关于那 2.0 模型训练实战，这个 可是谷歌公司把它开源出来的一个超强大的机器学习跟深度学习的框架它能够让开发者去构建、训练还有部署各种各样类型的模型哩！等到 2.0 发布之后这平台可就变得更加对用户友好，把那 1.x 版本里好多复杂的东西都给去掉像什么 和 Graph 这些，反倒采用了 Eager 当作默认的执行模式这样就让代码变得更直观，调试起来也容易多了
那接下来咱们好好说说 2.0 一些超关键的要点。
第一部分：Eager 的神奇之处
这 Eager 可是 2.0 特别重要的一个特性！它能让操作在运行的时候马上就被评估，给咱们带来啦更像 那种交互式的体验对，咱还得学会在这 Eager 模式下面怎么去写代码、测试还有调试它，也要搞明白它跟图形计算有啥不一样的地方。这里要注意：
1. 了解在这种模式下代码运行是那种立即评估的，跟以前很不同
2. 比较它相较于传统图形计算交互性更强，效率也相对变化。
第二部分：基础知识大揭秘
的那些事： 算得上是 里基本的数据结构其实就是代表着多维数组！咱得晓得怎样去创建它、操作它，甚至把它给可视化了，这能清晰展示数据。
变量（）和常量（）咱也得学怎么去用，变量可会变，常量就固定的，在不同场景用途不同。创建方式二者也不同，适用于模型不同部分运算。
第三部分：数据输入与预处理的巧妙操作
得用 tf.data API 去弄出一个高效的数据管道来处理批量输入还有预处理那些数据。咱还得学一学怎么去读取还有处理图像、文本以及其他的数据格式。这里也有实用的步骤：
1. 使用 tf.data API 构建管道，注意参数配置优化性能。
2. 读取不同格式数据使用专门函数，预处理如归一化等要按需添加。
要是在 2.0 用 CPU 和 GPU 有啥不一样？一般来说CPU 通用性强但计算能力有限，执行小数据或者对实时性要求高、计算不复杂的任务好一些；GPU 计算能力强劲，要是数据量多而且模型庞大，用它做可以明显加快训练就是专门针对大量并行计算设计
数据预处理里面用归一化和标准化又有啥区别？归一化，让数据都跑到 0 到 1 这个范围里面去，不过数据分布的形状不会变。标准化会让数据平均数变成 0，标准差变成 1，通常能够让优化过程更稳定
我觉得 2.0 在模型训练实战这方面真的是很不错的它去掉了以前复杂烦人的部分，模式更加清晰实用。好好抓住 Eager 这些新特性还有那些数据操作的方法，咱们在以后进行模型训练的时候就能更加顺利、更加高效！
