本節課分為兩部分，第一部分介紹tensorflow中estimator和特征列的API的使用，estimator是和keras平級的用於模型抽象的高級API，會使用泰坦尼克生存預測項目來詳細的講解特征抽取和estimator使用。學習完以上的基礎知識后，在第二部分中會講解tf1.0的知識點來方便大家對比2.0與1.0的區別。
第一章到第五章是本門課程的基礎內容,掌握了這5章就掌握了tensorflow的基本使用方法,1-5章主要講的是tensrflow2.0,講完第五章estimator內容之后,再講一下1.0的一些東西.
課程引入
keras搭建的model轉成estimator；
使用一些預定義的estimator(BaseLineClassifier，基線模型，通過隨機猜測的方式進行預測；LinearClassifier，是一個線性模型；DNNClassifier，是一個深度全連接的神經網路的分類器），他們都有對應的Regression用於回歸問題；
Tf.feature_column做特征工程，它是用來組織數據的，會把數據表達成一個一個的feature，然后對這些feature做一些操作，比如說one-hot編碼、embadding等等。
講tf.estimator的過程中涉及到的API列表：
Tf.keras.estimator.to_estimator，可以幫我們把keras模型給轉成estimator，有Train、evaluate等幾個接口；
Tf.estimator.BaselineClassifier；
Tf.estimator.LinearClassifier；
Tf.estimator.DNNClassifier。
在講Tf.feature_columnAPI的時候，會使用其中的這么幾個接口：
categorical_column_with_vocabulary_list；
numeric_column；
indicator_column；
cross_column。
然后再講一個keras.layers.DenseFeatures的API，它可以把Tf.feature_column這種表達的數據給讀取到網絡中來。
泰坦尼克問題引入分析
第一個實戰，如何將keras模型給轉成estimitor，然后去進行訓練和測試。
feature_collumn使用
keras_to_estimator
預定義estimator使用
交叉特征實戰
TF1.0引入
之上就完成了一個estimator的實戰，在estimator的實戰過程中，講解了如何去使用tf.feature_column，然后去表達數據，如何把我們的keras model轉成estimator，去進行使用，如何去使用與定義好的estimator，然后去對問題進行建模，搭建模型，然后如何在feature_columns上去做特征工程，我們用了一個交叉特征去進行了展示，在keras model給展成estimator的過程中，我們遇到了一個bug，tensorflow框架的bug。
接下來是tensorflow1.0的部分，在這部分首先通過幾個實戰，給大家講解tensorflow1.0中有但是2.0中沒有的知識。
Tf1.0實現全連接網絡，這和2.0中第一次實現的全連接網絡是一樣的，能夠體現1.0中的一些特點，包括placeholder、session、feed_dict。
Dataset使用，講1.0中使用dataset和2.0中有什么區別。
自定義estimator，2.0中推薦使用自定義estimator的方式就是，用keras構建一個模型，然后把它轉成estimator，但是1.0中不是這樣的，它有一套自定義estimator的方法。
總結2.0和1.0的區別。
講解1.0這部分所涉及到的API列表：
Tf1.0實現全連接網絡：
placeholder、tf.layers.dense（實現全連接層）、tf.train.AdamOptimizer（Adam的優化器）；
tf.losses.sparse_softmax_cross_entropy（損失函數）；
tf.global_variables_initializer（初始化參數）、feed_dict（填充數據）。
Dataset：（這兩個API是用來初始化dataset的，在2.0中已經沒有了）
dataset.make_one_shot_iterator、dataset.make_initializable_iterator。
自定義estimator：
tf.feature_column.input_layer（這個在2.0里邊就是tf.keras_layers.dense_features）；
tf.estimator.EstimatorSpec（這個在1.0和2.0中都有的）；
tf.metrics.accuracy。
TF1.0計算圖構建
TF1.0模型訓練
TF1_dataset使用
TF1_自定義estimator
API改動升級與課程總結
1.0和2.0區別：
①靜態圖和動態圖（即建好之后是否可以修改）：
1.0中session、feed_dict、placeholder都是附着於圖的，先構建好圖，然后再打開一個連接把數據塞進去去進行訓練，而2.0中就不需要這樣了，所以這三個東西都不要了。同樣的1.0中dataset的make_one_shot/initializable_iterator在2.0中被移除了，因為它們也是給靜態圖做服務的。2.0中跟動態圖相關的幾個東西，eager mode、@tf.function、AutoGraph，2.0中不需要先構建好圖，而是所見即所得，可以用像普通python代碼那樣那種方式去實現圖。tf.function、AutoGraph是一種把普通python代碼轉化成tensorflow圖結構的機制，這種機制的好處：性能好（因為tensorflow的圖結構是經過特殊的優化，尤其是在GPU上）、可以導入導出為SavedModel（普通的python中的變量是不能夠保存下來的，有了tf.function之后就可以保存到tensorflow的graph_def中去了，可以導出就可以導入，這種方式可以很方便的幫助我們斷點續傳），例如python中的for/while循環可以變成tensorflow中里邊的while_loop，然后if可以變成tensorflow中的tf.cond，for _ in dataset可以變成tensorflow中的dataset.reduce等等
②API變動：
tensorflow現在有2000個API，500個在根空間下（即tf.跟着的）。一些空間被建立了但是沒有包含所有相關API，如tf.round沒有在tf.math下邊，在2.0中tf.round就被移到了tf.math下。有些API在根空間下但是很少被使用如tf.zeta，對於這類API傾向於把它放到子空間下邊去。有些經常使用，但不在根空間下，如tf.manip下的對tensor做操作的API，這種API需要放到根空間下可以保持代碼簡短。有些空間層次太深，這樣的就減少一個層次。還有些重復API，如許多layers的API，tf.layers的API都放到同一個地方tf.keras.layers下，tf.losses的API放到tf.keras.losses下邊，tf.metrics的放到tf.keras.metrics下，之后構建模型所需要的大部分API，都在tf.keras下邊。有些API有前綴但沒有建立子空間，如tf.string_strip就應該放到tf.string.strip下邊。還有重新組織的API，如tf.debugging、tf.dtypes、tf.io、tf.quantization等。
③如何將1.0代碼升級為2.0的代碼：
替換Session.run，feed_dict、tf.placeholder變成函數調用。
替換API，tf.get_variable替換為tf.Variable，variable_scope（用來幫助區分變量的，在開發tensorflow代碼的時候，可以會使用很多變量，可能會有同樣的名字，如果實在同一個命名空間下定義變量的化那么相同名字就可能沖突，variable_scope就是幫助區分這些變量的，它可以定義一個子空間，然后在這些子空間下定義的變量就不會影響其他空間的變量）被替換為以下東西的一個：tf.keras.layers.Layer、tf.keras.Model、tf.Module，它們三個會自動的定義一個命名空間，從而使得變量命名不會沖突。
升級訓練流程，2.0中使用tf.keras.Model.fit。
升級數據輸入，dataset的使用，1.0中需定義一個iterator，2.0中變成直接輸入。
本集總結
tf.estimator的使用：預定義的estimator、自定義的estimator
使用feature_column組織數據
tf1.0基礎使用
tf1.0和2.0的區別：API變動，1.0代碼如何升級為2.0