神经网络测试集loss不变_「马上学tensorflow 2.0」“Hello, World”初识神经网络

大家好，今天我们学习【马上学tensorflow 2.0】之 “Hello, World”初识神经网络。

我们 马上学三点 ，

1. 完整神经网络代码
2. 详细训练步骤
3. 训练效果

大家可以点击下面的“ 了解更多 ”，或搜索“ 马上学123 ”，在线观看PPT讲义。

Hello, World

开始“Hello, World”

这一节， 我们使用一个例子认识神经网络， 如果其中某些步骤看起来像魔法一样， 你可以不用管， 下一节会详细解释这个例子中的每个步骤。

我们这里要解决的问题是， 将手写数字的灰度图像(28 像素×28 像素)， 划分到 10 个类别中(0~9)。

我们将使用 MNIST 数据集， 它是机器学习领域的一个经典数据集， 其历史几乎和这个领域一样长， 解决MNIST问题看作深度学习的“Hello World”，

MNIST数据集包含 60000 张训练图像和 10000 张测试图像， 如图是它的一些样本：

项目的完整代码

这是本节项目的完整代码， 我们接下来会介绍详细步骤。

import tensorflow as tfmnist = tf.keras.datasets.mnist(train_images , train_labels), (test_images, test_labels) = mnist.load_data()train_images, test_images = train_images / 255.0, test_images / 255.0model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10, activation='softmax')])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])model.fit(train_images, train_labels, epochs=5)model.evaluate(test_images, test_labels)

加载MNIST数据集

import tensorflow as tfmnist = tf.keras.datasets.mnist(train_images , train_labels), (test_images, test_labels) = mnist.load_data()train_images, test_images = train_images / 255.0, test_images / 255.0

train_images 和 train_labels 组成了训练集， 模型将从这些数据中进行学习。 然后在测试集(即 test_images 和 test_labels)上 对模型进行测试。

我们梳理一下工作流程： 首先，将训练数据(train_images 和 train_labels) 输入神经网络； 其次，网络学习将图像和标签关联在一起； 最后，网络对 test_images 生成预测， 而我们将验证这些预测与 test_labels 中的标签是否匹配。

在开始训练之前， 我们将对数据进行预处理， 将其变换为网络要求的形状， 并缩放到所有值都在 [0, 1] 区间。

train_images, test_images = train_images / 255.0, test_images / 255.0

构建网络

下面我们来构建网络，

model = tf.keras.models.Sequential([

tf.keras.layers.Flatten(input_shape=(28, 28)),

tf.keras.layers.Dense(128, activation='relu'),

tf.keras.layers.Dense(10, activation='softmax')

])

神经网络的核心组件是层(layer)， 它是一种数据处理模块，你可以将它看成数据过滤器。 进去一些数据，出来的数据变得更加有用。

深度学习模型就像是数据处理的筛子， 包含一系列越来越精细的数据过滤器(即层)。

本例中的网络包含2个 Dense 层， 它们是密集连接(也叫全连接)的神经层。

最后一层是一个10路softmax 层， 它将返回一个由 10个概率值组成的数组。 每个概率值表示当前数字图像 属于10个数字类别中某一个的概率。

编译模型

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

要想训练网络， 我们还需要选择编译(compile)步骤的三个参数。

• 损失函数(loss function)： 网络如何衡量在训练数据上的性能， 即网络如何朝着正确的方向前进。
• 优化器(optimizer)： 基于训练数据和损失函数来更新网络的机制。
• 在训练和测试过程中需要监控的指标(metric)： 本例只关心精度，即正确分类的图像所占的比例。

后续会详细解释损失函数和优化器的确切用途。

开始训练网络

准备开始训练网络， 我们在训练数据上拟合(fit)模型。

model.fit(train_images, train_labels, epochs=5)

训练过程中显示了两个数字：

• 一个是网络在训练数据上的损失(loss)，
• 另一个是网络在训练数据上的精度(acc)。

我们很快就在训练数据上达到了很高的精度。

测试集验证性能

现在我们来检查一下模型在测试集上的性能：

model.evaluate(test_images, test_labels)

测试集精度比训练集精度低不少， 训练精度和测试精度之间的这种差距是过拟合造成的。 过拟合是指机器学习模型 在新数据上的性能往往比在训练数据上要差，我们后续会重点讲。

第一个例子到这里就结束了， 你刚刚看到了如何构建和训练一个神经网络， 用不到 20 行的Python 代码对手写数字进行分类。

后续我们会详细介绍这个例子中的每一个步骤， 并讲解其背后的原理。

总结：

我们通过一个完整的MNIST项目， 讲解了训练模型的完整步骤， 导入数据，预处理数据， 创建模型，训练模型，测试模型。

这里讲了三点，关键词有哪几个？

提问，tensorflow和keras是什么关系？

欢迎回复评论!

马上学，很简单！