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_function

import 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。