本文就主要记录了一下linux离线环境配置tf2的过程，坑不多，主要自己记录一下，也希望别人可以方便一点。 和window一样，首先在其他电脑上下载各关联库的安装包下来，然后拷贝到需要配置的机器上。

转发自Github的dragen1860 是非常优秀的深度学习架构Tensorflow2的中文教程 本书被“机器之心”，“量子位”等权威媒体报导！ 本库在Github趋势日榜单连续多天全球排名第1！ 基于TensorFlow 2.0正式版！！！ 理论与实战结合，非常适合入门学习！！！

方法1：只保存模型的权重和偏置 这种方法不会保存整个网络的结构，只是保存模型的权重和偏置，所以在后期恢复模型之前，必须手动创建和之前模型一模一样的模型，以保证权重和偏置的维度和保存之前的相同。 tf.keras.model类中的save_weights方法和load_weights方法，参数解释我就直接搬运官网的内容了。 save_weights( filepath, overwrite=True, save_format=None ) Arguments: filepath: String, path to the file to save the weights to. When

深度学习TensorFlow2.0 前言 在这个项目中，我将使用谷歌TensorFlow2.0框架逐一重现经典的卷积神经网络：LeNet-5，AlexNet，VGG系列，GooLeNet，ResNet系列，DenseNet系列，以及现在比较流行的：RCNN系列，SSD ，YOLO系列等。 教程目录 图像分类任务1.手写数字识别FirstNet（已​​完成） 2.快速建造卷积网络FastNet（已​​完成） 3. LeNet-5（已完成） 4. AlexNet（已​​完成） 5. VGG系列（已完成） 6. GooLeNet（已​​完成） 7. ResNet系列（已完成） 8. DenseNet系列（已完成） 目标检测任务1. RCNN系列2. SSD 3. YOLO系列 项目环境 Python3 Python3.6和3.7 PyCharm2018和2019 Tensorflow2.0

介绍了使用自定义残差块的方式实现长残差网络构建方法的介绍

介绍了TensorFolw2.0的模型保存的三种方式：ckpt、h5、pb同时展示了ckpt模型、h5模型的加载方法

介绍了Tensorflow2.0 中自带数据集的导入，预处理等方法 适宜深度学习小白交流学习

简单介绍使用Tensorflow搭建神经网络的三种方法 适宜深度学习小白一起交流学习

包含卷积神经网络基本原理，代码介绍，并给出Le-Net5应用于MNIST手写数字识别的完整代码，并对代码中使用的compile()、fit()、evaluate()函数进行详细说明，适宜深度学习小白参考。

北京大学精品慕课《TensorFlow2.0笔记》，已上传课程源码和数据集，笔记。 MOOC课程官网：https://www.icourse163.org/course/PKU-1002536002?from=searchPage