欢迎来到TensorFlow 2.0！

刚刚发布的TensorFlow 2.0引入了诸多功能来简化模型的开发和维护过程。在教学方面，通过将许多复杂概念进行简化来增进人们的理解。从工业界的角度，模型变得更容易理解、维护和开发。

深度学习是人工智能发展最快的领域之一。在过去几年中，我们已经证实深度学习模型，即使是最简单的模型，也能够解决非常困难和复杂的问题。如今，随着深度学习的流行语时代成为过去时，人们正在不断释放其威力和潜能，用来改进他们的产品。

本课程的结构设计涵盖包括从神经网络建模，训练，到将模型投入生产环境的全部主题。

在课程的第1部分，您会了解到贯穿我们整个课程的技术栈（第1节），以及TensorFlow 2.0库的基础和语法（第2节）。

在课程的第2部分，我们将进入激动人心的深度学习领域。在这部分的课程中，您将亲手实现若干类型的神经网络（全连接神经网络（第3节），卷积神经网络（第4节），递归神经网络（第5节））。在这部分的尾声，第6节，您将学习并创建这些神经网络的迁移学习应用，这些应用在“猫狗分类”数据集上取得了目前最为领先(SOTA)的结果。

在完成课程第2部分，并最终掌握如何实现神经网络之后，您将在课程的第3部分学习如何利用强化学习，尤其是深度-Q学习，来构造自己的股票市场交易机器人模型。

课程第4部分全部是关于TensorFlow Extended (TFX)的内容。在这部分课程中，您会学习如何处理数据，并创建用于生产的数据流水线。在第8节，我们将通过TensorFlow Data Validation库查看数据集是否存在异常，在这之后的第9节，我们会通过TensorFlow Transform库来构造数据预处理流水线。

在课程第10节，您会通过Flask Python库和训练好的模型，来学习和创建自己的Fashion API。在这一节中，您将更好的了解如何通过互联网向一个模型发送请求。但是在这个阶段，以模型为中心的体系并不能扩展到能够接受数百万的请求。那么当我们进入第11节，在这部分课程中，您将学习如何通过TensorFlow Serving库来改进我们前一节的解决方案。您将轻松学习并创建能够支持每日数百万请求的图像分类API！

当前，在Android和iOS应用中使用深度学习模型正在变得逐渐流行，但神经网络需要大量的耗电以及资源！这时，TensorFlow Lite库就要发挥作用了。在课程第12节，您将学习对神经网络进行优化和转换，以适应移动设备的要求。

在本课程的尾声，即课程第5部分，在第13节中您将学习如何通过TensorFlow 2.0库，将任意神经网络的训练分布到多个GPU，甚至是服务器上。