tensorflow 和 keras 是协同关系，keras 作为其高级 api；pip install tensorflow 即可安装并自动包含 keras；用 sequential 搭建 mnist 分类模型仅需 10 行代码，内置数据加载与归一化是关键调试习惯。
TensorFlow 和 Keras 并不是两个要“二选一”的工具，而是同一套生态里的协作关系：Keras 是 TensorFlow 的高级 API 接口，写起来简洁，适合入门和快速实验；TensorFlow 提供底层控制能力，适合调优、部署或定制训练逻辑。
从安装到跑通第一个模型：三步起步
不用从源码编译，推荐用 pip 安装官方预编译版本：
- 执行 pip install tensorflow（自动包含 Keras，无需单独装 keras）
- 验证是否成功：import tensorflow as tf; print(tf.__version__)
- 写个最小可运行示例：用 Keras 构建一个识别手写数字的全连接网络（MNIST），5 行定义模型、3 行编译、2 行训练，10 秒内出结果
理解 Keras 的三层结构：Model、Layer、Data
Keras 把深度学习流程拆得非常直观：
- Layer 层：比如 Dense(128, activation='relu') 就是一个含 128 个神经元的全连接层，激活函数是 ReLU
- Model 模型：用 Sequential() 堆叠 Layer，或用 Functional API 构建多输入/多输出结构
- Data 数据：Keras 内置 tf.keras.datasets.mnist.load_data() 等接口，返回 NumPy 数组，直接喂给 model.fit()
调试与优化的几个关键习惯
新手常卡在“模型不收敛”或“结果不准”，多数问题出在数据和配置上：
立即学习“Python免费学习笔记（深入）”；
- 检查输入数据形状：图像默认是 (height, width, channels)，但有些加载方式返回 (samples, height, width) —— 忘记加通道维度会报错
- 别跳过归一化：像素值缩放到 [0,1] 或 [-1,1]，用 x_train = x_train.astype('float32') / 255.0
- 观察 loss 和 accuracy 曲线：用 model.fit(..., verbose=1) 看每轮输出，或配合 tf.keras.callbacks.TensorBoard 可视化
- 过拟合？先加 Dropout(0.5) 或 BatchNormalization()，比立刻换模型更有效
下一步：不止于跑通，还要能改、能查、能上线
入门后建议自然延伸的方向：
- 用 model.summary() 查参数量，用 model.layers[0].get_weights() 检查某层权重
- 保存模型：推荐 model.save('my_model.h5')（HDF5 格式）或 model.save('my_model_dir')（SavedModel，支持 TensorFlow Serving）
- 加载已有模型做迁移学习：用 tf.keras.applications.MobileNetV2(weights='imagenet')，冻结前几层，只训练最后分类头
- 部署小模型到本地：用 tf.lite.TFLiteConverter.from_saved_model() 转成轻量级 tflite 格式，可在手机或树莓派运行
