TensorFlow 101 從零開始：Cookbook 學習地圖

「TensorFlow 101 從零開始」定位為任務導向的 TensorFlow/Keras Cookbook。每篇文章對應一種常見神經網路任務，搭配一份可在 Google Colab 執行的 notebook，目標是讓讀者可以理解流程，也能替換成自己的資料使用。

1. 這個系列怎麼使用？

如果你是第一次接觸 TensorFlow，建議從 0. 系列介紹與學習地圖、1. TensorFlow Keras 基礎 開始。如果你已經知道自己的任務類型，可以直接跳到對應 cookbook：

• 表格資料：看 3. DNN 表格資料 Cookbook
• 圖片分類：看 4. CNN 影像 Cookbook
• 時間序列：看 5. 時間序列 Cookbook
• 文字資料：看 6. NLP Cookbook
• Transformer：看 7. Transformer 入門
• 模型調不好：看 8. 訓練優化技巧
• 模型要交付：看 9. 模型儲存與部署

2. 系列入口

本系列包含完整的 Cookbook 主線，也保留一篇早期基礎介紹作為補充閱讀：

• TensorFlow 基礎介紹

如果你想直接從實作任務開始，可以優先閱讀：

• 3.1 DNN Regression
• 3.2 Binary Classification
• 3.3 Multi-class Classification

3. Cookbook 文章公版

每篇文章都會盡量維持相同結構：

1. 這篇要解決什麼問題？
2. 資料格式長什麼樣子？
3. 載入套件
4. 載入與前處理資料
5. 建立模型
6. 編譯模型
7. 訓練模型
8. 評估模型
9. 預測新資料
10. 如何套用自己的資料？
11. 常見調整方向
12. 小結

4. 完整章節

目前 TensorFlow 101 Cookbook 已整理為 0.x 到 9.x：

1. 0. 系列介紹與學習地圖：環境、路徑與專案流程。
2. 1. TensorFlow Keras 基礎：TensorFlow、Keras API、Dense layer、compile/fit/evaluate/predict。
3. 2. 資料前處理與 tf.data：資料切分、標準化、類別編碼、圖片/文字載入與資料管線。
4. 3. DNN 表格資料 Cookbook：回歸、二元分類、多類別分類、多標籤、不平衡資料、混合特徵與 autoencoder。
5. 4. CNN 影像 Cookbook：圖片分類、自有圖片資料集、data augmentation、transfer learning、fine-tuning、過擬合與 Grad-CAM。
6. 5. 時間序列 Cookbook：LSTM、GRU、1D CNN、異常偵測與模型比較。
7. 6. NLP Cookbook：文字向量化、情緒分類、LSTM、CNN 與 Transformer 文字分類。
8. 7. Transformer 入門：attention、self-attention、Transformer encoder 與 Vision Transformer。
9. 8. 訓練優化技巧：callback、learning rate、overfitting、loss/metrics 與 hyperparameter tuning。
10. 9. 模型儲存與部署：save/load、TensorFlow Lite、TensorFlow.js、FastAPI 與 batch prediction。

你可以依照任務直接跳到對應章節，也可以從 0.x 開始依序建立完整 TensorFlow/Keras 工作流程。