【Google 机器学习笔记】十、TensorFlow 2.1 实战（二）基本图像分类（MNIST）

【Google 机器学习笔记】

十、TensorFlow 2.1 实战（二）基本图像分类

  为节省时间，降低学习成本，本节实战的图片分类对象 tf.keras 中内置的 MNIST 数据集。

---

  首先回顾机器学习编程的几个基本步骤
    1. 数据
      ① 获取数据
      ② 处理数据
      ③ 拆分数据
      ④ 检查数据
    2. 模型
      ① 构建模型
      ② 检查模型
      ③ 训练模型
      ④ 进行预测
  现根据以上步骤进行实战训练

---

数据

获取数据

# 首先先导入 TF
import tensorflow as tf
# TF 的高级 API —— Keras
from tensorflow import keras
from tensorflow.keras import layers
# 用到的第三方包
import numpy as np
import matplotlib.pyplot as plt

# TensorFlow 中为方便机器学习，内置了很多数据集在 tf.keras.datasets 中，
# 而且已经将数据处理并拆分好了。具体使用方法可前往官网查看 API 文档
# 获取数据
(train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data()

处理数据

  处理数据前，我们先认识一下这份数据集。先看看 train_images 的情况，

train_images.shape

(60000, 28, 28)

  这里说明 train_images 中包含 60000 张图片，每张图片都是 28*28 像素。
  再看看 train_labels 的情况，

train_labels.shape

(60000,)

  共 60000 个标签，一一对应 train_images 中的图片。
  你也可以通过 train_lables 看看 train_labels 中的内容，结果应该是：

array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)

  对于 test_images、test_labels，你也可以通过类似的方法了解这份数据。

test_images.shape

(10000, 28, 28)

test_labels.shape

(10000,)

  OK，我们已经基本知道这个数据集的结构了，但是对于 train_images 中的图片的情况还不是很了解，这时我们可以使用 Numpy 中的 plt 来查看这些图片。

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.xlabel(train_labels[0])
plt.show()

  这是 train_images 中的第一张图片，数字 5 （第一眼我没看出来这是 5 …），颜色范围 0~255，是一个离散值。
  之前讲到，如果数据是一个离散值，一般将其缩放至 [-1,1]，这样可以加快模型训练速度。这里我们采用线性缩放的方式将其缩放至 [0,1]。

train_images = train_images / 255.0
test_images = test_images / 255.0

  至此数据处理完毕

拆分数据

  此步骤在 “获取数据” 已完成，略过。

检查数据

  为了确保数据的正确性，我们需要在将它放进模型训练之前检查这份数据的正确性。

plt