TensorFlow 2.0 极简教程，不到 20 行代码带你入门

今天，Google 发布了 TensorFlow 2.0 的 alpha 版本，真是千呼万唤始出来，对应的 2.0 官方教程 也释出，本文翻译了官方最简单的一个教程，带你入门 TensorFlow。

有条件的人，可以直接在 colab 上运行代码：https://colab.research.google.com/notebooks/welcome.ipynb

对 TensorFlow 比较熟悉或者已经使用过 tf.keras API 的可以看 进阶教程。

由于 TensorFlow 升级到了 2.0 alpha 版本，因此需要先安装：

# CPU 版本
pip install tensorflow==2.0.0-alpha0# GPU 版本
pip install tensorflow-gpu==2.0.0-alpha0

开始导入

from __future__ import absolute_import, division, print_functionimport tensorflow as tf

载入 MNIST 数据集，并将整型转换为浮点型，除以 255 是为了归一化。

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

也可以使用 TensorFlow 新出的 tensorflow-datasets 载入数据集，传送门。

使用 tf.keras.Sequential 建立模型，并且选择优化器和损失函数

model = tf.keras.models.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'])

代码解释：

Sequential 用于建立序列模型
Flatten 层用于展开张量，input_shape 定义输入形状为 28x28 的图像，展开后为 28*28 的张量。
Dense 层为全连接层，输出有 128 个神经元，激活函数使用 relu。
Dropout 层使用 0.2 的失活率。
再接一个全连接层，激活函数使用 softmax，得到对各个类别预测的概率。
优化器选择 Adam 优化器。
损失函数使用 sparse_categorical_crossentropy，还有一个损失函数是 categorical_crossentropy，两者的区别在于输入的真实标签的形式，sparse_categorical 输入的是整形的标签，例如 [1, 2, 3, 4]，categorical 输入的是 one-hot 编码的标签。

然后训练评估模型

model.fit(x_train, y_train, epochs=5)model.evaluate(x_test, y_test)

Epoch 1/5
60000/60000 [==============================] - 8s 137us/sample - loss: 0.2946 - accuracy: 0.9139
Epoch 2/5
60000/60000 [==============================] - 7s 124us/sample - loss: 0.1423 - accuracy: 0.9578
Epoch 3/5
60000/60000 [==============================] - 8s 131us/sample - loss: 0.1059 - accuracy: 0.9677
Epoch 4/5
60000/60000 [==============================] - 8s 127us/sample - loss: 0.0872 - accuracy: 0.9729
Epoch 5/5
60000/60000 [==============================] - 7s 125us/sample - loss: 0.0739 - accuracy: 0.9768
10000/10000 [==============================] - 1s 87us/sample - loss: 0.0747 - accuracy: 0.9783
[0.07466811984921806, 0.9783]

fit 用于训练模型，对训练数据遍历一次为一个 epoch，这里遍历 5 次。
evaluate 用于评估模型，返回的数值分别是损失和指标。

可以看到，我们训练的图像分类器在 MNIST 上有接近 98% 的准确率。

TensorFlow 2.0 极简教程，不到 20 行代码带你入门相关推荐

《Springboot极简教程》继承WebMvcConfigurerAdapter: 一行代码写Controller
文章概要 registry.addViewController("/login").setViewName("login"); 常用的写Controller类方 ...
《Node.js 极简教程》东海陈光剑
Node.js 是一个基于 Chrome V8 引擎的 JavaScript 运行环境. Node.js 使用了一个事件驱动.非阻塞式 I/O 的模型,使其轻量又高效. https://nodejs. ...
包管理工具conda极简教程
包管理工具conda极简教程 conda的作用 Anaconda是目前非常流行的一个python包管理器,自带很多流行的python库,包括numpy,pandas等,当然还有conda.而Conda ...
《Kotlin极简教程》第三章 Kotlin基本数据类型
正式上架:<Kotlin极简教程>Official on shelves: Kotlin Programming minimalist tutorial 京东JD:https://item ...
负载分析及问题排查极简教程
作者 | Hollis ,来自 | Hollis 平常的工作中,在衡量服务器的性能时,经常会涉及到几个指标,load.cpu.mem.qps.rt等.每个指标都有其独特的意义,很多时候在线上出现问题时 ...
高效sql性能优化极简教程
一,sql性能优化基础方法论对于功能,我们可能知道必须改进什么:但对于性能问题,有时我们可能无从下手.其实,任何计算机应用系统最终队可以归结为: cpu消耗内存使用对磁盘,网络或其他I/O设备的 ...
写一个操作系统有多难？自制 os 极简教程
不知道正在阅读本文的你,是否是因为想自己动手写一个操作系统.我觉得可能每个程序员都有个操作系统梦,或许是想亲自动手写出来一个,或许是想彻底吃透操作系统的知识.不论是为了满足程序员们自带的成就感,还是为 ...
CentOS安装使用.netcore极简教程（免费提供学习服务器）
本文目标是指引从未使用过Linux的.Neter,如何在CentOS7上安装.Net Core环境,以及部署.Net Core应用. 仅针对CentOS,其它Linux系统类似,命令环节稍加调整: 需 ...
《Kotlin 极简教程》第5章集合类
<Kotlin 极简教程 >第5章集合类 <Kotlin极简教程>正式上架: 点击这里 > 去京东商城购买阅读点击这里 > 去天猫商城购买阅读非常感谢您亲爱的 ...

TensorFlow 2.0 极简教程，不到 20 行代码带你入门

TensorFlow 2.0 极简教程，不到 20 行代码带你入门相关推荐

最新文章

热门文章