TensorFlow2 初级教程（1）：快速入门

大家好！我是【AI 菌】，一枚爱弹吉他的程序员。我热爱AI、热爱分享、热爱开源！ 这博客是我对学习的一点总结与思考。如果您也对 深度学习、机器视觉、数据结构与算法、编程 等感兴趣，可以关注我的动态，我们一起学习，一起进步~
我的博客地址为：【AI 菌】的博客
我的Github项目地址是：【AI 菌】的Github

前言：
在上一个专栏【TF2.0深度学习实战——图像分类】中，我分享了各种经典的深度神经网络的搭建和训练过程，比如有：LeNet-5、AlexNet、VGG系列、GoogLeNet、ResNet、DenseNet等。收到了粉丝们的很多好评，表示代码非常详细，理论部分也讲解到位。在这里先感谢你们的持续关注和支持~
但是也有些初学者表示，直接上手深度学习有些困难，希望出一期 TensorFlow2 的初学者教程。所以，这个专栏我将专门分享TensorFlow2的学习过程，力争打造一个的轻松的TensorFlow2入门学习教程，想学习的小伙伴可以关注我的动态！

---

一、认识 TensorFlow

（1）TensorFlow 简介

TensorFlow 是 Google 于 2015 年发布的深度学习框架，最初版本只支持符号式编程。得益于发布时间较早，以及 Google 在深度学习领域的影响力，TensorFlow 很快成为最流行的深度学习框架。目前来看，TensorFlow 和 PyTorch 框架是业界使用最为广泛的两个深度学习框架，TensorFlow 在工业界拥有完备的解决方案和用户基础， PyTorch 得益于其精简灵活的接口设计，可以快速设计调试网络模型，在学术界获得好评。

（2）TensorFlow2 新亮相

由于 TensorFlow1 接口设计频繁变动，功能设计重复冗余，符号式编程开发和调试非常困难等问题，TensorFlow 1.x 版本一度被业界诟病。2019年，Google 推出 TensorFlow 2 正式版本，将以动态图优先模式运行，从而能够避免TensorFlow 1.x 版本的诸多缺陷，已获得业界的广泛认可。
TensorFlow 2 是一个与 TensorFlow 1.x 使用体验完全不同的框架，TensorFlow 2 不兼容 TensorFlow 1.x 的代码，同时在编程风格、函数接口设计等上也大相径庭，TensorFlow 1.x 的代码需要依赖人工的方式迁移，自动化迁移方式并不靠谱。并且Google 即将停止支持 TensorFlow 1.x，所以不建议学习 TensorFlow 1.x 版本。

（3）TensorFlow 2 与 Keras 的区别

TensorFlow 2 与 Keras 之间既有联系又有区别。Keras 可以理解为一套高层 API 的设计规范，Keras 本身对这套规范有官方的实现，在 TensorFlow2 中也实现了这套规范，称为 tf.keras 模块，并且 tf.keras 将作为 TensorFlow 2 版本的唯一高层接口，避免出现接口重复冗余的问题。

二、环境配置与搭建

首先在这里，我先说一下自己的安装环境：

• Windows 10
• Anaconda 3
• PyCharm 2019
• TensorFlow 2.0或者 2.1

详细的安装教程可参见我之前的记录：Anaconda3+tensorflow2.0.0+PyCharm安装与环境搭建

三、面对初学者的快速入门

为了大家更快的入门，下面我将展示一个简单的入门案例——用TensorFlow2实现手写数字识别。对于初学者，我建议使用tf.keras的高层API接口进行实现，这样代码会更简洁，更容易上手。具体步骤如下：

（1）导入库

import tensorflow as tf  # 导入TF库
from tensorflow.keras import datasets, Sequential, layers  # 导入TF子库

（2）数据集准备

(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()   # 加载数据集，返回的是两个元组，分别表示训练集和测试集
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化，将像素值缩放到0~1

（3）模型搭建

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

（4）模型装配与训练，并验证模型

# 模型装配
network.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# 模型训练
network.fit(x_train, y_train, epochs=5)
# 验证模型
network.evaluate(x_test, y_test, verbose=2)

训练过程以及测试结果：

结果分析：
对mnist数据集训练完5个epos后，模型在验证集上的分类准确度达到97.68%。

四、面对进阶者的快速入门

对于已有一定TensorFlow基础的同学，我建议使用相对底层的方式去实现。这样代码虽然显得冗长，但是操作会更灵活，更有助于我们进行更深入的学习。具体步骤如下：

（1）导入库

import tensorflow as tf  # 导入TF库
from tensorflow.keras import datasets, layers, Model, losses, optimizers, metrics # 导入TF子库

（2）数据集准备

# 加载数据集，返回的是两个元组，分别表示训练集和测试集
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()  
# 归一化，将像素值缩放到0~1
x_train = tf.convert_to_tensor(x_train, dtype=tf.float32)/255.  
x_test = tf.convert_to_tensor(x_test, dtype=tf.float32)/255.
# 使用 tf.data 来将数据集切分为 batch个一组，并对数据集进行打乱
train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

（3）使用类构建网络模型

class Network(Model):
    def __init__(self):
        super(Network, self).__init__()
        self.conv1 = layers.Conv2D(32, 3, activation='relu')
        self.flatten = layers.Flatten()
        self.fc1 = layers.Dense(128, activation='relu')
        self.fc2 = layers.Dense(10, activation='softmax')

    def call(self, x):
        x = tf.reshape(x, (-1, 28, 28, 1))
        x = self.conv1(x)
        x = self.flatten(x)
        x = self.fc1(x)
        y = self.fc2(x)
        return y
network = Network()  # 实例化

（4）模型的装配

这个部分主要涉及损失函数、优化器、评价标准的选择和构建

# 确定目标损失函数、优化器、评价标准
loss_object = losses.SparseCategoricalCrossentropy()
optimizer = optimizers.Adam()
# 训练集上的损失值、精确度
train_loss = metrics.Mean(name='train_loss')
train_accuracy = metrics.SparseCategoricalAccuracy(name='train_accuracy')
# 测试集上的损失值、精确度
test_loss = metrics.Mean(name='test_loss')
test_accuracy = metrics.SparseCategoricalAccuracy(name='test_accuracy')

（5）训练与测试函数的构建

# 训练
def train_step(images, labels):
    with tf.GradientTape() as tape:  # 建立梯度环境
        predictions = network(images)  # 前向计算
        loss = loss_object(labels, predictions)  # 计算损失
    gradients = tape.gradient(loss, network.trainable_variables)  # 计算网络中各个参数的梯度
    optimizer.apply_gradients(zip(gradients, network.trainable_variables))  # 更新网络参数
    train_loss(loss)  # 计算训练损失
    train_accuracy(labels, predictions)  # 计算训练精确度

# 测试
def test_step(images, labels):
    predictions = network(images)  # 前向计算
    t_loss = loss_object(labels, predictions)  # 计算当前轮上的损失
    test_loss(t_loss)  # 计算测试集上的损失
    test_accuracy(labels, predictions)  # 计算测试集上的准确率

（6）迭代训练并验证模型

for epoch in range(EPOCHS):
    # 在下一个epoch开始时，重置评估指标：所有损失值、精确度清零
    train_loss.reset_states()
    train_accuracy.reset_states()
    test_loss.reset_states()
    test_accuracy.reset_states()
    # 训练
    for images, labels in train_ds:
        train_step(images, labels)
    # 测试
    for test_images, test_labels in test_ds:
        test_step(test_images, test_labels)
        print('Accuracy:{}'.format(test_accuracy.result()))
    # 打印训练结果
    template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
    print(template.format(epoch+1,
                          train_loss.result(), train_accuracy.result(),
                          test_loss.result(), test_accuracy.result()))

训练过程以及测试结果：

结果分析：
对mnist训练集玩5个epos后，模型在训练集上的分类准确度达到99.69%，测试集上的分类准确度达到98.43%。

---

完整代码已经上传github仓库：https://github.com/Keyird/TensorFlow2-for-beginner
如果对你有帮助的话，欢迎star收藏~

最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！