中文版Tensorflow手册Tutorial_tensorflowtutorial资源-CSDN文库

4星 · 超过85%的资源需积分: 40 51 浏览量 2019-01-21 06:04:13 上传评论收藏 4.28MB PDF 举报

资源推荐

资源详情

资源评论

开始使用 TensorFlow
学习和使用机器学习
概述
基本分类
文本分类
回归
过拟合和欠拟合
保存和恢复模型
研究和实验
概述
Eager Execution
自动微分
自定义训练：基础知识
自定义层
自定义训练：演示
生产规模下的机器学习
使用 Estimator 构建线性模型
宽度学习和深度学习
提升树
使用 TF-Hub 构建文本分类器
使用 Estimator 构建 CNN
生成模型
基于注意力的翻译
图像说明
DCGAN
VAE
图像
Pix2Pix
神经风格迁移
图像分割
图像识别
图像再训练
高级 CNN
序列
使用 RNN 生成文字
递归神经网络
绘图分类
简单的音频识别
神经机器翻译
数据表示法
字词的向量表示法
核方法
大型线性模型
非机器学习
Mandelbrot 集合
偏微分方程
后续学习计划
学习和使用机器学习学习和使用机器学习
TensorFlow
学习
教程
学习和使用机器学习学习和使用机器学习
此笔记本系列的灵感源自《
使用
 Python 
进行深度学习
》一书。这些教程使用 TensorFlow 的高阶 Python API tf.keras 构建和
训练深度学习模型。要详细了解如何在 TensorFlow 中使用 Keras，请参阅 TensorFlow Keras 指南。
出版商备注：《使用 Python 进行深度学习》介绍了深度学习领域，采用的是 Python 语言和功能强大的 Keras 库。本书由 Keras
创建者兼 Google AI 研究员 François Chollet 编著，通过直观说明和实际示例加深读者的理解。
要了解机器学习的基础知识和概念，建议您学习机器学习速成课程。我们在后续学习计划中列出了其他 TensorFlow 和机器学习

图图 1. Fashion-MNIST 样本（来自 Zalando，MIT 许可证）。

Fashion MNIST 的作用是成为经典 MNIST 数据集的简易替换，后者通常用作计算机视觉机器学习程序的“Hello, World”入门数据

集。MNIST 数据集包含手写数字（0、1、2 等）的图像，这些图像的格式与我们在本教程中使用的服饰图像的格式相同。

本指南使用 Fashion MNIST 实现多样化，并且它比常规 MNIST 更具挑战性。这两个数据集都相对较小，用于验证某个算法能

否如期正常运行。它们都是测试和调试代码的良好起点。

我们将使用 60000 张图像训练网络，并使用 10000 张图像评估经过学习的网络分类图像的准确率。您可以从 TensorFlow 直接访

问 Fashion MNIST，只需导入和加载数据即可：

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz

32768/29515 [=================================] - 0s 0us/step

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz

26427392/26421880 [==============================] - 1s 0us/step

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz

8192/5148 [===============================================] - 0s 0us/step

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz

4423680/4422102 [==============================] - 0s 0us/step

加载数据集会返回 4 个 NumPy 数组：

train_images 和 train_labels 数组是训练集，即模型用于学习的数据。

测试集 test_images 和 test_labels 数组用于测试模型。

图像为 28x28 的 NumPy 数组，像素值介于 0 到 255 之间。标签是整数数组，介于 0 到 9 之间。这些标签对应于图像代表的服

饰所属的类别：

test_images = test_images / 255.0

显示训练集中的前 25 张图像，并在每张图像下显示类别名称。验证确保数据格式正确无误，然后我们就可以开始构建和训练

网络了。

plt.figure(figsize=(10,10))

for i in range(25):

plt.subplot(5,5,i+1)

plt.xticks([])

plt.yticks([])

plt.grid(False)

plt.imshow(train_images[i], cmap=plt.cm.binary)

plt.xlabel(class_names[train_labels[i]])

构建模型构建模型

构建神经网络需要先配置模型的层，然后再编译模型。

设置层设置层

神经网络的基本构造块是层。层从馈送到其中的数据中提取表示结果。希望这些表示结果有助于解决手头问题。

大部分深度学习都会把简单的层连在一起。大部分层（例如 tf.keras.layers.Dense）都具有在训练期间要学习的参数。

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)

])

该网络中的第一层 tf.keras.layers.Flatten 将图像格式从二维数组（28x28 像素）转换成一维数组（28 * 28 = 784 像

素）。可以将该层视为图像中像素未堆叠的行，并排列这些行。该层没有要学习的参数；它只改动数据的格式。

在扁平化像素之后，该网络包含两个 tf.keras.layers.Dense 层的序列。这些层是密集连接或全连接神经层。第一个

Dense 层具有 128 个节点（或神经元）。第二个（也是最后一个）层是具有 10 个节点的 softmax 层，该层会返回一个具有 10

个概率得分的数组，这些得分的总和为 1。每个节点包含一个得分，表示当前图像属于 10 个类别中某一个的概率。

编译模型编译模型

模型还需要再进行几项设置才可以开始训练。这些设置会添加到模型的编译步骤：

损失函数 - 衡量模型在训练期间的准确率。我们希望尽可能缩小该函数，以“引导”模型朝着正确的方向优化。

优化器 - 根据模型看到的数据及其损失函数更新模型的方式。

指标 - 用于监控训练和测试步骤。以下示例使用准确率，即图像被正确分类的比例。

剩余153页未读，继续阅读

评论收藏

内容反馈

weixin_43486175

2019-10-15

有的改动比较大，2.0也出来了，更是面目全非。试了一下fasion_mnist，load_data()函数要在fasion_mnist的__init__文件中导入才行，而且数据不能保存，如果复用的话，建议下载下来。
Boolers

2019-06-25

不错，很实用
andersenliu

2019-05-24

很实用，适合有一定基础的人来学，可以很方便的查到所需函数