TensorFlow 快速入门示例

因为本课程是以案例为驱动进行框架的应用与讲解，因此我们这一节以一个简单的示例来帮助大家了解 TensorFlow 框架的使用方法以及基本的程序框架与流程。

既然要进行模型的构建与训练，那么数据集便是必不可少的一部分。因为所有的模型都是建立在一定的数据集合之上的。这节课我们便采用一个叫做 fashion_mnist 数据集合进行模型的构建与训练。

1. 什么是 fashion_mnist 数据集合

作为机器学习中最基本的数据集合之一， fashion_mnist 数据集一直是入门者做程序测试的首选的数据集，相比较传统的 mnist 数据集而言，fashion_mnist 数据集更加丰富，能够更好的反映网络模型的构建的效果。

fashion_mnist 数据集合是一个包含 70000 个数据的数据集合，其中60000 条数据为训练集合，10000 条数据为测试集合；每个数据都是 28*28 的灰度图片数据，而每个数据的标签分为 10 个类别。其中的几条数据具体如下图所示（图片来自于 TensorFlow 官方 API 文档）。

我们要做的就是如何根据输入的图片训练模型，从而使得模型可以根据输入的图片来预测其属于哪一个类别。

fashion_mnist 数据集合的 10 个类别为：

["T-shirt/top", "Trouser", "Pullover", "Dress", "Coat", "Sandal", "Shirt", "Sneaker", "Bag", "Ankle boot"]

2. TensorFlow一般程序结构

TensorFlow 一般的程序的结构都是以下的顺序：

• 引入所需要的包
• 加载并预处理数据
• 编写模型结构
• 编译模型或 Build 模型
• 训练模型与保存模型
• 评估模型

在这个简单的示例之中我们不会涉及到模型的保存与加载，我们只是带领大家熟习一下程序的整体结构即可。

具体的程序代码为：

import tensorflow as tf

# 使用内置的数据集合来加载数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()

# 预处理图片数据，使其归一化
x_train, x_test = x_train / 255.0, x_test / 255.0

# 定义网络结构
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(256, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
model.evaluate(x_test,  y_test)

接下来让我们仔细地看一下这些代码到底干了什么。

在该程序之中，我们首先使用 tf.keras 中的 datasets 载入了fashion_mnist 数据集合，该函数返回的是两个元组：

• 第一个元组为（训练数据的图片，训练数据的标签）
• 第二个元组为（测试数据的图片，测试数据的标签）

因此我们能够使用两个元组来接收我们要训练的数据集合。

然后我们对图片进行了预处理：

x_train, x_test = x_train / 255.0, x_test / 255.0

在机器学习之中，我们一般将我们的输入数据规范到 [0 ,1] 之间，因为这样会让模型的训练效果更好。又因为图片数据的每个像素都是 [0, 255] 的整数，因此我们可以将所有的图片数据除以 255 ，从而进行归一化。

接下来我们便构建了我们的模型，我们的模型由三层组成：

• Flatten 层，这一层负责将二维的图片数据变成一维的数组数据，比如我们输入的图片数据为 28*28 的二维数组，那么 Flatten 层将会把其变为长度为 784 的一维数组。
• Dense 层，全连接层，这一层的单元数为 10 个，分别对应着我们的 10 个类别标签，激活函数为 “softmax” ，表示它会计算每个类别的可能性，从而取可能性最大的类别作为输出的结果。

然后我们便进行了模型的编译工作，在编译的过程中我们有以下几点需要注意：

• 优化器的选择，优化器代表着如何对网络中的参数进行优化，这里采用的是 “adam” 优化器，也是一种最普遍的优化器。
• 损失函数，损失函数意味着我们如何对“模型判断错误的惩罚”的衡量方式；换句话说，我们可以暂且理解成损失函数表示“模型判断出错的程度”。对于这种分类的问题，我们一般采用的是 “sparse_categorical_crossentropy” 交叉熵来衡量。
• Metrics，表示我们在训练的过程中要记录的数据，在这里我们记录了 “accuracy” ，也就是准确率。

再者我们进行模型的训练，我们使用我们预先加载好的数据进行模型的训练，在这里我们设置训练的循环数（ epoch ）为 5，表示我们会在数据集上循环 5 次。

最后我们进行模型的评估，我们使用 x_test, y_test 对我们的模型进行相应的评估。

3. 程序的输出

通过运行上面的程序，我们可以得到下面的输出：

Epoch 1/5
1875/1875 [==============================] - 5s 3ms/step - loss: 0.4865 - accuracy: 0.8283
Epoch 2/5
1875/1875 [==============================] - 5s 3ms/step - loss: 0.3644 - accuracy: 0.8693
Epoch 3/5
1875/1875 [==============================] - 5s 3ms/step - loss: 0.3287 - accuracy: 0.8795
Epoch 4/5
1875/1875 [==============================] - 5s 3ms/step - loss: 0.3048 - accuracy: 0.8874
Epoch 5/5
1875/1875 [==============================] - 5s 3ms/step - loss: 0.2864 - accuracy: 0.8938
313/313 - 0s - loss: 0.3474 - accuracy: 0.8752
[0.3474471867084503, 0.8751999735832214]

由此可以看出，在训练集合上我们可以得到的最高的准确率为 87.52%，在测试集合上面的准确率为 87.519997%。

4. 小结

TesnorFlow 程序的构建主要分为三大部分：数据预处理、模型构建、模型训练。

而在以后的实践过程中我们也总是离不开这个程序顺序，更加深入的定制化无非就是在这三个大的过程中增添一些细节，因此我们大家要谨记这个总体步骤。