tensorflow文档教程（tensorflow与pytorch的区别）
文章学习资源来自TensorFlow官网文档
一、 说明
本文训练一个网络模型来进行服装分类，比如衣服是T恤还是夹克。这可以快速入门了解TensorFlow2.0怎么进行分类任务的。
二、步骤
1. 引入 tf.keras
from __future__ import absolute_import, division, print_function, unicode_literals # TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # Helper libraries import numpy as np import matplotlib.pyplot as plt print(tf.__version__)
2. 导入MNIST时装数据集
Fashion MNIST 包含了10类、70000张灰度图。这个数据集被打造为图像识别任务的Hello World程序。
数据集地址 ：
https://github.com/zalandoresearch/fashion-mnist
下面图片是一些图片示例（28*28像素）：
fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
执行代码，程序会自动下载数据集。
加载的数据集返回4个NumPy数组：
- train_images , train_labels 数组：模型数据训练集
- test_images,test_labes 数组：模型测试集
图像是28*28的NumPy数组，像素值从0-255。标是整数，0-9，下面是含义：
LabelClass0T-shirt/top1Trouser2Pullover3Dress4Coat5Sandal6Shirt7Sneaker8Bag9Ankle boot
下面定义标注名称：
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
3. 分析数据
通过train_images.shape可以查看训练模型的数据格式，这里会显示它是60000张图片的训练集，每个图片28*28像素：
查看len(train_labels) 训练标注：
类似的，也可以查看测试集。
4. 预处理数据
训练前要先把数据预处理。这里可以先试着看一张图片：
plt.figure() plt.imshow(train_images[0]) plt.colorbar() plt.grid(False) plt.show()
结果：
可以看到像素值是0-255。下面将值转换到0-1。训练集和测试集必须采用同样的处理方法 。
train_images = train_images / 255.0 test_images = test_images / 255.0
下面显示25张图片，看看图片转换的结果：
5. 重点来了，创建神经网络模型
过程： 1. 配置 ；2.编译
i. 建顺序层
模型的基本单位是层。使用keras会比传统手工更容易创建一个层：
model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax') ])
第1个层：tf.keras.layers.Flatten，将图片从2维(2828像素)数组，转成一维数组(2828=784像素)。这个层只是把数据平面化。
下面是两个tf.keras.layers.Dense层，它们称为紧密连接或全连接、或神经层。1层有128个神经节点，第二个有10节点的softmax激活函数，它返回 10个可能性分值，这些分值总和是1.每个节点都表示当前图片属于哪种分类的分值。
2. 编译模型
编译要定义三个参数：
- 损失函数
- 优化器
- 评估指标：用来监视训练和测试的步骤。下面是使用accuracy。
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
3. 训练模型 ，3个步骤：
- 输入训练数据
- 模型学习图片和标注间的规律
- 测试集测试
开始训练：
model.fit(train_images, train_labels, epochs=10)
训练过程中会显示损失值、准确度。
4. 测试集测试，看看训练的准确度怎么样
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('nTest accuracy:', test_acc)5. 预测
这里使用测试集试试预测效果：
predictions = model.predict(test_images)
输出是一个数组，表示属于10种分类的可能性值。使用argmax取最大置信度的值：看看和标注值可一致：
print('predict = %i; label=%i' % (np.argmax(predictions[0]),test_labels[0]))三、完整程序：
from __future__ import absolute_import, division, print_function, unicode_literals
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
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']
train_images = train_images / 255.0
test_images = test_images / 255.0
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('nTest accuracy:', test_acc)
predictions = model.predict(test_images)
print('predict = %i; label=%i' % (np.argmax(predictions[0]),test_labels[0]))