說(shuō)明

1. 這是一個(gè)關(guān)于TensorFlow的基礎(chǔ)教程
2. 本任務(wù)主要是基于TensorFlow實(shí)現(xiàn)對(duì)于MNIST數(shù)據(jù)集的處理
3. 通過(guò)本任務(wù)，希望大家能夠了解TensorFlow構(gòu)建神經(jīng)網(wǎng)絡(luò)的大致過(guò)程

4. MNIST數(shù)據(jù)集展示
   mnist數(shù)據(jù)集

訓(xùn)練過(guò)程

1. 導(dǎo)入相關(guān)包以及載入數(shù)據(jù)
   導(dǎo)入數(shù)據(jù)

2. 查看樣本數(shù)據(jù)
   數(shù)據(jù)查驗(yàn)

3. 查看多個(gè)數(shù)據(jù)
   多樣本查驗(yàn)

4. 數(shù)據(jù)歸一化（深度學(xué)習(xí)模型處理 0 至 1 之間的數(shù)字時(shí)更加得心應(yīng)手（后面會(huì)有詳細(xì)介紹），所以我們會(huì)取全部像素值，并用每個(gè)值除以 255。我們將此過(guò)程稱為歸一化。）
   特征歸一化

5. 標(biāo)簽序列化（將標(biāo)量轉(zhuǎn)換成向量）：
   標(biāo)簽序列化

6. 搭建模型
   搭建模型

7. 模型編譯
   模型編譯

8. 模型訓(xùn)練
   模型訓(xùn)練

完整代碼

# ===========導(dǎo)入數(shù)據(jù)集==========
from tensorflow.keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# ==========查看數(shù)據(jù)=========
import matplotlib.pyplot as plt
image = x_train[0]
label = y_train[0]
plt.imshow(image, cmap="gray")
plt.title(label, fontdict={'fontsize': 30})

# ==========數(shù)據(jù)預(yù)處理（歸一化）==========
## 以下兩種方式等價(jià)（第一個(gè)是具體公式，第二個(gè)是簡(jiǎn)便寫法）
x_train = (x_train - x_train.min()) / (x_train.max() - x_train.min())
x_test = x_test / 255

# ==========對(duì)標(biāo)簽進(jìn)行多分類編碼（變量轉(zhuǎn)向量）==========
import tensorflow.keras as keras
print("format y_train[0] is ", y_train[0])
num_categories = 10   # 0~9一共有10個(gè)數(shù)字
# 將標(biāo)量轉(zhuǎn)換成向量
y_train = keras.utils.to_categorical(y_train, num_categories)
y_test = keras.utils.to_categorical(y_test, num_categories)
print("after encoding, y_train[0] is ", y_train[0])

# ===============創(chuàng)建模型==================
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
model = Sequential()
# 輸入層
"""
units參數(shù)指定該層中神經(jīng)元的數(shù)量。 這里使用512，這是一個(gè)很好的起始值。也可以稍后修改此值來(lái)查看它如何影響訓(xùn)練結(jié)果。
activation：激活函數(shù)，這里將使用relu激勵(lì)函數(shù)，它將幫助我們的網(wǎng)絡(luò)做出比使用線性激勵(lì)函數(shù)更為復(fù)雜的預(yù)測(cè)
input_shape值指定輸入數(shù)據(jù)的形狀/維度。
"""
model.add(Dense(units=512, activation='relu', input_shape=(784,)))  # 輸入變量有784維
# 隱藏層
model.add(Dense(units = 512, activation='relu'))
# 輸出層
"""
該層使用softmax激勵(lì)函數(shù)，該函數(shù)將使該層的每個(gè)輸出值是0到1之間的概率值，并且該層的所有輸出相加等于1。
在這種情況下，由于網(wǎng)絡(luò)要對(duì)一個(gè)圖像屬于0到9中的一個(gè)進(jìn)行預(yù)測(cè)，所以一共有10個(gè)輸出，每個(gè)輸出都會(huì)給出模型對(duì)圖像屬于某個(gè)類的猜測(cè)值（概率）
因此，softmax較適用于需要分類的應(yīng)用場(chǎng)景。
"""
model.add(Dense(units = 10, activation='softmax'))     # 輸出有10個(gè)類別，激活函數(shù)使用softmax
# 模型總結(jié)
model.summary()

# ==========模型編譯==========
"""
在實(shí)際使用數(shù)據(jù)訓(xùn)練模型之前，我們需要做的最后一步是對(duì)模型進(jìn)行編譯。
在這里，我們要指定一個(gè)損失函數(shù)，模型將用該函數(shù)來(lái)了解其在訓(xùn)練過(guò)程中的表現(xiàn)。我們還要指定在模型訓(xùn)練時(shí)我們將要跟蹤準(zhǔn)確率
"""
model.compile(loss='categorical_crossentropy', metrics=['accuracy'])

# ==========訓(xùn)練模型==========
"""
x_train, y_train：分別是訓(xùn)練數(shù)據(jù)和訓(xùn)練標(biāo)簽；
epochs：表示在整個(gè)訓(xùn)練數(shù)據(jù)集上進(jìn)行訓(xùn)練的次數(shù)；
verbose=1：顯示訓(xùn)練過(guò)程和日志信息
validation_data：校驗(yàn)數(shù)據(jù)，每一個(gè)訓(xùn)練完模型都會(huì)使用校驗(yàn)數(shù)據(jù)進(jìn)行檢查
"""
model.fit(x_train, y_train, 
          epochs=5,
          verbose=1,
          validation_data=(x_test, y_test)
         )