Tensorflow2.0学习（一）Hello World！

TensorFlow2.0初体验吧。之前搞定了cuda环境，所以是用支持GPU的版本跑的，网上的教程大多是用tf1.x写的，所以想自己看着官网的文档来写一写2.0的教程。

安装十分简单：

    pip install tensorflow-gpu==2.0.0-beta1
   

新版本TensorFlow已经支持cuda10.0（谢天谢地）。

下面是官网给的示例代码：

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

搭建一个程序共有五步：

1.创建Sequential模型；

2.添加所需要的神经层；在示例程序中，创建模型和添加神经层同步完成了，我们还可以用model.add()来添加神经层，并设置其功能，形状，激活函数，留存率等属性；

3使用.compile方法确定模型训练结构；有三个重要参数：

optimizer：此对象会指定训练过程。从 tf.train 模块向其传递优化器实例；
loss：要在优化期间最小化的函数。常见选择包括均方误差 (mse)、categorical_crossentropy 和 binary_crossentropy。损失函数由名称或通过从 tf.keras.losses 模块传递可调用对象来指定。
metrics：用于监控训练。它们是 tf.keras.metrics 模块中的字符串名称或可调用对象。

4使用.fit方法使模型与训练数据“拟合”；还有更多参数，例如：

model.fit(data, labels, epochs=10, batch_size=32,
          validation_data=(val_data, val_labels))

5.predict或evaluate方法进行预测。

详细信息可以在下面链接中找到：

https://tensorflow.google.cn/api_docs/python/tf/keras/Model#fit

(具体方法的使用有点复杂，我会在后面的博文中仔细分析学习)