请写一篇关于【TensorFlow 2.0入门教程：基础概念解析】的技术文章。写作风格要求：项目案例剖析。
老广程序员的深夜茶餐厅：从Keras到公务员考试之间的那杯冻柠茶
去年十月的一个周五晚上，11点47分，我坐在越秀区人民北路那家开了二十多年的老式茶餐厅角落，面前摆着一杯已经化掉一半冰的冻柠茶。电脑屏幕还亮着，Jupyter Notebook 里一行 model.fit() 死活跑不通。手机震动了一下，是我老婆发来的微信：“今晚回不回来？晾衣服等你搭把手。”
那一刻，我真的有点崩溃。
我不是什么大厂P8，也不是AI方向的博士，只是一个在天河软件园写了八年Java的普通后端工程师。月薪从15k涨到22k花了整整五年，房租3500（老城区祖屋省了大头），孩子明年上小学，房贷还有18年。去年开始，我悄悄报名了省考——不是因为讨厌写代码，而是觉得这行太卷了，35岁之后怎么办？但又放不下技术，毕竟干了这么多年，总想把TensorFlow 2.0这套东西搞明白，万一以后做点副业呢？
于是就有了这个“图像分类小项目”：用TF 2.0训练一个能识别广东早茶点心的小模型——虾饺、叉烧包、肠粉、蛋挞。听起来很土？但对我这个老广来说，比MNIST手写数字亲切多了。
一、从“Hello World”到“虾饺识别”：我的第一个TF 2.0项目
说实话，一开始我连TensorFlow和PyTorch的区别都说不清。只知道公司里新来的算法岗小年轻张嘴就是“transformer”、“attention”，而我还在调Spring Boot的事务隔离级别。
但TF 2.0不一样。它把Keras直接整合进来了，API友好得不像话。我翻出B站上李沐老师的旧视频，又啃了官方文档，花了一个周末，终于搭起了第一个模型：
import tensorflow as tf
from tensorflow import keras
model = keras.Sequential([
keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(64, 64, 3)),
keras.layers.MaxPooling2D(2,2),
keras.layers.Conv2D(64, (3,3), activation='relu'),
keras.layers.MaxPooling2D(2,2),
keras.layers.Flatten(),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(4, activation='softmax') # 四种点心
])
看起来是不是特别像当年学Java时写的HelloWorld？简洁、清晰、有结构。这正是TF 2.0最大的“开发心得”：它把深度学习从“黑魔法”变成了可工程化的流程。
但问题马上来了——数据从哪来？
二、资源困境：没有GPU，只有MacBook Air
我用的是2019款MacBook Air，M1还没出，显卡是Intel UHD Graphics 617。跑个model.fit()，风扇狂转，键盘烫得能煎蛋。更惨的是，我根本没有标注好的“广式点心数据集”。
于是，我干了一件很“野生程序员”的事：周末带老婆孩子去陶陶居吃饭，趁服务员不注意，偷偷拍了三十多张虾饺照片（后来被老婆骂“丢人”）。又在淘宝买了50张点心高清图（花了28块钱），自己用LabelImg手动打标签。
数据增强？当然有！TF 2.0的ImageDataGenerator简直是救星：
datagen = tf.keras.preprocessing.image.ImageDataGenerator(
rotation_range=20,
width_shift_range=0.2,
height_shift_range=0.2,
horizontal_flip=True,
zoom_range=0.2
)
一套操作下来，300张原始图硬生生扩到了2000多张。虽然精度不高，但至少能跑了。
这里我想说句掏心窝的话：别迷信“大数据”，小样本+合理的数据增强+合适的模型，一样能做出可用的东西。尤其是在资源有限的情况下——比如我这种既要准备行测申论，又想搞点技术副业的“夹心层”。
三、工具链：VS Code + Colab = 打工人福音
白天上班写CRUD，晚上9点后才能碰自己的项目。公司不让用外部GPU，本地又跑不动。怎么办？
我发现了Google Colab——免费送Tesla T4，还能挂Google Drive。我把数据传到Drive，Colab挂载后直接训练，一小时搞定本地要跑一天的任务。
配合VS Code的Remote - SSH插件，我在家里用Mac写代码，一键推到Colab跑。整个工具链跑通那天，我激动得差点在客厅跳起来——原来不用买3080，也能玩转深度学习。
不过吐槽一句：Colab的会话经常断，保存模型要手动下载。有次我忘了存权重，重跑两小时，气得我对着屏幕喊“顶你个肺！”（老婆以为我跟谁吵架）。
四、算法不是玄学：理解背后的逻辑
很多人（包括我）一开始觉得深度学习就是调参、堆层数、换优化器。但真正动手后才发现，算法的核心是“问题建模”。
比如我的点心分类任务，其实是个典型的多分类图像识别问题。关键不是网络多深，而是：
- 输入尺寸是否统一（我统一resize到64x64）
- 类别是否平衡（蛋挞照片太少，后来人工复制了几倍）
- 损失函数选什么（
sparse_categorical_crossentropy最合适）
我还试过用迁移学习——加载预训练的MobileNetV2，只训练最后几层。结果准确率从72%直接飙到89%。那一刻我才明白：站在巨人肩膀上，比自己从零造轮子高效得多。
这也让我联想到考公：行测的资料分析题，不也是“迁移学习”吗？把数学思维迁移到实际场景，而不是死记公式。
五、开发心得：工程思维比算法更重要
作为一个老后端，我最大的优势不是懂多少数学，而是知道怎么把东西做出来、跑起来、维护住。
比如我给模型加了日志记录：
callbacks = [
tf.keras.callbacks.ModelCheckpoint('best_model.h5', save_best_only=True),
tf.keras callbacks.TensorBoard(log_dir='./logs')
]
又写了简单的Flask接口，用Postman一调就能上传图片返回分类结果。虽然粗糙，但完整闭环了。
这才是程序员真正的价值——不是炫技，而是交付可用的解决方案。
六、转折点：从“玩技术”到“为生活”
上个月，省考笔试成绩出来了，我行测78，申论69，进了面试。同时，我的点心分类模型也部署到了树莓派上（用TensorFlow Lite），接了个小摄像头，放在茶楼门口“自动识别今日点心”。
老婆看到后笑着说：“你啊，考公归考公，技术还是放不下。”
其实她说对了。我不打算放弃编程，只是想换个更稳定的赛道。但这段TF 2.0的学习经历让我明白：技术不是青春饭，而是思维方式。无论做公务员还是继续写代码，解决问题的能力才是核心。
结语：在不确定的时代，保持“可迁移”的能力
写这篇文章时，已经是凌晨1点。窗外广州的夜依然喧嚣，不远处有外卖小哥骑着电动车呼啸而过。我合上电脑，心里很平静。
如果你也和我一样：
- 30+，在职，想转型
- 技术焦虑，又不敢裸辞
- 既想考公求稳，又舍不得代码
我想说：别把路走窄了。TensorFlow 2.0教会我的，不只是怎么训练模型，而是如何用有限资源解决真实问题。这种能力，在体制内同样珍贵——写材料要逻辑，做调研要数据分析，甚至组织活动也要“用户画像”。
技术是工具，生活才是目的。
而我们这些老广程序员，既要喝得下凉茶，也要写得了代码，更要扛得住生活的重压。
最后送大家一句我常对自己说的：
“唔使惊，慢慢嚟。”（不用怕，慢慢来。）
共勉。
作者：阿强，广州越秀人，8年Java后端，现备战广东省考。业余时间研究TensorFlow，梦想是开一家智能茶餐厅。
评论 0