[深度学习] TensorFlow2.0简单方便易用使用笔记

我的TensorFlow代码写得并不好，在自定义一些网络训练场景的时候乱写会导致学习效率很低，因为tf本身的优化太棒了，恰当地使用tensor进行运算会让程序的算力消耗显著降低。所以可以记录一下，方便自己随时回顾。
因此，难免出现一些神奇难解的词语/形容/符号，可能只有我自己（甚至我自己也不能）看得懂。

内容的组织结构将按照以下方式进行（当你有了数据集和明确的任务目标，从算法上你需要做什么呢？）：

• 预处理数据集
• 搭建网络结构
• 确定损失函数
• 确定优化器
• 分析训练结果

数据集我感觉是挺麻烦的事儿，因此把它放在最后，其他按照上述逻辑顺序依次展开。
示例主要是使用fashion mnist数据集，不刻意区分全连接的神经网络/CNN/RNN。

1 搭建网络结构

1.1 Sequential的方式搭建层以及可用的层类型

keras.Sequential函数允许很方便地直接将你需要的层结构堆砌在列表中，直接生成网络。
列表中只需要放置很多的keras.layers中的你所需要的层。

import tensorflow.keras as keras
import tensorflow as tf
# 如果用from tensorflow import keras，会无法自动补全

model = keras.Sequential([
    keras.layers.Conv2D(1, 1),
    keras.layers.Conv2D(64, 3),
    keras.layers.MaxPooling2D(),
    keras.layers.BatchNormalization(),
    keras.layers.ReLU(),

    keras.layers.Conv2D(128, 3),
    keras.layers.Conv2D(128, 3),
    keras.layers.MaxPooling2D(),
    keras.layers.BatchNormalization(),
    keras.layers.ReLU(),

    keras.layers.GlobalAvgPool2D(),
    keras.layers.Dense(8192 ,activation='relu'),
    keras.layers.Dense(2048 ,activation='relu'),
    keras.layers.Dropout(0.5),
    keras.layers.Dense(10),
])
model(tf.zeros((1,28,28,1)))

基本常用的层结构都可以在keras.layers中找到，可以随意挑选设计网络结构，有些复杂一点的例如Resnet中残差块这种的就要自己定义，在下一部分会介绍。
有哪些常用的层

keras.layers.Dense	全连接层 最基本的
keras.layers.Conv2D	二维卷积层 包括kernel_size/strides等基本参数的设置
keras.layers.MaxPooling2D	二维池化层 有最大池化/均值池化/全局最大/全局均值池化
keras.layers.Flatten	我曾经将卷积层结果通过池化强行降维 直到发现有flatten
keras.layers.BatchNormalization	批归一化 将层输出的每个维度变为均值为0 方差为1（它应该用在非线性层之前）很多时候会简称为BN
keras.layers.Dropout	我也曾不知道竟然dropout也有可以调用的层 太方便了
keras.layers.SimpleRNN/LSTM/GRU	常用的RNN基本单元
keras.layers.SimpleRNNCell/LSTMCell/GRUCell	值得一提的是为了方便细节设计 还有单个cell的版本
keras.layers.LeakyReLU	以此为代表的一系列激活函数层

有的地方会在Sequential的第一层指明网络输入向量的形状，如果网络对输入向量的形状未知，是无法计算每一层的形状的，模型无法被建立。
但也可以像我一样，在网络搭建完成后，给网络输入随便一个和输入向量同形状的向量（严格地说，应该叫张量了），网络也会自动初始化。

建立好的模型可以使用模型的summary()方法，查看网络结构。
下面展示了部分输出，非常了然。

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d (Conv2D)             (1, 28, 28, 1)            2         
                                                                 
 conv2d_1 (Conv2D)           (1, 26, 26, 64)           640       
                                                                 
 max_pooling2d (MaxPooling2D  (1, 13, 13, 64)          0         
 )                                                               
                                                                 
 batch_normalization (BatchN  (1, 13, 13, 64)          256       
 ormalization)                                                   
                                                                 
 re_lu (ReLU)                (1, 13, 13, 64)           0         
                                                                 
 conv2d_2 (Conv2D)           (1, 11, 11, 128)          73856     
                                                                 
 conv2d_3 (Conv2D)           (1, 9, 9, 128)            147584    
                                                                 
 max_pooling2d_1 (MaxPooling  (1, 4, 4, 128)           0         
 2D)                                                             
                                                                 
 batch_normalization_1 (Batc  (1, 4, 4, 128)           512       
 hNormalization)
.............................................
=================================================================
Total params: 18,079,372
Trainable params: 18,078,988
Non-trainable params: 384
_________________________________________________________________

1.2 选择合适的激活函数

如果对于每个层的作用都明确的话，它们的参数也是相当明确易懂的，这里谈论比较公共的参数，比如激活函数。

添加激活函数有两种方式，可以直接在层的activation参数中给出，例如：

# 设定一个激活函数是relu
keras.layers.Dense(8192 ,activation='relu')

# relu比较好记，但是leakyrelu我就不确定大小写或者下划线了，所以有的时候可以选择从keras.activations中选择，比如tanh
keras.layers.Dense(8192 ,activation=keras.activations.tanh)

除此之外也可以单独添加一个非线性激活层，比如有时候你希望在卷积层后先使用BN层，在添加激活层，就可以

# 卷积层后先池化，再归一化，最后过激活层
keras.layers.Conv2D(64, 3),
keras.layers.MaxPooling2D(),
keras.layers.BatchNormalization(),
keras.layers.ReLU(),

怎么选用合适的激活函数。
$$\text{softmax}($$