本节课分为两部分，第一部分介绍tensorflow中estimator和特征列的API的使用，estimator是和keras平级的用于模型抽象的高级API，会使用泰坦尼克生存预测项目来详细的讲解特征抽取和estimator使用。学习完以上的基础知识后，在第二部分中会讲解tf1.0的知识点来方便大家对比2.0与1.0的区别。
第一章到第五章是本门课程的基础内容,掌握了这5章就掌握了tensorflow的基本使用方法,1-5章主要讲的是tensrflow2.0,讲完第五章estimator内容之后,再讲一下1.0的一些东西.
课程引入
keras搭建的model转成estimator；
使用一些预定义的estimator(BaseLineClassifier，基线模型，通过随机猜测的方式进行预测；LinearClassifier，是一个线性模型；DNNClassifier，是一个深度全连接的神经网路的分类器），他们都有对应的Regression用于回归问题；
Tf.feature_column做特征工程，它是用来组织数据的，会把数据表达成一个一个的feature，然后对这些feature做一些操作，比如说one-hot编码、embadding等等。
讲tf.estimator的过程中涉及到的API列表：
Tf.keras.estimator.to_estimator，可以帮我们把keras模型给转成estimator，有Train、evaluate等几个接口；
Tf.estimator.BaselineClassifier；
Tf.estimator.LinearClassifier；
Tf.estimator.DNNClassifier。
在讲Tf.feature_columnAPI的时候，会使用其中的这么几个接口：
categorical_column_with_vocabulary_list；
numeric_column；
indicator_column；
cross_column。
然后再讲一个keras.layers.DenseFeatures的API，它可以把Tf.feature_column这种表达的数据给读取到网络中来。
泰坦尼克问题引入分析
第一个实战，如何将keras模型给转成estimitor，然后去进行训练和测试。
feature_collumn使用
keras_to_estimator
预定义estimator使用
交叉特征实战
TF1.0引入
之上就完成了一个estimator的实战，在estimator的实战过程中，讲解了如何去使用tf.feature_column，然后去表达数据，如何把我们的keras model转成estimator，去进行使用，如何去使用与定义好的estimator，然后去对问题进行建模，搭建模型，然后如何在feature_columns上去做特征工程，我们用了一个交叉特征去进行了展示，在keras model给展成estimator的过程中，我们遇到了一个bug，tensorflow框架的bug。
接下来是tensorflow1.0的部分，在这部分首先通过几个实战，给大家讲解tensorflow1.0中有但是2.0中没有的知识。
Tf1.0实现全连接网络，这和2.0中第一次实现的全连接网络是一样的，能够体现1.0中的一些特点，包括placeholder、session、feed_dict。
Dataset使用，讲1.0中使用dataset和2.0中有什么区别。
自定义estimator，2.0中推荐使用自定义estimator的方式就是，用keras构建一个模型，然后把它转成estimator，但是1.0中不是这样的，它有一套自定义estimator的方法。
总结2.0和1.0的区别。
讲解1.0这部分所涉及到的API列表：
Tf1.0实现全连接网络：
placeholder、tf.layers.dense（实现全连接层）、tf.train.AdamOptimizer（Adam的优化器）；
tf.losses.sparse_softmax_cross_entropy（损失函数）；
tf.global_variables_initializer（初始化参数）、feed_dict（填充数据）。
Dataset：（这两个API是用来初始化dataset的，在2.0中已经没有了）
dataset.make_one_shot_iterator、dataset.make_initializable_iterator。
自定义estimator：
tf.feature_column.input_layer（这个在2.0里边就是tf.keras_layers.dense_features）；
tf.estimator.EstimatorSpec（这个在1.0和2.0中都有的）；
tf.metrics.accuracy。
TF1.0计算图构建
TF1.0模型训练
TF1_dataset使用
TF1_自定义estimator
API改动升级与课程总结
1.0和2.0区别：
①静态图和动态图（即建好之后是否可以修改）：
1.0中session、feed_dict、placeholder都是附着于图的，先构建好图，然后再打开一个连接把数据塞进去去进行训练，而2.0中就不需要这样了，所以这三个东西都不要了。同样的1.0中dataset的make_one_shot/initializable_iterator在2.0中被移除了，因为它们也是给静态图做服务的。2.0中跟动态图相关的几个东西，eager mode、@tf.function、AutoGraph，2.0中不需要先构建好图，而是所见即所得，可以用像普通python代码那样那种方式去实现图。tf.function、AutoGraph是一种把普通python代码转化成tensorflow图结构的机制，这种机制的好处：性能好（因为tensorflow的图结构是经过特殊的优化，尤其是在GPU上）、可以导入导出为SavedModel（普通的python中的变量是不能够保存下来的，有了tf.function之后就可以保存到tensorflow的graph_def中去了，可以导出就可以导入，这种方式可以很方便的帮助我们断点续传），例如python中的for/while循环可以变成tensorflow中里边的while_loop，然后if可以变成tensorflow中的tf.cond，for _ in dataset可以变成tensorflow中的dataset.reduce等等
②API变动：
tensorflow现在有2000个API，500个在根空间下（即tf.跟着的）。一些空间被建立了但是没有包含所有相关API，如tf.round没有在tf.math下边，在2.0中tf.round就被移到了tf.math下。有些API在根空间下但是很少被使用如tf.zeta，对于这类API倾向于把它放到子空间下边去。有些经常使用，但不在根空间下，如tf.manip下的对tensor做操作的API，这种API需要放到根空间下可以保持代码简短。有些空间层次太深，这样的就减少一个层次。还有些重复API，如许多layers的API，tf.layers的API都放到同一个地方tf.keras.layers下，tf.losses的API放到tf.keras.losses下边，tf.metrics的放到tf.keras.metrics下，之后构建模型所需要的大部分API，都在tf.keras下边。有些API有前缀但没有建立子空间，如tf.string_strip就应该放到tf.string.strip下边。还有重新组织的API，如tf.debugging、tf.dtypes、tf.io、tf.quantization等。
③如何将1.0代码升级为2.0的代码：
替换Session.run，feed_dict、tf.placeholder变成函数调用。
替换API，tf.get_variable替换为tf.Variable，variable_scope（用来帮助区分变量的，在开发tensorflow代码的时候，可以会使用很多变量，可能会有同样的名字，如果实在同一个命名空间下定义变量的化那么相同名字就可能冲突，variable_scope就是帮助区分这些变量的，它可以定义一个子空间，然后在这些子空间下定义的变量就不会影响其他空间的变量）被替换为以下东西的一个：tf.keras.layers.Layer、tf.keras.Model、tf.Module，它们三个会自动的定义一个命名空间，从而使得变量命名不会冲突。
升级训练流程，2.0中使用tf.keras.Model.fit。
升级数据输入，dataset的使用，1.0中需定义一个iterator，2.0中变成直接输入。
本集总结
tf.estimator的使用：预定义的estimator、自定义的estimator
使用feature_column组织数据
tf1.0基础使用
tf1.0和2.0的区别：API变动，1.0代码如何升级为2.0