tensorflow2.0入门系列(一)

发表于 更新于 分类于 ，

tensorflow2入门教程（-）

导入TensorFlow2.0

1
import tensorflow as tf

MNIST数据集是一个手写数据集，其中有60,000张训练图片, 和10,000张训练图片，是深度学习常被用来入门的数据集

1
2
3
4
5
6
#加载mnist数据
mnist = tf.keras.datasets.mnist

#读取训练数据和测试数据，将样本从整数转换为浮点数
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

构建深度学习模型

首先，我们来看一下ReLU激活函数的形式，如下图:
ReLU函数图像
relu，即Rectified Linear Unit，整流线性单元，激活部分神经元，增加稀疏性，当x小于0时，输出值为0，当x大于0时，输出值为x.

softmax用于多分类过程中，它将多个神经元的输出，映射到（0,1）区间内，可以看成概率来理解，从而来进行多分类！

1
2
3
4
5
6
7
8
9
10
11
#tf.keras.models.Sequential为Keras提供的层叠模型
model = tf.keras.models.Sequential([
  #输入层，输入的shape是28X28（图片大小是28X28）  ,tf.keras.layers.Flatten()将输入展平，将多维数据展层一维，降维打击
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  #隐藏层一，输出shape是128，激励函数是relu,tf.keras.layers.Dense()全连接层
  tf.keras.layers.Dense(128, activation='relu'),
  #Dropout一些神经元，能够有效地处理在训练过程中产生的过拟合问题
  tf.keras.layers.Dropout(0.2),
  #输出层，shape为10分别对应着0-9这几个手写数字，激励函数为softmax，将特征值转换为在各个分类上的概率，,tf.keras.layers.Dense()全连接层
  tf.keras.layers.Dense(10, activation='softmax')
])

构建好模型后，通过调用 compile 方法配置该模型的学习流程

1
2
3
4
#采用adam优化器，损失函数为sparse_categorical_crossentropy，评价函数
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

训练并验证模型

1
2
3
4
#输入数据x_train,y_train;训练次数5次
model.fit(x_train, y_train, epochs=5)
#测试模型
model.evaluate(x_test, y_test)