TensorFlow 基础学习 - 4 (重点是调参)

准备数据

!wget --no-check-certificate \
    https://storage.googleapis.com/laurencemoroney-blog.appspot.com/horse-or-human.zip \
    -O /tmp/horse-or-human.zip

该目录下又分别包含horses和humans子目录。

简而言之：训练集就是用来告诉神经网络模型"这就是马的样子"、"这就是人的样子"等数据。

这里需要注意的是，我们并没有明确地将图像标注为马或人。如果还记得之前的手写数字例子，它的训练数据已经标注了"这是一个1"，"这是一个7"等等。 稍后，我们使用一个叫做ImageGenerator的类--用它从子目录中读取图像，并根据子目录的名称自动给图像贴上标签。所以，会有一个"训练"目录，其中包含一个"马匹"目录和一个"人类"目录。ImageGenerator将为你适当地标注图片，从而减少一个编码步骤。(不仅编程上更方便，而且可以避免一次性把所有训练数据载入内存，而导致内存不够等问题。)

让我们分别定义这些目录。

# Directory with our training horse pictures
train_horse_dir = os.path.join('/tmp/horse-or-human/horses')

# Directory with our training human pictures
train_human_dir = os.path.join('/tmp/horse-or-human/humans')

建模

像前面的例子一样添加卷积层CNN，并将最终结果扁平化，以输送到全连接的层去。

最后我们添加全连接层。

需要注意的是，由于我们面对的是一个两类分类问题，即二类分类问题，所以我们会用sigmoid激活函数作为模型的最后一层，这样我们网络的输出将是一个介于0和1之间的有理数，即当前图像是1类(而不是0类)的概率。

BTW, 如果是是多个分类，比如前面提到的0~9个分类用的softmax激