在 TensorFlow 中构建和应用深度学习模型有多种方法，从高级、快速、易用的 API 到低级操作，不一而足。本周，您将学习使用高级 Keras API 快速构建、训练、评估和预测深度学习模型。本周的编程作业将让您有机会将这一切付诸实践，并在 MNIST 手写图像数据集上从头开始开发一个图像分类模型。

模型验证和选择是机器学习模型开发的重要组成部分，有助于防止过度拟合和提高泛化能力。本周，您将学习如何在训练运行中使用验证数据集，并将正则化技术应用到模型中。您还将学习如何使用回调来监控性能，并根据指定标准执行操作。在本周的编程作业中，您将在著名的 Iris 数据集上实践模型验证和正则化。

作为深度学习模型开发的一部分，您需要能够保存和加载 TensorFlow 模型，可能是根据您想要指定的某些标准。本周，您将学习如何使用回调保存模型、手动保存和加载，以及保存模型时的可用选项，包括只保存权重。此外，您还将练习加载和使用预训练的深度学习模型。在本周的编程作业中，您将为一个根据卫星图像训练的模型编写灵活的模型保存和加载实现。

在本课程中，您将学习到在 Tensorflow 中开发深度学习模型的端到端工作流程。毕业设计项目让您有机会将所有知识融会贯通，在标有街景门牌号码的图像数据集上开发深度学习分类器。