TensorFlow 2 quickstart for beginners

本次教程的目的是快速带领初学者入门以及使用 Tensorflow 2 ，一共分为以下 3 个知识点:

1. 搭建一个神经网络用于图片分类

2. 训练搭建好的神经网络

3. 对训练好的网络模型进行准确率评估

首先我们需要 Import 用到的函数库

import numpy as np
import tensorflow as tf

加载 MNIST 数据集，该数据集相当于编程界的 "Hello, World" ，然后把样本的数据类型从 int 转化成 float

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

如下图所示，我们可以看到加载上来的数据集的数据类型为 uint8 ，取值范围是 0-255 ，对应了图片的像素值 0-255

转化之后，如下图所示，变成了 float64

接下来我们进入模型搭建阶段，用的是 Sequential API ，同时我们还需要选择优化器和损失函数以用于训练

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10)
])
​
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
​
model.compile(optimizer='adam',
              loss=loss_fn,
              metrics=['accuracy'])

注解: 针对上面模型搭建阶段，为什么不把 tf.nn.softmax 放入最后一层 Dense 的原因是，当使用 softmax 输出时，不可能为所有模型提供精确和数值稳定的损失计算

到这一步，我们就可以开始训练模型了

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

训练完模型之后，我们还需要对模型的准确率进行评估

model.evaluate(x_test, y_test, verbose=2)

最后我们对测试集的 5 张图片进行预测，看看模型是否真的学会图片分类了

probability_model = tf.keras.Sequential([
    model,
    tf.keras.layers.Softmax()
])
​
print(np.argmax(probability_model(x_test[:5]), axis=1))
print(y_test[:5])

一般来说，预测结果和标签是能够一一对应上的

一些补充:

1. 我们可以测试一下模型在未训练前的输出

2. 我们可以测试一下模型在训练后的输出

模型在未训练前的输出

上图展示的是，模型未训练前，计算出来的损失值，这背后有什么奥秘呢？

首先我们要知道一点，MNIST 有 0-9 ，10 个数字，也就是 10 分类问题，未训练的模型对于每个类别预测正确的概率是 1/10 ，然后损失值计算公式是: -tf.math.log(1/10) ~= 2.3 和我们这里的 2.68 输出非常近似

接下来我们输出一下模型未训练状态下的预测结果，可以看到 2/20=1/10 的正确率，基本符合随机预测的概率(当然这里统计的样本数过少，定义不够严谨)

模型在训练后的输出

我们看到 evaluate 的输出是[0.07140578329563141, 0.9786999821662903] 前者是损失值，后者是准确率，我们发现经过 epoch=5 次迭代，模型在测试集上取得了 97.86% 的准确率

上图是对测试集的前 5 张图片进行预测，可以看到预测结果均正确

代码地址: https://codechina.csdn.net/csdn_codechina/enterprise_technology/-/blob/master/tf2_quickstart_for_beginners.ipynb