Keras进阶项目实战（价值168

如果你已经能用 Keras 跑通 MNIST 或猫狗二分类，却在一句话描述项目需求时不知道从哪下手——比如「给我做个能同时识别多种物体位置和类别的模型」「训练中途要换数据增强策略」「线上推理延迟压到 50ms 以内」——那这门课针对的就是这段差距。它不教 Keras 的 API 怎么拼，默认你已经会 Sequential 和 compile/fit，上来就是多个真实项目结构的拆解。

这门课默认你会什么

先说实话，这门课不是零基础。如果下面这些你还得查文档，建议先补完基础再回来：用 ImageDataGenerator 或 tf.data 写自定义数据管道、用回调函数（ModelCheckpoint、EarlyStopping）控制训练过程、把训练好的模型 save 成 h5 或 SavedModel。课程里不会回头讲这些，而是直接在这些之上做扩展。

真正卡人的地方往往不是「模型怎么写」，而是训练不稳定、验证集掉点、显存爆掉、推理太慢。这类问题没有标准答案，只能靠见过足够多的项目结构去判断。这门课的价值就在这里。

进阶的点具体落在哪

• 多输出与多任务：一个网络同时出分类和回归结果，损失函数怎么加权、梯度会不会互相打架。
• 自定义层与损失：内置层不够用时，怎么写一个能被正常求导、能保存进模型的 Layer 和 Loss。
• 迁移学习不是冻住就完事：解冻哪几层、学习率怎么分层设置、BatchNorm 在微调时该不该动。
• 训练过程可控：用自定义 Callback 在训练中途调整学习率或数据增强强度，而不是重跑一遍。
• 从训练到可交付：把模型导出成推理格式、控制输入输出形状、量一下单张图片的耗时。

每一条都对应真实项目里会踩的坑，而不是为了展示 API 而展示。

配套练习怎么用

资料包里有章节笔记。建议的用法不是「看完视频再翻笔记」，而是反过来：先对着笔记里的结构图自己想一遍实现思路，再去看对应的演示。笔记的作用是复盘时的索引，帮你快速定位到「多任务损失加权」或「自定义 Layer 的 build 和 call 分别写什么」这种具体位置。

练习不要只跑一遍就过。改一个参数、换一份数据、故意让它训崩，观察报错和曲线怎么变——进阶内容靠跑通一遍记不住，靠折腾才记得住。建议每完成两到三节就停下来，把当前结构默写一遍，写不出来的地方就是没真正掌握的。

看完你应该能回答的问题

• 多任务模型的几个 loss 要怎么合并成一个总 loss，权重凭什么是这个数？
• 自定义 Layer 里 build 和 call 的职责划分是什么，权重为什么必须在 build 里建？
• 微调预训练模型时，哪些层该冻、哪些该解冻，解冻后学习率怎么设才不把预训练权重冲掉？
• 验证集指标突然变差，你会先查数据管道、损失函数还是学习率，判断依据是什么？
• 一个训练好的模型要交给别人用，你需要确认哪几件事才算交付完成？

如果这些问题你现在答得含糊，学完再回来对一遍，能清楚说出每一步的理由，这门课的目的就达到了。