Sequential([
keras.Input(shape=(28, 28)), # 显式声明输入形状
layers.Flatten(), # 28×28 → 784
layers.Dense(128, activation="relu"),
layers.Dropout(0.2),
layers.Dense(10), # 输出 logits（不加 softmax）
])
# 3. 编译：指定优化器 / 损失 / 指标
model.compile(
optimizer="adam",
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[keras.metrics.SparseCategoricalAccuracy()],
)
# 4. 训练 + 评估
model.fit(x_train, y_train, epochs=5, validation_split=0.1)
model.evaluate(x_test, y_test, verbose=0)三个高频知识点：
- 输出是 logits：最后一层不加激活，
from_logits=True让损失函数内部做 softmax（数值更稳）；要概率再tf.nn.softmax(logits) - 整数标签用 Sparse 损失：标签是
0–9整数配SparseCategoricalCrossentropy；one-hot 标签才用CategoricalCrossentropy fit一把梭：自动完成 batch 切分、前向、反向、参数更新；validation_split从训练集尾部切验证集
用 tf.data 喂数据
model.fit 直接吃 NumPy 很方便，但大数据/复杂预处理要用 tf.data.Dataset——声明式输入管线：
python
train_ds = (
tf.data.Dataset.from_tensor_slices((x_train, y_train))
.shuffle(60000) # 打乱（buffer 给足）
.batch(32) # 组批
.prefetch(tf.data.AUTOTUNE) # 训练与数据准备重叠
)
model.fit(train_ds, epochs=5) # Dataset 直接喂给 fit- 链式变换：每个方法返回新 Dataset，顺序即执行顺序
shuffle(buffer_size)：从缓冲区随机抽，buffer 越大越接近全局打乱（经验：≥ 样本数或上万）prefetch(AUTOTUNE)：几乎永远该放在最后，让 CPU 备数据时 GPU 不空转- 变长/自定义数据源用
from_generator；海量文件用tf.data.TFRecordDataset（见指南页）
保存与导出
python
# ① 训练侧标准：Keras 3 原生 .keras 格式（架构 + 权重 + 编译配置一个文件）
model.save("fashion.keras")
new_model = keras.models.load_model("fashion.keras")
new_model.evaluate(x_test, y_test, verbose=0)
# ② 部署侧：导出 SavedModel 目录（不含训练状态，供 Serving/TFLite/TFJS 消费）
model.export("saved_model/1/") # Keras 3 的 export，目录按版本号组织.keras是 Keras 3 推荐格式（zip 内含 config.json + weights）；旧.h5仅 legacy 兼容.keras存的是「训练模型」，export产的是「推理工件」：后者剥离优化器状态，只留前向签名- 非 Keras 场景用
tf.saved_model.save(obj, dir)/tf.saved_model.load(dir)（见指南页）
下一步
到这里已能跑通「数据 → 训练 → 评估 → 保存」闭环。进阶看本叶「指南」：tf.function 图编译、tf.data 性能调优、GradientTape 自定义训练循环、TF Serving/TFLite/TFJS 部署矩阵；API 清单与版本兼容看「参考」。