本门课程的基础章节，详细介绍了如何使用tf.keras进行模型的搭建以及大量的深度学习的理论知识。理论知识包括分类问题、回归问题、损失函数、神经网络、激活函数、dropout、批归一化、深度神经网络、Wide&Deep模型、密集特征、稀疏特征、超参数搜索等及其在图像分类、房价预测上的实现。
课程代码的tensorflow版本：
大部分代码是tensorflow2.0的；
课程以tf.keras API为主，因为keras在1.3以后的版本就引入进来了，因而部分代码可以在tf1.3+运行；
另外有少量tensorflow1.*版本代码，这些版本的代码并不能在2.0上运行，因为很多API都已经过时了。
理论部分：
tensorflow-keras简介；
分类问题、回归问题、损失函数；
神经网络、激活函数、批归一化、Dropout；
wide&模型；
超参数搜索。
实战部分：
keras搭建分类模型；
keras回调函数；
keras搭建回归模型；
keras搭建深度神经网络；
keras实现wide&deep模型；
keras与scikit-learn实现超参数搜索。
tensorflow-keras简介
keras是什么：
基于python的高级神经网络API，它是一套API，而不是一个完整的库；
Francois Chollet（现在在Google，tf.keras由他来实现）于2014-2015年编写Keras；
keras只是神经网络的API，它不是一个完整的库，它如何去运行呢？他要设置后端，现在tensorflow支持三个后端，有了后端之后，keras才能去运行以Tensorflow、CNTK或者Theano为后端运行，keras必须有后端才可以运行，keras的后端是可以切换的，对于用户来说他只是使用了keras的API，他并不会用到后端里边的东西他不依赖于后端，对于用户来说切换后端对于他使用keras没有任何的影响，自从tensorflow支持了称为keras后端之后，现在大家一般使用以tensorflow为后端的keras；
由于keras它的抽象化做的比较好，所以极方便于快速实验，帮助用户以最少的时间验证自己的想法。
tensorflow-keras是什么：
是tensorflow内部对keras API规范的又给实现；
他和以tensorflow为后端的keras其实是两码事，因为这一套keras API规范的是直接是现在tensorflow上的，就是这套API和tensorflow结合更加的紧密；
实现在tf.keras空间下，所以说tensorflow keras和tf.keras是一个类似的概念。
tf-keras和keras联系：
基于同一套API，都是keras定义的那一套API，因为是同一套API，所以keras程序可以通过改导入方式轻松转为tf.keras程序，反之对于tf.keras的代码要想改成keras的代码可能不一定能够成立，因为tf.keras有一些其他的特性的东西，因为tf.keras种的keras和tensorflow结合的更加紧密，如果之前用过keras的话，可以很轻松的转到tensorflow-keras上来；
他们的规范是一样的，他们的模型导出的规范也是一样的，相同的JSON和HDF5模型序列化格式和语义。
tf-keras和keras区别：（就是tf-keras他和tensorflow的联系更加的紧密，具体紧密在以下方面）
tf-keras全面支持eager mode，只是用keras.Sequential和keras.Model时没影响，自定义Model内部运算逻辑的时候会有影响（Tf底层API可以使用keras的model.fit等抽象，更适用于研究人员尝试自己的想法）；
Tf.keras支持基于tf.data做为数据的输入；
tf.keras支持TPU训练；
tf.keras支持tf.distribution中的分布式策略；
其他特性（tf.keras可以与tensorflow中的estimator预估器相集成，tf.keras可以保存为SavedModel，保存为tensorflow中的SavedModel之后呢就可以利用tensorflow的那种跨平台的优势可以把这个model部署到各种各样的平台上去，这是tf.keras的一些优势）。
是使用keras还是使用tf.keras，如何选择？
如果想用到tf.keras中的任何一个特性，那么选用tf.keras；
如果后端互换性很重要，那么选用keras；
如果都不重要，那随便。
分类与回归问题
本节课要解决的两个问题，分类问题与回归问题。
分类问题预测的是类别，模型输出是概率分布，三分类问题输出例子：[0.2, 0.7, 0.1]。
回归问题预测的是值，模型的输出是一个实数值。
为什么需要目标函数？
参数是逐步调整的；
目标可以帮助衡量模型的好坏。
分类问题的目标函数：
需要衡量目标类别与当前预测的差距（三分类问题输出例子[0.2, 0.7, 0.1]，三分类真实类别2->one_hot->[0, 1, 1]）；
one-hot编码，把正整数变为向量表达（生成一个长度小于正整数的向量，只有正整数的位置处为1，其余位置都为0）；
平法差损失1/nΣ1/2(y-Model(x))2；
交叉熵损失1/nΣyln(Model(x))。
回归问题的目标函数（比分类问题简单，因为输出是一个值而非分布）：
预测值与真实值的差距；
平方差损失；
绝对值损失。
有了目标函数之后，怎么求解模型？
模型的训练就是调整参数，使得目标函数逐渐变小的过程，这就是目标函数的一个作用。
实战：
keras搭建分类模型、keras回调函数、keras搭建回归模型。
使用keras搭建分类模型
数据读取与展示：
模型构建：
模型数据归一化：
实战回调函数