TensorFlow基础：初学者的第一个模型训练

这篇博客适合初学者了解模型训练是怎么一回事，用最简单的代码实现模型训练，但是你需要一点python的知识和一个你擅长的开发环境（比如：jupyter notebook）

总共需要下面几个步骤

1. 导入包
2. 引入数据
3. 数据处理
4. 创建模型
5. 编译模型
6. 传入数据并训练

导入包

import tensorflow as tf
from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

• 没有安装tensorflow，出门右转，百度“tensorflow安装教程”，很简单的，建议pip安装
• 建议TensorFlow 2.0以上

引入数据

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

• 这里直接用的TensorFlow内置的数据集，方便教程
• 大多时候数据集，可以在本地，直接图片的形式或者cvs格式
• class_names:在训练中没有太大的用处，只是方便我们纠正数据是否正确，因为计算机只认识0，1，2，3 这样的类别

数据处理

train_images = train_images / 255.0
test_images = test_images / 255.0

• 这里只是对数据进行了归一化处理，图片像素值变为了(0，1)之间，方便计算机计算，因为数据太大容易出现很多问题
• 还有很多其他的数据处理方式，比如灰度处理、去噪音、旋转、剪切等

创建模型

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
])

• 这里是用了简单的全连接，参数量只有10万左右，在本地CPU也能跑起来，正常的参数量都在几千万左右，CPU很难跑起来，都需要GPU才行

模型编译

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

• 优化器选的adam,新手一般都选adam，另外告诉喜欢用SGD（随机梯度下降法）
• 损失函数：SparseCategoricalCrossentropy，当分类用0，1，2，3……9,这样的分类时候，就选SparseCategoricalCrossentropy，其他的方式可以看关于我的优化器的博客

训练模型

model.fit(train_images, train_labels, epochs=10, validation_data = (test_images, test_labels))

• epochs:表示训练循环10次
• 编译模型中度量模型好坏的标准，我选的accuracy（准确度），所有这里每次循环结束会打印出测试数据集中的准确度
• 下面是我跑完的截图，不到一分钟时间，准确度在88%左右
  

总结

大家一定要自己动手试试，不懂的就百度，有问题可以在评论区提问，我尽量在第一时间回复大家，和大家一起进步