学习网址：https://www.icourse163.org/learn/youdao-1460578162?tid=1461280442#/learn/content
1、入门第一课
·神经元网络适合处理float
构建模型-优化和损失函数-准备训练数据-训练模型-评估数据
loss越来越小，说明实验靠谱
keras强大简单的API，将神经元网络模型定义为一组Sequential层
from tensorflow import keras import numpy as np #构建模型 model=keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])]) #优化和损失函数 model.compile(optimizer='sgd',loss='mean_squared_error') #准备训练数据 xs=np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float) ys=np.array([-3.0,-1.0,1.0,3.0,5.0,7.0],dtype=float) #训练模型 model.fit(xs,ys,epochs=500) #验证数据，接近19 model.predict([10.0])
2、计算机视觉（图片）
根据图片灰度来识别
·加载Fashion MNIST数据集
import tensorflow as tf from tensorflow import keras fashion_mnist = keras.datasets.fashion_mnist #（用来训练的数据集，标签），（测试用的图片，标签） (train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data() ·查看数据集 #训练集：6w张像素为28x28的图片(60000, 28, 28) print(train_images.shape) #测试集：(10000, 28, 28) print(test_images.shape) #查看图片具体灰度值 print(train_images[0]) #查看第一张图片 import matplotlib.pyplot as plt plt.imshow(train_images[0])
·构造模型
三层结构：全连接网络结构
第一层：输入层，训练集都是28x28=shape也是28x28
↓
第二层：中间层，128个神经元，任意定，可以修改
理论：28x28x128=100352
实际：每一层自动加1个bias，截距
（28*28+1）*128=100480
↓
第三层：输出层，要分的类别有10个=10个神经元
理论：128*10=1280
实际：每一层自动加1个bias，截距
（128+1）*10=1290
Sequential：定义了神经网络中的层数序列。一开始学习神经元网络总是使用序列模型。
Flatten：把二维数组变成一维数组。
Dense：增加一层神经元。
每一层神经元都需要一个激活函数 activation来告诉它们输出什么。有很多选项，但目前只用这些（relu和softmax）。
Relu： "如果X>0返回X，否则返回0"--所以它的作用是它只把大于0的值传递给网络中的下一层，小于0的也当作0。
Softmax：激活函数接收到一组值后，选择其中最大的一个输出。
例如，上一层的输出为[0.1, 0.1, 0.05, 0.1, 9.5, 0.1, 0.05, 0.05, 0.05]，Softmax就省去了你在其中寻找最大的值，并把它变成[0,0,0,0,0,1,0,0,0,0,0]
"如果X>0，则返回X，否则返回0" -- 所以它的作用是只把0或更大的值传给下一层的网络。--其目的是节省大量的编码！
model = keras.Sequential([ keras.layers.Flatten(input_shape=(28,28)), keras.layers.Dense(128,activation=tf.nn.relu), keras.layers.Dense(10,activation=tf.nn.softmax) ]) #另一种写法 model = keras.Sequential() model.add(keras.layers.Flatten(input_shape=(28,28))) model.add(keras.layers.Dense(128,activation=tf.nn.relu)) model.add(keras.layers.Dense(10,activation=tf.nn.softmax)) #查看构建的模型 model.summary()
·训练模型
train_images=train_images/255#让训练集变成0-1之间的数，正确率更高 model.compile(optimizer=tf.optimizers.Adam(),loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy']) model.fit(train_images,train_labels,epochs=5) #Adam()经常使用的优化 #有类别：用categorical #[0,0,0,0,0,0,0,1]=one_hot,只有一个类别，要用categorical_crossentropy
·评估模型
test_images_scaled=test_images/255#前面用了，后面也得用 model.evaluate(test_images_scaled,test_labels)
·用模型来判断单张图片的类别-->predict
import numpy as np import matplotlib.pyplot as plt print(np.argmax(model.predict((test_images[0]/255).reshape(1,28,28,1))))#模型运行 print(test_labels[0])#正确 plt.imshow(test_images[0])
·自动终止训练
过拟合：训练次数太多，导致对旧数据准确率高，新数据则低
怎么看是否过拟合：测试loss与训练loss，走势不一致
import tensorflow as tf
from tensorflow import keras
#回调函数停止运行
class myCallback(tf.keras.callbacks.Callback): def on_epoch_end(self,epoch,logs={}): if (logs.get('loss')<0.4): print(' Loss is low so cancelling training!') self.model.stop_training=True
callbacks=myCallback() #加载数据集 fashion_mnist = keras.datasets.fashion_mnist (train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data()
#也可以写成train_images, test_images = train_images / 255.0, test_images / 255.0 train_images=train_images/255 test_images=test_images/255 #构造模型
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Dense(128,activation=tf.nn.relu),
keras.layers.Dense(10,activation=tf.nn.softmax)
])
#训练模型 model.compile(optimizer=tf.optimizers.Adam(),
loss=tf.losses.sparse_categorical_crossentropy,
metrics=['accuracy'])
#也可以写成
#model.compile(optimizer='adam',
# loss='sparse_categorical_crossentropy',
# metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5,callbacks=[callbacks])