做这个仓库是因为自己看了一年论文，但是代码复现能力总是捉鸡:joy:正好Tensorflow2.0推荐使用keras作为构建网络的api，学习成本低了很多，于是想分享一些学习过程的经验和爬过的坑~
notebook文件夹中是代码和讲解的notebook文件，
大家可以git clone https://github.com/Clearailhc/Tensorflow2.0_starter_chinese 到本地运行；
markdown文件夹中是课程的md版本，大家可以对照着自己实践。
本仓库慢慢更新，欢迎讨论~ 希望和大家一起进步~
（如果大家觉得有帮助的话，请留下小星星 ⭐哦 ）
参考：
- tensorflow2_tutorials_chinese（https://github.com/czy36mengfei/tensorflow2_tutorials_chinese）
- 中文keras文档（https://github.com/MoyanZitto/keras-cn）
个人推荐使用conda安装，省去了分别手动安装CUDA,CUDNN和tf、配置正确版本的繁琐过程，并且conda命令各平台通用。
可以选择官网下载或者清华开源镜像站 (https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/) 下载，选择最新的版本下载即可（默认python3.7），下载完成后将清华镜像加入Anaconda Python 免费仓库，打开conda prompt或者terminal运行以下命令:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
使用conda最大的好处是可以创建相对独立的环境，哪怕某个环境崩了也不会影响其它，同样在conda prompt或者terminal运行以下命令：
conda create -n your_env_name python=3.7
将your_env_name替换为您想要的环境名（如tf2），后面的python版本可选，若省略则默认和你的anaconda基础python同一版本。
创建完成后运行：
conda activate your_env_name
激活该独立环境，此时命令行前会显示当前环境名，之后的操作默认都在新的环境中进行。
下面将使用conda安装Tensorflow 2.0，因为此时conda库中并无tf 2.0的包(仅可以通过pip安装)，可以采用曲线救国策略先安装Tensorflow 1.13.1（cuda和cudnn版本与tf 2.0相同），运行如下命令：
conda install tensorflow-gpu==1.13.1
之后会提示安装相关的包，按 y 继续，等待安装完成。
然后偷梁换柱卸载掉tf 1.13，使用pip安装tf 2.0：
pip uninstall tensorflow-gpu
pip install tensorflow-gpu==2.0.0b1 -i https://pypi.tuna.tsinghua.edu.cn/simple
至此就在该环境中安装完了Tensorflow 2.0-gpu。
此时可以通过三种方式使用该环境：
- 在conda prompt或者terminal中激活该环境后，直接输入python进入python。
- 使用pycharm、spyder等IDE，手动切换环境路径为“%Anaconda安装目录/envs/your_env_name”
- 使用Jupyter Lab（notebook升级版）配置多多环境kernel
因为本项目为基于Jupyter的项目，着重讲一下第三种方式：
- 先激活tf2.0所在的环境，使用
conda install ipykernel安装ipykernel. - 使用
conda deactivate回到base环境，使用conda install nb_conda安装nb_conda. - 新建一个conda prompt或者terminal，输入
jupyter lab运行juyter lab，此时可以看到多个环境的kernel。
jupyter lab的其它用法可以通过别的学习资料了解，至此已经完成了Tensorflow 2.0的安装和运行环境配置，如有问题欢迎提问~
本课的内容是和大家一起跑起来tf中基于keras构建的神经网络模型，包括基础的模型搭建、训练、预测等。
本测试的内容是和大家一起利用第一课的keras.Sequential模型构建全连接的神经网络，来解决mnist手写字体识别问题。
本课的内容是除了使用序列模型都搭建网络之外，可以使用keras函数式api构建高度自定义的模型。