【程序喵笔记】TF2.0实现简单的分类任务

简单粗暴 TensorFlow 2.0

​ 上学期整检测任务，神马RCNN，SSD， YOLO之类的，看着网络理论还是津津乐道，可是看着代码我的双眼迷离，一直感觉万恶的TensorFlow，整一个session，再来个placeholder，简直是降低生产力。直到，直到，我遇见了2.0版本的你，啊~~这个感觉，神清气爽酣畅淋漓，么么哒这个强大的API。

没有对比没有伤害，先来个1.x的矩阵乘法：

# 创建一个变量
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]]) 
y = tf.matmul(w, x)  


#全局变量初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print (y.eval())

​ 再来一个2.0版本的矩阵乘法

w = [[0.5,1.0]]
x = [[2.0],[1.0]]
y = tf.matmul(w, x)
print(y)

​ 惊不惊喜？意不意外？神经网络搭建更是人性化奶妈级的友好啊！

整个分类任务瞅瞅

​ 神经网络四步走，数据、模型、训练、评估，TensorFlow2.0走你~

数据集

​ 来一个mnist数据集的神经网络分类任务~

mnist数据集一个手写的数据集，每张图片是28*28的，对应类别数字0到9，标签就是对应数字，并不是one-hot编码。

​ 其中每一张图是28*28的，并且是铺平了的就是784个特征，对应标签是0到9这十个数字

• 训练集
  • 特征 x_train 维度为 (50000,784), 50000个样本，每个样本784个特征
  • 标签 y_train 维度为 (50000,1), 50000个样本，每个样本对应1个标签
• 验证集
  • 特征 x_valid 维度为 (10000,784), 10000个样本，每个样本784个特征
  • 标签 y_vaild 维度为 (10000,1), 10000个样本，每个样本对应1个标签

搭建网络模型

• 这个网络就是实现输入一个手写数字，然后输出一个对10个类别的的概率，概率最大的，对应就是预测的结果呗。

  

• 那么这就是一个输入是784个特征，神经网络中间来几层（佛性的想整几层整几层），这些层就是隐层，全部都是全连接，y=wx+b的形式，最后输出就是10个类别的概率。

  

• 在TensorFlow2.0中，再也不需要啥placeholder繁琐的操作，只需要API中Keras模块解决就OK。

  API说明网址 ：https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf/keras

  • 创建模型。先按照顺序构造网络模型 tf.keras.Sequential()，实例化一个 对象，然后 model.add 一层一层的加入就成了。

    model = tf.keras.Sequential()
    model.add(layers.Dense(32, activation='relu', input_shape=(784,)))
    model.add(layers.Dense(32, activation='relu'))
    model.add(layers.Dense(10, activation='softmax'))
    

    每一层加入需要的层，layer. 下可用的层很多，其中 Dense 就是全连接层，运行操作就是 output = activation(dot(input, kernel) + bias)，说白了就是 y=wx+b 。对应神经元的个数，激活函数，初始化自己定义就可，第一层需要加入输入的维度。

  • 网络配置。通过model.compile 指定优化器，损失函数，优化器，度量标准，从API中选择合适的成。

    model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
                 # loss=tf.losses.CategoricalCrossentropy()
                 # 上面交叉熵损失函数要求标签是one hot模式
                 loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                 metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
    

训练

​ 直接 model.fit 就可以，指定epoches（跑几轮），batch_size（一次跑多少个数据），训练集，验证集。

model.fit(x_train, y_train, epochs=5, batch_size=64,
          validation_data=(x_valid, y_valid))

​ 跑起来，跑起来啦，数据集小，跑的次数也不多，我这小破电脑很快就成了。

最后瞅瞅模型啥样子， `model.summary` 就可以

评估

​ 数据集没有测试接，拿个验证集来看看效果吧， model.predict 一下，将概率最大的作为输出就好，这个预测的还可以。

​ 如果有测试集，用 model.evaluate 来看看测试集的准确率

test_loss, test_acc = model.evaluate(test_images,  test_labels)
print('\nTest accuracy:', test_acc)

模型保存

保存权重参数和网络模型

model.save('model.h5')

保存模型结构

config = model.to_json()
with open('config.json', 'w') as json:
    json.write(config)
# 载入    
model = keras.models.model_from_json(json_config)

保存模型权重

weights = model.get_weights()
model.save_weights('weights.h5')
# 载入
model.load_weights('weights.h5')