TensorFlow 深度学习官网教程笔记系列：1.初学者的 TensorFlow 2.0 教程_tensorflow2深度学习官网教程笔记系列 南贝塔

前言

入门 TensorFlow 深度学习，官网教程是非常不错的学习资料，但是教程内容多为实例展示，对其中函数、对象的完整用法缺乏深入解释，入门者常常会感觉「知其然而不知其所以然」。

本人正在入门学习 TensorFlow 深度学习，目前尚无「知识的诅咒」，可以站在小白的角度上去看这些陌生的函数、对象和参数。这个笔记系列会在官网教程的基础上，添加一些必要的注释和拓展阅读资料，希望帮助入门的小伙伴们对 TensorFlow 有更加清晰的理解。

注释会以脚注的形式，添加在教程的描述、代码块和运行结构之后。

本系列按照官网教程的顺序展开，大家可以当作官网教程来阅读。本人小白，请大佬轻喷。

系列目录：

1. 《初学者的 TensorFlow 2.0 教程》

本教程来自TensorFlow官网。

---

这是一个“Hello, World!”教程，来向初学者快速演示 Keras Sequential API 和model.fit。

首先下载并安装 TensorFlow 2.0，然后 import TensorFlow：

import tensorflow as tf
1

导入 MNIST 数据集^注释1。将样本从整数转换为浮点数。

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
1
2
3
4

注释：

1. tf.keras.datasets 模块提供了若干个已经处理为 Numpy 格式的数据集，供神经网络模型 debug 和 demo 用。MNIST 是其中的一个数据集，它是一个手写数字图片的数据集，包含60000个训练样本和10000个测试样本。在后续教程中，还会用到另一个数据集 Fashion MNIST，它是一个服装图片的数据集：
   

将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型^注释2,3。为训练选择优化器和损失函数：

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
]) # 注释4,5,6

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy']) # 注释7
1
2
3
4
5
6
7
8
9
10

注释：

2. Keras 是 TensorFlow 中的一个深度学习 API ，可以快捷地构建和训练神经网络模型。很多深度学习内容都可以使用 Keras 完成。

3. 「层，layers」和「模型，models」是 Keras 的两种核心数据结构。序列模型（Sequential model）是最简单的一种模型，它由多个层通过线性堆叠构成。

4. tf.keras.layers.Flatten 是 Keras 的一系列 Reshaping 层中的一种，它的作用是将input展平。

5. tf.keras.layers.Dense 是全连接层，它的参数包括输出向量维度、激活函数等等，它可以创建权重矩阵 kernel 和偏差向量 bias，可以实现 outputs = activation(inputs * kernel + bias) 的计算。参考tf.layers.Dense。

6. Dense 层中的 activation 参数定义该全连接层所用的激活函数，可以选择的激活函数包括：ReLU、sigmoid、softmax、tanh等等。

7. model.compile 方法设置神经网络模型的编译细节，它常用参数包括优化算法 optimizer、损失函数 loss、评价标准 metrics等。这3个参数可以传入字符串或者实例化对象。上述代码所用的就是传入字符串方法。

训练并验证模型：

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)
1
2
3

运行结果：

Epoch 1/5
1875/1875 [==============================] - 3s 1ms/step - loss: 0.2974 - accuracy: 0.9128
Epoch 2/5
1875/1875 [==============================] - 2s 1ms/step - loss: 0.1452 - accuracy: 0.9565
Epoch 3/5
1875/1875 [==============================] - 2s 1ms/step - loss: 0.1071 - accuracy: 0.9675
Epoch 4/5
1875/1875 [==============================] - 2s 1ms/step - loss: 0.0879 - accuracy: 0.9727
Epoch 5/5
1875/1875 [==============================] - 2s 1ms/step - loss: 0.0743 - accuracy: 0.9768
313/313 - 0s - loss: 0.0778 - accuracy: 0.9772 - 336ms/epoch - 1ms/step
1
2
3
4
5
6
7
8
9
10
11

模型最终的loss和准确率：

[0.07779313623905182, 0.9771999716758728]
1

现在，这个简单的照片分类器的准确度已经达到 98%。