TensorFlow 入门实战：手把手教你训练第一个神经网络-CSDN博客

本文链接：https://blog.csdn.net/2501_91537435/article/details/147659532

TensorFlow 入门实战：手把手教你训练第一个神经网络

本文将带你从零开始使用 TensorFlow 搭建并训练一个简单的神经网络，通过实战掌握深度学习的核心步骤。

一、前言

对于初学者来说，TensorFlow 是一个功能强大但看起来略显复杂的深度学习框架。本文将带你通过一个经典案例 —— 训练一个模型识别手写数字（MNIST 数据集），掌握神经网络的基本构建流程。

二、准备工作

1. 安装 TensorFlow

确保你已安装 Python（建议 3.8 及以上），然后在终端运行：

pip install tensorflow

你可以使用 CPU 或 GPU 版本，TensorFlow 会自动检测并使用可用的 GPU。

2. 导入库

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

三、加载 MNIST 数据集

MNIST 是一个经典的手写数字图片数据集，TensorFlow 已集成：

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 归一化处理（将像素值缩放到0~1之间）
x_train = x_train / 255.0
x_test = x_test / 255.0

四、构建神经网络模型

使用 Sequential 模型快速堆叠层：

model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # 将28x28的图像拉平成784向量
    layers.Dense(128, activation='relu'),  # 第一层，全连接128个神经元
    layers.Dropout(0.2),                   # Dropout防止过拟合
    layers.Dense(10, activation='softmax') # 输出层，对应10个数字
])

五、编译模型

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

adam：常用的优化器
sparse_categorical_crossentropy：适用于整数标签的分类问题

六、训练模型

model.fit(x_train, y_train, epochs=5, validation_split=0.1)

使用 90% 的训练数据进行训练，10% 用于验证。
epochs=5 表示训练 5 个轮次。

七、评估模型

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'\n测试集准确率: {test_acc:.4f}')

八、预测与可视化

随机查看几张测试图片与预测结果：

import numpy as np

predictions = model.predict(x_test)

# 显示前5张图片及模型预测
for i in range(5):
    plt.imshow(x_test[i], cmap='gray')
    plt.title(f'预测值: {np.argmax(predictions[i])} / 实际值: {y_test[i]}')
    plt.axis('off')
    plt.show()

九、完整代码汇总

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt
import numpy as np

# 加载并预处理数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5, validation_split=0.1)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试准确率: {test_acc:.4f}')

# 预测部分图像
predictions = model.predict(x_test)
for i in range(5):
    plt.imshow(x_test[i], cmap='gray')
    plt.title(f'预测值: {np.argmax(predictions[i])} / 实际值: {y_test[i]}')
    plt.axis('off')
    plt.show()