tensorflow量化感知训练_TensorFlow 模型建立与训练

基础示例：多层感知机(MLP)

我们从编写一个最简单的 多层感知机 (Multilayer Perceptron, MLP)，或者说 “多层全连接神经网络” 开始，介绍 TensorFlow 的模型编写方式。在这一部分，我们依次进行以下步骤：

使用 tf.keras.datasets 获得数据集并预处理

使用 tf.keras.Model 和 tf.keras.layers 构建模型

构建模型训练流程，使用 tf.keras.losses 计算损失函数，并使用 tf.keras.optimizer 优化模型

构建模型评估流程，使用 tf.keras.metrics 计算评估指标

基础知识和原理

这里，我们使用多层感知机完成 MNIST 手写体数字图片数据集 [LeCun1998] 的分类任务。

MNIST 手写体数字图片示例

数据获取及预处理： tf.keras.datasets

先进行预备工作，实现一个简单的 MNISTLoader 类来读取 MNIST 数据集数据。这里使用了 tf.keras.datasets 快速载入 MNIST 数据集。

classMNISTLoader():

def__init__(self):

mnist=tf.keras.datasets.mnist

(self.train_data,self.train_label),(self.test_data,self.test_label)=mnist.load_data()

# MNIST中的图像默认为uint8(0-255的数字)。以下代码将其归一化到0-1之间的浮点数，并在最后增加一维作为颜色通道

self.train_data=np.expand_dims(self.train_data.astype(np.float32)/255.0,axis=-1)# [60000, 28, 28, 1]

self.test_data=np.expand_dims(self.test_data.astype(np.float32)/255.0,axis=-1)# [10000, 28, 28, 1]

self.train_label=self.train_label.astype(np.int32)# [60000]

self.test_label=self.test_label.astype(np.int32)# [10000]

self.num_train_data,self.num_test_data=self.train_data.shape[0],self.test_data.shape[0]

defget_batch(self,batch_size):

# 从数据集中随机取出batch_size个元素并返回

index=np.random.randint(0,np.shape(self.train_data)[0],batch_size)

returnself.train_data[index,:],self.train_label[index]

提示

mnist = tf.keras.datasets.mnist 将从网络上自动下载 MNIST 数据集并加载。如