sublime text 不能直接运行 tensorflow，但可高效编写训练脚本；需正确组织数据预处理（加载、归一化、增强、batch/prefetch）和模型构建（sequential/functional api），再通过终端执行 train.py。
Sublime Text 本身不直接运行 TensorFlow，但它可以高效编写和管理训练脚本。关键在于写对数据预处理与模型构建的逻辑结构，再用命令行或终端调用 Python 执行。
数据预处理：从加载到送入模型前的必要步骤
TensorFlow 训练前的数据处理通常包括路径读取、格式转换、归一化、划分训练/验证集等。Sublime 中建议按模块组织代码，例如：
- 用 tf.data.Dataset.from_tensor_slices() 或 tf.keras.utils.image_dataset_from_directory() 加载图像/数值数据
- 对图像做 resize、归一化（/255.0）、数据增强（如 RandomFlip），用 .map() 封装成函数
- 用 .batch(BATCH_SIZE).prefetch(tf.data.AUTOTUNE) 提升 I/O 效率，避免训练卡顿
模型构建：Keras API 是主流选择
在 Sublime 中写模型推荐用 tf.keras.Sequential 或 Functional API，结构清晰易调试：
- Sequential 适合线性堆叠：输入层 → 卷积层 → 池化 → Flatten → Dense → 输出
- Functional 更灵活，支持多输入/输出、共享层，比如用 Input(shape=(224,224,3)) 显式定义输入
- 别忘了加 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练脚本整合：一个可直接运行的最小结构
在 Sublime 中保存为 train.py，内容应包含完整流程链路：
- 导入必要模块（tensorflow as tf、numpy as np、os 等）
- 定义数据路径、超参（BATCH_SIZE=32, EPOCHS=10）
- 执行预处理 → 构建模型 → 编译 → model.fit() 训练 → 可选保存（model.save('my_model.h5')）
- 加上简单异常捕获（如 try/except）便于定位 Sublime 中写的语法错误
写完后，在终端进入脚本所在目录，运行 python train.py 即可启动训练。Sublime 的优势是轻量、快速跳转、支持 Python 插件（如 Anaconda、SublimeLinter）辅助检查语法，但不提供交互式环境——调试仍需配合 print、tensorboard 或 Jupyter 验证中间结果。
基本上就这些。流程不复杂，但容易忽略 prefetch、数据类型转换（如 label 要 int32）、GPU 内存配置等细节。
