Colab超火的Keras/TPU深度学习免费实战，有点Python基础就能看懂的快速课程

大数据文摘出品

编译：曹培信、周素云、蒋宝尚

想要真的了解深度学习，除了看视频，拿数据和算力真枪实弹的练手可能比各种理论知识更重要。

编程基础不好？不会配置环境？本地GPU太贵配置太低？训练速度达不到要求？这些可能都是阻碍你搭建第一个神经网络的原因。

谷歌开发者博客的Codelabs项目上面给出了一份教程（课程链接在文末），不只是教你搭建神经网络，还给出四个实验案例，手把手教你如何使用keras、TPU、Colab。

这个练手指南被成为“仅会一点点python也能看懂”，也就是说，基础再薄弱都可以直接了解哦。

（连python都不会的同学，文摘菌前几天发布了一个100python计划，可以先行学习了再来跟着这篇文章搭建神经网络。）

四次实验均在谷歌的Collab上运行，由浅入深、循序渐进。无需进行任何设置，可以用Chromebook打开，实验环境都帮你搭建好了。

跟着文摘菌一起，是时候搭建一个属于自己的神经网络了！

快速开启！

四次实验均选择TPU支持，这会使代码运行速度大大加快，毕竟用了硬件加速。

先教会你如何在Tensorflow框架下快速加载数据，然后介绍一些tf.data.Dataset的基础知识，包括eager模式以及元组数据集等。

第二部分，手把手教你实现迁移学习，把别人训练好的模型拿过来直接使用，不用一步一步搭建也能使用强大的神经网络。除了迁移学习，在这部分还会简单介绍一些必要的知识点，包括神经元、激活函数等。

第三部分，进入卷积神经网络部分，在了解卷积层、池化层、Dense层卷积网络三个必要的组件之后，你将学会使用Keras Sequential模型构建卷积图像分类器，并使用良好的卷积层选择来微调模型。

第四部分，进入到更加前沿的部分，在接受了前面三个部分的洗礼之后，在这部分你会实现在Keras中利用TPU组建现代卷积网络和实现分类。

和在Jupyter Notebook操作方式一样，同时按住键盘的Shift和enter按钮，便可以运行代码。

如果你是首次执行，需要登录Google帐户进行身份验证。注意页面提醒就可以啦~

此notebook支持目录功能，点击网页左侧的黑色箭头可以查看。

利用Colab上的TPU训练Keras模型需要输入以下代码☟

tpu = tf.contrib.cluster_resolver.TPUClusterResolver(TPU_ADDRESS)strategy = tf.contrib.tpu.TPUDistributionStrategy(tpu)tpu_model = tf.contrib.tpu.keras_to_tpu_model(model, strategy=strategy)
tpu_model.fit(get_training_dataset,              steps_per_epoch=TRAIN_STEPS, epochs=EPOCHS,              validation_data=get_validation_dataset, validation_steps=VALID_STEPS)

本质上是在keras中调用keras_to_tpu_model，部署额外的硬件可以通过增加训练批次的大小增加训练过程。需要注意的是目前，Keras支持仅限于8个核心或一个Cloud TPU。

注：TPU可以在神经网络运算上达到高计算吞吐量，同时能耗和物理空间都很小。因为TPU从内存加载数据。当每个乘法被执行后，其结果将被传递到下一个乘法器，同时执行加法。因此结果将是所有数据和参数乘积的和。在大量计算和数据传递的整个过程中，不需要执行任何的内存访问。

介绍完基本的操作，接下来，文摘菌带大家看看官方给出的四个实验。

Tensorflow入门:tfrecords和tf.data

此实验涉及两个tf的基础操作，一个是使用tf.data.Dataset API导入训练数据，另一个是使用TFRecord格式从GCS有效导入训练数据。

此次实验使用花卉图片的数据集，学习的目标是将其分为5种类别。使用tf.data.Dataset API 执行数据加载。

Keras和Tensorflow在其所有训练和评估功能中接受数据集。在数据集中加载数据后，API会提供对神经网络训练数据有用的所有常用功能：