# python_model

**Repository Path**: duxvfeng/python_model

## Basic Information

- **Project Name**: python_model
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-03
- **Last Updated**: 2026-07-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# TensorFlow 学习之旅：从入门到精通

本项目按照 **筑基 → 实战 → 精通** 三个阶段，系统地整理了 TensorFlow 2.x 的学习文档与可运行代码。每个阶段都包含 Markdown 教程和对应的 Python 示例脚本，帮助你从基础概念一路进阶到模型部署与优化。

## 学习路径总览

| 阶段 | 目录 | 目标 |
|------|------|------|
| 筑基篇（入门） | [stage_01_foundation/](stage_01_foundation/) | 搭建环境、理解张量、计算图、Eager Execution 与自动微分 |
| 启航与进阶篇（实战） | [stage_02_practice/](stage_02_practice/) | 掌握 Keras API，完成回归、分类、CNN、RNN 等经典项目 |
| 精通篇（高级） | [stage_03_mastery/](stage_03_mastery/) | 自定义训练、模型优化、分布式训练、部署与 TFX |

## 目录结构

```
d:/python-project/
├── README.md                      # 本文件
├── requirements.txt               # pip 依赖
├── environment.yml                # Conda 环境配置
├── docs/                          # 学习文档
│   ├── 01_foundation.md
│   ├── 02_practice.md
│   └── 03_mastery.md
├── stage_01_foundation/           # 第一阶段代码
├── stage_02_practice/             # 第二阶段代码
├── stage_03_mastery/              # 第三阶段代码
├── notebooks/                     # Jupyter Notebook 交互版本
├── utils/                         # 共享工具函数
├── tests/                         # 环境检查与冒烟测试
└── outputs/                       # 脚本输出目录
```

## 快速开始

### 1. 克隆或下载本项目

```bash
cd d:\python-project
```

### 2. 创建 Python 环境

**使用 Conda（推荐）：**

```bash
conda env create -f environment.yml
conda activate tf-learning
```

**使用 venv + pip：**

```bash
python -m venv venv
source venv/bin/activate  # Linux/macOS
# 或 venv\Scripts\activate  # Windows
pip install -r requirements.txt
```

### 3. 验证环境

```bash
python tests/test_imports.py
```

你应该能看到 TensorFlow 版本、Keras 版本以及可用的 GPU 数量。

### 4. 按阶段学习

建议顺序：

1. 阅读 [docs/01_foundation.md](docs/01_foundation.md) 并运行 [stage_01_foundation/](stage_01_foundation/) 脚本。
2. 阅读 [docs/02_practice.md](docs/02_practice.md) 并运行 [stage_02_practice/](stage_02_practice/) 项目。
3. 阅读 [docs/03_mastery.md](docs/03_mastery.md) 并运行 [stage_03_mastery/](stage_03_mastery/) 示例。
4. 使用 [notebooks/](notebooks/) 进行交互式探索。

## 运行示例

所有脚本都可以直接从项目根目录运行：

```bash
# 第一阶段：基础概念
python stage_01_foundation/02_tensors.py
python stage_01_foundation/05_autodiff.py

# 第二阶段：经典项目
python stage_02_practice/02_projects/01_linear_regression_boston.py --epochs 200
python stage_02_practice/02_projects/02_mnist_classification.py --epochs 5
python stage_02_practice/02_projects/04_cifar10_cnn.py --epochs 10 --batch-size 64

# 第三阶段：自定义训练与部署
python stage_03_mastery/01_performance/01_custom_training_loop.py --epochs 5
python stage_03_mastery/02_deployment/02_tflite_conversion.py
```

## 冒烟测试

快速验证所有脚本是否可运行：

```bash
python tests/run_smoke_tests.py
```

> 冒烟测试会使用较少的 epoch 和小批量数据运行每个脚本，仅检查是否能正常执行，不保证最终精度。

## 推荐的运行环境

- **Python**: 3.9 - 3.11（TensorFlow 2.13 - 2.15 不支持 Python 3.12+）
- **TensorFlow**: 2.13 - 2.15（ pinned 在 `requirements.txt` 中）
- **GPU（可选）**: NVIDIA GPU + CUDA 11.8 / cuDNN 8.6 可显著加速训练
- **CPU**: 所有示例均可在 CPU 上运行，但 CNN/RNN 大模型训练较慢

> 注意：当前 `environment.yml` 使用 Python 3.10。如果你的系统 Python 版本高于 3.11，请先安装兼容的 Python 版本或使用 Conda 创建指定版本的环境，否则 `pip install tensorflow` 会找不到可用版本。

## 学习建议

1. **先读文档再跑代码**：每个 `docs/` 文档都对应一个阶段的理论和知识点。
2. **动手改代码**：尝试修改超参数、网络结构、数据增强方式，观察结果变化。
3. **善用 TensorBoard**：第二阶段和第三阶段多处集成了 TensorBoard 可视化。
4. **从 CPU 开始**：不必急于配置 GPU，先把代码跑通再考虑加速。
5. **记录问题**：遇到报错先查看 [docs/common/faq.md](docs/common/faq.md)，没有解答再搜索官方文档。

## 主要参考资料

- [TensorFlow 官方文档](https://www.tensorflow.org/)
- [Keras 官方文档](https://keras.io/)
- 《机器学习实战：基于 Scikit-Learn、Keras 和 TensorFlow》
- 国家高等教育智慧教育平台《深度学习应用开发-TensorFlow实践》

## 许可

本项目仅供学习交流使用，相关示例代码可自由修改和扩展。