判别器loss为0_TensorFlow 2.0 模型：多层感知机

文 /  李锡涵，Google Developers Expert

本文节选自《简单粗暴 TensorFlow 2.0》

在 上一篇文章 里，我们简要介绍了 TensorFlow 2.0 中建立模型类的方法。本文即以多层感知机 (Multilayer Perceptron, MLP)，或者说 “多层全连接神经网络” 为例，给出一个具体示例，详细介绍 TensorFlow 2.0 的模型构建、训练、评估的全流程。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

UFLDL 教程 | 神经网络 一节

斯坦福课程 CS231n: Convolutional Neural Networks for Visual Recognition 中的 “Neural Networks Part 1 ~ 3” 部分。

注：神经网络 链接

http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/

CS231n 链接

http://cs231n.github.io/

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。

 1class MNISTLoader():
 2    def __init__(self):
 3        mnist = tf.keras.datasets.mnist
 4        (self.train_data, self.train_label), (self.test_data, self.test_label) = mnist.load_data()
 5        # 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
 6        self.train_data = np.expand_dims(self.train_data.astype(np.float32) / 255.0, axis=-1)      # [60000, 28, 28, 1]
 7        self.test_data = np.expand_dims(self.test_data.astype(np.float32) / 255.0, axis=-1)        # [10000, 28, 28, 1]
 8        self.train_label = self.train_label.astype(np.int32)    # [60000]
 9        self.test_label = self.test_label.astype(np.int32)      # [10000]
10        self.num_train_data, self.num_test_data = self.train_data.shape[0], self.test_data.shape[0]
11
12    def get_batch(self, batch_size):
13        # 从数据集中随机取出batch_size个元素并返回
14        index = np.random.randint(0, np.shape(self.train_data)[0], batch_size)
15        return self.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。如果运行时出现网络连接错误，可以从 ht