【社区分享】TensorFlow Demo分析，带你快速入门深度学习
TensorFlow 机器学习要如何入门？本中文教程将带你分析 TensorFlow 官网的一个 Demo 实例，让你轻松了解机器学习的基础原理，并看清 TensorFlow 生态系统的全貌，一起来学习吧！
本文来自社区投稿与征集，作者东泽 EuryChen。了解更多：https://github.com/netpi/explain-a-tensorflow-demo，原文：https://mp.weixin.qq.com/s/sffUvod_KlmvtVI-W3PLEQ
如何理解机器学习系统
「机器学习」的目标就是利用已有答案来寻找规则，从而做出预测。这与「传统系统」的区别在于：
-
「传统系统」的目标是获得答案
-
「机器学习」的目标是利用已有答案获得规则
正是因为「机器学习」的目标是获得规则，人们便可以拿它来做各种预测：股票走势、彩票号码、服饰推荐、甚至预测员工何时离职。
图片识别本质上也是找到规则。比如要识别一张图片物体是否有一只猫咪，那么胡须、耳朵、绒毛等都可以作为猫咪的特征值，而定义特征值就是在定义成为一只猫的组成规则。
详解一个机器学习 Demo
学习一项技能最好方法就是去使用它。这部分我们来看一个 TensorFlow Demo。TensorFlow 是 Google 推出的深度学习框架，基本信息我就不多做介绍了。
我要介绍的是如何读懂这个 Demo。你可能会问，一个 Demo 有那么难懂么？
对于「机器学习」的初学者来说，如若不懂「神经网络」、「损失函数」、「评估指标」等概念，还真是挺难读懂一个 Demo 的。
看下这个 Demo，代码不多，我全部贴出来了。
import tensorflow as tf
import matplotlib.pyplot as plt
mnist = tf.keras.datasets.mnist
data = mnist.load_data()
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
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'])
model.fit(x_train, y_train, epochs=10)
model.evaluate(x_test, y_test)
看到这部分代码的全貌，什么感觉？
我第一次读到的感觉是：「语法都能看懂，但就是不知道你这是要干啥！」 。
如果你也有这样的感觉，那么我建议你认真把这篇文章读完。
这个 Demo 实际上是要训练一个可以识别手写数字的模型 (Model)，要识别的手写数字长这样：
你也许一下子会有很多问号。手写数字？图片在哪？怎么识别？
别急，下面我来为大家详解这个 Demo。
数据准备
人工智能领域中的数据是什么？我们从 TensorFlow 这个框架的名字中就能看出来 -- Tensor（张量）形成的 Flow（流）。
在「人工智能」领域，绝大部分数据都是以 Tensor 的形式存在，而 Tensor 可以直接理解成多维数组。
举个例子: 要把一张图片输入到人工智能模型中。
我们第一反应是要先把图片数字化，用 Base64 来表示这张图、或者用二进制等等。但是对于人工智能系统，最佳方式是把图片转换成 Tensor。
我们试试用 Tensor 来表示一张 像素 3*3 、背景为白色、对角线为黑色的图片：
Tensor = [
[ [0,0,0], [255,255,255], [255,255,255] ],
[ [255,255,255], [0,0,0], [255,255,255] ],
[ [255,255,255], [255,255,255], [0,0,0] ]]
运行代码之后，我们就得到了那张对角线是黑色的 3*3 图片。
这就是用一个四阶 Tensor 表示一张图片，Tensor 形状为(1, 3, 3)。
同理如果要表示 6000 张 28*28 的图片，那么 Tensor 的形状就是 (6000, 28, 28)。
现在我们阅读第一部分的代码：
import tensorflow as tf
import matplotlib.pyplot as plt
mnist = tf.keras.datasets.mnist
data = mnist.load_data()
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
「MNIST」(Mixed National Institute of Standards and Technology database) 是美国国家标准与技术研究院收集整理的大型手写数字数据库，包含 60,000 个示例的训练集以及 10,000 个示例的测试集，里面的图片长这样。
这些图片都是通过空间的矩阵的方式存储的：
这样我们就明白这段代码的意思了，是从 mnist 中获取用于训练的的数据集集 (x_train, y_train)，以及用于测试的数据集（x_test, y_test）。
-
x_train 形状为 (6000, 28, 28) ，表示 6000 张 28*28的图片。
-
y_train 形状为 (6000,)，表示 x_train 对应的数字答案。
模型 (model) 是什么
得到了数据集之后，是不是可以开始训模型了？别急，我们要搞清楚模型是什么，TensorFlow 文档是这样定义模型：
在机器学习中，模型 (Model) 是一个具有可学习参数的函数，它将输入映射到输出。最优参数是通过在数据上训练模型获得的。一个训练有素的模型将提供从输入到所需输出的精确映射。
我来帮你们翻译一下这个定义：模型是个函数，这里面内置了很多参数，这些参数的值会直接影响模型的输出结果。有意思的是这些参数都是可学习的，它们可以根据训练数据的来进行调整来达到一组最优值，使得模型的输出效果最理想。
-
那么模型里参数又是什么？
-
Demo 当中模型传入的 4 个 Layer 又是什么含义？
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')
])
-
模型又是如何训练的？
想要知道这些问题答案，那么：「先生小姐，游泳健身，呃不。神经网络，了解一下」
神经网络 (Neural Network)
神经网络 (Neural Network) 顾名思义，就是用神经元 (Neuron) 连接而成的网络 (Network)。
那么什么是神经元？
机器学习中的神经元 (Neuron) 源于生物神经网络 -- 通过电位变化表示“兴奋”的生物神经元。
在机器学习领域，一个神经元其实是一个计算单元。它需要被输入N 个信号后开始计算（兴奋），这些信号通过带权重 (weights) 的连接传递给了神经元，神经元通过加权求和，计算出一个值。然后这个值会通过激活函数 (activation function) 的处理，产生输出，通常是被压缩在 0~1 之间的数字。
Demo 当中，第一个 Layer 就是把就是把 28*28 的图片展开成一个包含 784 个神经元一维数组。
...
# 第一个 Layer
# 神经元展开成一维数组
tf.keras.layers
.Flatten(input_shape=(28, 28)),
...
第二个 Layer：
...
tf.keras.layers
.Dense(128, activation='relu'),
...
Layer2 传入了参数 activation='relu'，意思是用 relu 作为激活函数 。
我们先来理解下什么是「激活函数」：
当我们的大脑同时接收到大量信息时，它会努力理解并将信息分为 "有用 "和 "不那么有用 "的信息。在神经网络的情况下，我们需要一个类似的机制来将输入的信息分为 「有用 」或 "「不太有用」。
这对机器学习很重要，因为不是所有的信息都是同样有用的，有些信息只是噪音。这就是激活函数的作用，激活函数帮助网络使用重要的信息，抑制不相关的数据点。
例如 Demo 中，Layer1 输出 784 个神经元，并不是全部激活的。而只有激活神经元才能对 Layer2 产生刺激，而 layer4 输出10个神经元，其中第 2 个神经元激活，表示识别结果为 1 的概率是 99%。
所以 relu 是激活函数的一种，用于神经元的激活 -- 根据上一个 Layer 给予的刺激算出神经元最后输出（显示）的那个数字。
Layer2 层有 128个神经元，这 128 个神经元会和 Layer1 中 728 个神经元相互连接，共将产生 728 * 128 =93184 权重 (weights) 各自不同的连接 。Layer1 中神经元的输出将与连接到 layer2 的权重值进行加权求和，得到的结果会被带入 relu 函数，最终输出一个新的值作为 Layer2 中神经元的输出。
第三个 Layer
...
tf.keras.layers.Dropout(0.2),
...
Dropout layer 的主要作用就是防止过度拟合。过渡拟合现象主要表现是：最终模型在训练集上效果好；在测试集上效果差。模型泛化能力弱。
Dropout 解决过度拟合的办法之一，就是随机丢弃一部神经元。Demo 中就是使用 Dropout 随机丢弃 20% 神经元。
第四个 Layer
...
tf.keras.layers
.Dense(10, activation='softmax')
...
Layer4 上有 10 个神经元，并使用 softmax作为激活函数，这 10个神经元的输出就是最终结的结果。下图为识别一个手写数字 1 的整个过程，各层神经元逐层激活，最终输出预测结果。
到这里，我们通过了解 4 个 Layer 之间的作用关系简单的了解了一个神经网络的运作方式。
模型训练补充
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
要读懂这段代码，我们要先通过一个类比来理解下什么是: 损失函数 (Loss Function)、优化算法 (Optimization Algorithms)、评价指标 (Evaluation Metrics) 。
假如一名男士要开始锻炼身体，目标是胸围达到 120cm，且身材看起来匀称（别太壮）：
-
经过反复训练，他的胸围达到了 110cm，那么我们可以把
Loss = |目标 (120cm) - 当前 (110cm)| 作为一个最简单的损失函数 (Loss Function)。而 Demo 中的 Loss Function 用的是 - 稀疏类别交叉熵(sparse_categorical_crossentropy)，这个算法的特点就是擅长分类。 -
是否达成目标，不能仅仅使用损失函数来判断。身材匀称、美观也很重要，而评价指标 (Evaluation Metrics) 的作用就给我们提供了一个评判标准。
-
接下来我们就要寻找产生 Loss 的规律，Loss 不仅仅是胸围小于 120cm 的损失，胸围大于 120cm 而导致美感损失也是 Loss 的一部分。因此想达到最佳效果，既不能运动量不足也不能用力过猛，要找到一个平衡力量和美感的中间值。我们给予训练要素不同的权重 (Weights)，蛋白质补充权重为 w0、胸肌上沿训练强度 w1、胸肌中部训练强度 w2、胸肌下沿训练强度 w3、有氧运动训练强度 w4 等等。最后得到一个权重的一维数组 [w1, w2...wn] 。像这样，通过不断调整 [w1, w2...wn] 得出最优输出的方法，就是优化算法 (Optimization Algorithms)。
了解神经网络的模型、层、权重、优化算法、损失函数以及评估指标等之后，我们就可以读懂 Demo 中那段代码了。现在尝试画一张神经网络的工作流程图，串一串一个神经网络的工作流程。
训练与测试
model.fit(x_train, y_train, epochs=10)
model.evaluate(x_test, y_test)
这部分很好理解，带入数据训练、测试就好。
说一下 epochs ：在神经网络领域，一个 epoch 是指整个训练数据集的训练一个周期。
1 epoch = 1 正向传播 (forward pass)+ 1 反向传播 (backward pass)（我们可以简单的理解，正向传播目的是为了获得预测结果，反向传播目的是调整到最优的权重 (weights)，来让 Loss 最小化）。
Demo 中 epochs = 5 是因为 1 次 epoch 很可能得不到最优的权重 (weights)。既然 1 次不能满足，那就 5 次，5 次还不满足就 10 次，直到效果最小化 Loss 的效果不再变化。
总结
如果认真阅读了本文，那么我相信你已经对人工智能已经有了一点整体的认识，本文给了你一个鸟瞰人工智能的视角，摆脱了盲人摸象的感觉。这虽然不是魔法，能立刻把你变成人工智能大神，但对基本架构的进一步理解会增强你对人工智能的自学能力。无论你是从事前端、后端、全栈等技术开发者，或者只是对人工智能感兴趣，我都希望本文可以带给你一个新的视角去理解人工智能，让你读有所思，思有所得，得有所想，想有所获，或有所益。此外，你应该会发现通过分析 TensorFlow Demo 来了解机器学习是一种很棒的学习方式，可以有效帮助我们串联概念理清流程。更多 TensorFlow Demo ，请访问 TensorFlow 官网 。
想入门机器学习，不要错过 TensorFlow 官方在中国大学慕课平台推出的《TensorFlow 入门实操课程》！点击此处学习吧！如果有任何学习疑问，欢迎前往【社区】版块与大家积极讨论哦。
还想获取更多实践经验，记得扫码关注 TensorFlow 官方微信公众号（ TensorFlow_official )！
