TensorFlow 快速入門(mén)示例

因?yàn)楸菊n程是以案例為驅(qū)動(dòng)進(jìn)行框架的應(yīng)用與講解，因此我們這一節(jié)以一個(gè)簡(jiǎn)單的示例來(lái)幫助大家了解 TensorFlow 框架的使用方法以及基本的程序框架與流程。

既然要進(jìn)行模型的構(gòu)建與訓(xùn)練，那么數(shù)據(jù)集便是必不可少的一部分。因?yàn)樗械哪Ｐ投际墙⒃谝欢ǖ臄?shù)據(jù)集合之上的。這節(jié)課我們便采用一個(gè)叫做 fashion_mnist 數(shù)據(jù)集合進(jìn)行模型的構(gòu)建與訓(xùn)練。

1. 什么是 fashion_mnist 數(shù)據(jù)集合

作為機(jī)器學(xué)習(xí)中最基本的數(shù)據(jù)集合之一， fashion_mnist 數(shù)據(jù)集一直是入門(mén)者做程序測(cè)試的首選的數(shù)據(jù)集，相比較傳統(tǒng)的 mnist 數(shù)據(jù)集而言，fashion_mnist 數(shù)據(jù)集更加豐富，能夠更好的反映網(wǎng)絡(luò)模型的構(gòu)建的效果。

fashion_mnist 數(shù)據(jù)集合是一個(gè)包含 70000 個(gè)數(shù)據(jù)的數(shù)據(jù)集合，其中60000 條數(shù)據(jù)為訓(xùn)練集合，10000 條數(shù)據(jù)為測(cè)試集合；每個(gè)數(shù)據(jù)都是 28*28 的灰度圖片數(shù)據(jù)，而每個(gè)數(shù)據(jù)的標(biāo)簽分為 10 個(gè)類(lèi)別。其中的幾條數(shù)據(jù)具體如下圖所示（圖片來(lái)自于 TensorFlow 官方 API 文檔）。

我們要做的就是如何根據(jù)輸入的圖片訓(xùn)練模型，從而使得模型可以根據(jù)輸入的圖片來(lái)預(yù)測(cè)其屬于哪一個(gè)類(lèi)別。

fashion_mnist 數(shù)據(jù)集合的 10 個(gè)類(lèi)別為：

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

2. TensorFlow一般程序結(jié)構(gòu)

TensorFlow 一般的程序的結(jié)構(gòu)都是以下的順序：

• 引入所需要的包
• 加載并預(yù)處理數(shù)據(jù)
• 編寫(xiě)模型結(jié)構(gòu)
• 編譯模型或 Build 模型
• 訓(xùn)練模型與保存模型
• 評(píng)估模型

在這個(gè)簡(jiǎn)單的示例之中我們不會(huì)涉及到模型的保存與加載，我們只是帶領(lǐng)大家熟習(xí)一下程序的整體結(jié)構(gòu)即可。

具體的程序代碼為：

import tensorflow as tf

# 使用內(nèi)置的數(shù)據(jù)集合來(lái)加載數(shù)據(jù)
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()

# 預(yù)處理圖片數(shù)據(jù)，使其歸一化
x_train, x_test = x_train / 255.0, x_test / 255.0

# 定義網(wǎng)絡(luò)結(jié)構(gòu)
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')
])

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

# 訓(xùn)練模型
model.fit(x_train, y_train, epochs=5)

# 評(píng)估模型
model.evaluate(x_test,  y_test)

接下來(lái)讓我們仔細(xì)地看一下這些代碼到底干了什么。

在該程序之中，我們首先使用 tf.keras 中的 datasets 載入了fashion_mnist 數(shù)據(jù)集合，該函數(shù)返回的是兩個(gè)元組：

• 第一個(gè)元組為（訓(xùn)練數(shù)據(jù)的圖片，訓(xùn)練數(shù)據(jù)的標(biāo)簽）
• 第二個(gè)元組為（測(cè)試數(shù)據(jù)的圖片，測(cè)試數(shù)據(jù)的標(biāo)簽）

因此我們能夠使用兩個(gè)元組來(lái)接收我們要訓(xùn)練的數(shù)據(jù)集合。

然后我們對(duì)圖片進(jìn)行了預(yù)處理：

x_train, x_test = x_train / 255.0, x_test / 255.0

在機(jī)器學(xué)習(xí)之中，我們一般將我們的輸入數(shù)據(jù)規(guī)范到 [0 ,1] 之間，因?yàn)檫@樣會(huì)讓模型的訓(xùn)練效果更好。又因?yàn)閳D片數(shù)據(jù)的每個(gè)像素都是 [0, 255] 的整數(shù)，因此我們可以將所有的圖片數(shù)據(jù)除以 255 ，從而進(jìn)行歸一化。

接下來(lái)我們便構(gòu)建了我們的模型，我們的模型由三層組成：

• Flatten 層，這一層負(fù)責(zé)將二維的圖片數(shù)據(jù)變成一維的數(shù)組數(shù)據(jù)，比如我們輸入的圖片數(shù)據(jù)為 28*28 的二維數(shù)組，那么 Flatten 層將會(huì)把其變?yōu)殚L(zhǎng)度為 784 的一維數(shù)組。
• Dense 層，全連接層，這一層的單元數(shù)為 10 個(gè)，分別對(duì)應(yīng)著我們的 10 個(gè)類(lèi)別標(biāo)簽，激活函數(shù)為 “softmax” ，表示它會(huì)計(jì)算每個(gè)類(lèi)別的可能性，從而取可能性最大的類(lèi)別作為輸出的結(jié)果。

然后我們便進(jìn)行了模型的編譯工作，在編譯的過(guò)程中我們有以下幾點(diǎn)需要注意：

• 優(yōu)化器的選擇，優(yōu)化器代表著如何對(duì)網(wǎng)絡(luò)中的參數(shù)進(jìn)行優(yōu)化，這里采用的是 “adam” 優(yōu)化器，也是一種最普遍的優(yōu)化器。
• 損失函數(shù)，損失函數(shù)意味著我們?nèi)绾螌?duì)“模型判斷錯(cuò)誤的懲罰”的衡量方式；換句話(huà)說(shuō)，我們可以暫且理解成損失函數(shù)表示“模型判斷出錯(cuò)的程度”。對(duì)于這種分類(lèi)的問(wèn)題，我們一般采用的是 “sparse_categorical_crossentropy” 交叉熵來(lái)衡量。
• Metrics，表示我們?cè)谟?xùn)練的過(guò)程中要記錄的數(shù)據(jù)，在這里我們記錄了 “accuracy” ，也就是準(zhǔn)確率。

再者我們進(jìn)行模型的訓(xùn)練，我們使用我們預(yù)先加載好的數(shù)據(jù)進(jìn)行模型的訓(xùn)練，在這里我們?cè)O(shè)置訓(xùn)練的循環(huán)數(shù)（ epoch ）為 5，表示我們會(huì)在數(shù)據(jù)集上循環(huán) 5 次。

最后我們進(jìn)行模型的評(píng)估，我們使用 x_test, y_test 對(duì)我們的模型進(jìn)行相應(yīng)的評(píng)估。

3. 程序的輸出

通過(guò)運(yùn)行上面的程序，我們可以得到下面的輸出：

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，在訓(xùn)練集合上我們可以得到的最高的準(zhǔn)確率為 87.52%，在測(cè)試集合上面的準(zhǔn)確率為 87.519997%。

4. 小結(jié)

TesnorFlow 程序的構(gòu)建主要分為三大部分：數(shù)據(jù)預(yù)處理、模型構(gòu)建、模型訓(xùn)練。

而在以后的實(shí)踐過(guò)程中我們也總是離不開(kāi)這個(gè)程序順序，更加深入的定制化無(wú)非就是在這三個(gè)大的過(guò)程中增添一些細(xì)節(jié)，因此我們大家要謹(jǐn)記這個(gè)總體步驟。