1. 数据加载与预处理 (tf.data)在深度学习中，高效的数据管道是加速训练的关键。快捷加载：使用 tf.keras.utils.image_dataset_from_directory 可以直接从本地文件夹结构中加载图片，它会自动将子目录的名称作为数据的分类标签（按字母顺序排列）。数据集性能优化（三大核心方法）：shuffle()：打乱数据顺序，防止模型记忆数据的输入顺序，提升泛化能力。pr

训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目（size / batch_size，向上取整）train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取数据及其标签# 计算预测误差pred = model(

这是大家可以自由发挥的一个地方# 随机改变图像对比度1. 数据增强的两种核心应用方式直接嵌入 Keras 模型中将定义好的增强流程（如 ⁠data_augmentation⁠）作为第一层加入 ⁠tf.keras.Sequential⁠。优势：如果配置了 GPU，增强操作会直接在 GPU 上运行，获得算力加速。注意：这种内置的增强操作是“智能”的，它仅在训练阶段（⁠Model.fit⁠）生效；在评估

1.核心训练方法与工具训练方式转变： 放弃model.fit()，改用封装度更低的 model.train_on_batch()。这种方式允许开发者自定义训练逻辑，实现更复杂的训练过程。可视化监控： 引入了 tqdm 库来实现可视化的训练进度条，便于在自定义训练循环中实时监控各项指标（如Loss和Accuracy）。2.数据加载与预处理 pipeline。

1. 数据加载与预处理 (tf.data)在深度学习中，高效的数据管道是加速训练的关键。快捷加载：使用 tf.keras.utils.image_dataset_from_directory 可以直接从本地文件夹结构中加载图片，它会自动将子目录的名称作为数据的分类标签（按字母顺序排列）。数据集性能优化（三大核心方法）：shuffle()：打乱数据顺序，防止模型记忆数据的输入顺序，提升泛化能力。pr

1.每次必备代码import osTensorFlow 及 Keras 核心组件2.理论基础测试集 VS 验证集的本质区别：验证集（Validation Set）：不直接参与梯度下降和参数更新（狭义上不参与训练），但用于人工调参。通过观察模型在验证集上的表现，来决定是否早停（Early Stopping）或调整超参数（如学习率、Batch Size）。它防止了模型对训练集的盲目过拟合。标签编码与加