2024年大数据最新深度学习（二）—— TensorFlow入门(3)，我了解到的面试的一些小内幕

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

model.fit/fit_generator(dataset, epochs=10,
batch_size=3,
validation_data=val_dataset,
)

* 模型评估

指明评估数据集和批次大小

model.evaluate(x, y, batch_size=32)

* 模型预测

对新的样本进行预测

model.predict(x, batch_size=32)

（5）回调函数（callbacks）


回调函数用在模型训练过程中，来控制模型训练行为，可以自定义回调函数，也可使用`tf.keras.callbacks` 内置的 `callback` ：


* `ModelCheckpoint`：定期保存 checkpoints。
* `LearningRateScheduler`：动态改变学习速率。
* `EarlyStopping`：当验证集上的性能不再提高时，终止训练。
* `TensorBoard`：使用 TensorBoard 监测模型的状态。


（6）模型的保存和恢复


* 只保存参数

只保存模型的权重

model.save_weights(‘./my_model’)

加载模型的权重

model.load_weights(‘my_model’)

* 保存整个模型

保存模型架构与权重在h5文件中

model.save(‘my_model.h5’)

加载模型：包括架构和对应的权重

model = keras.models.load_model(‘my_model.h5’)

### 3.3 模型入门案例


1. 模块导入

# 导入其他相关的库

绘图，获取数据集

import seaborn as sns

数值计算

import numpy as np

机器学习

划分训练集和测试集

from sklearn.model_selection import train_test_split

逻辑回归

from sklearn.linear_model import LogisticRegressionCV

深度学习

用于模型搭建

from tensorflow.keras.models import Sequential

构建模型的层和激活方法

from tensorflow.keras.layers import Dense, Activation

数据处理的辅助工具

from tensorflow.keras import utils

> 
> 注意：LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而LogisticRegression需要自己每次指定一个正则化系数。除了交叉验证，以及选择正则化系数C以外， Logistic