【TensorFlow 2.0教程】初学者入门指南

本文是TensorFlow 2.0入门示例，使用TensorFlow 2.0对MNIST手写数字进行识别，从而展示了基于TensorFlow 2.0进行开发的最简单的流程。

首先导入TensorFlow 2.0

import tensorflow as tf

print(tf.__version__)

2.0.0-alpha0

加载并准备MNIST手写数字数据集，并将样本从整数转换为浮点数:

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0

print(x_train.shape)
print(x_test.shape)

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
(60000, 28, 28)
(10000, 28, 28)

首次运行时会下载数据集，从输出的log中可以看到。当已经下载后，不会再重复下载。

该数据集中有60000个训练样本，10000个测试样本，每个样本都是28x28的二维数组，数组中每个数字代表图片的一个像素值。由于像素值最大为255，为了对数据归一化，我们对每个值除以255。

接下来，构建一个最基本的层叠模型（Sequential），并选择一个优化器和损失函数进行训练:

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

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

通过tf.keras.Sequential创建模型后，调用模型的compile函数编译模型，编译时指定优化器，损失函数，和监测的指标，这里只监测了准确率（Accuracy）。

模型创建并编译后，开始训练模型：

model.fit(x_train, y_train, epochs=5)

Epoch 1/5
60000/60000 [==============================] - 3s 48us/sample - loss: 0.2970 - accuracy: 0.9124
Epoch 2/5
60000/60000 [==============================] - 3s 45us/sample - loss: 0.1433 - accuracy: 0.9577
Epoch 3/5
60000/60000 [==============================] - 3s 45us/sample - loss: 0.1077 - accuracy: 0.9673
Epoch 4/5
60000/60000 [==============================] - 3s 44us/sample - loss: 0.0881 - accuracy: 0.9732
Epoch 5/5
60000/60000 [==============================] - 3s 45us/sample - loss: 0.0752 - accuracy: 0.9770

<tensorflow.python.keras.callbacks.History at 0xf8a2b00>

训练模型使用模型的fit函数，传入训练样本数据，并指定训练迭代次数，这里只迭代了5次，即对所有训练样本重复进行了5次训练。

训练完成后，我们可以使用测试数据对模型进行评估：

model.evaluate(x_test, y_test)

10000/10000 [==============================] - 0s 28us/sample - loss: 0.0756 - accuracy: 0.9779
[0.07561568637117744, 0.9779]

可以看到训练好的模型，对于测试数据达到了接近98%的准确率。

以上就是使用TensorFlow 2.0最简单的入门示例，也展示了使用TensorFlow 2.0进行开发的基本流程。TensorFlow 2.0使用了keras作为高阶API，相对于TensorFlow 1.x在编码以及开发效率上简化了很多。

本文完整源代码请参考这里。