接上一节课中使用高级抽象的API tf.keras搭建模型，本节课则介绍了基础的API来方便大家更加灵活的定义和使用模型。课程内容包括tensorflow基础数据类型、自定义模型和损失函数、自定义求导、tf.function、图结构等以及其在图像分类、房价预测上的实现。
讲tensorflow基本的API，以及怎么结合tf.keras使用。
tf基础API引入
基础API；
基础API与keras的集成（自定义损失函数；自定义层次）；
@tf.function（图结构，将python的普通代码转化为tensorflow的图结构）；
自定义求导。
@tf.function：
将python函数编译成图；
易于将模型导出成为GraphDef+checkpoint或者SavedModel；
使得eager execution可以默认打开，因为如果没有@tf.function的话，虽然我们可以用eager execution写代码，但是这样的代码没办法保存中间的训练结果，相当于tensorflow的功能只有一半，没有保存的图结构只能够训练无法做预测；
1.0的代码可以通过tf.function来继续在2.0里使用（可以替代session，1.0所有的图结构都要打开一个session来训练，2.0中session完全被弃用掉了，取而代之的是tf.function。）。
API列表：
基础数据类型（tf.constant，tf.string；tf.ragged.constant，tf.SparseTensor，tf.Variable）；
自定义损失函数（tf.reduce_mean）；
自定义层次（keras.layers.Lambda和继承法）；
tf.function（tf.fucntion，tf.autograph.to_code，get_concrete_function）；
GraphDef（get_operations，get_operation_by_name；get_tensor_by_name，as_graph_def）；
自动求导（tf.GradientType；Optimizier.apply_gradients）。
实战tf.constant
实战tf.strings与ragged_tensor
实战sparse_tensor与tf.Variable
实战自定义损失函数与DenseLayer回顾
使子类与lambda分别实战自定义层次
tf.function函数转换
@tf.function函数转换
函数签名与图结构