深度学习入门实操——tensorflow 搭建神经网络
本文不赘述神经网络的原理，只是简单介绍如何用python3.0 |tensorflow2.0框架搭建一个简单的神经网络,进行简单的图像识别。
本文分为三个部分，第一部分先po出总体代码，第二部分分段详解每段代码，第三部分总结。
参考：
1 tf.Keras - 简书 (jianshu.com)
2Fashion-MNIST：替代MNIST手写数字集的图像数据集 - 知乎 (zhihu.com)
3 model.evaluate检验_kitanoli的博客-CSDN博客_model.evaluate
目录
总体代码
代码细节介绍
1 导入数据集
2 搭建网络模型
3 训练网络模型
4 评价模型，如何看训练效果
5 模型进行预测
总结
总体代码
import tensorflow as tf
from tensorflow import keras
#导入数据集
fashion_mnist = keras.datasets.fashion_mnist
#devide the data into training and test:train 60000 and test 10000
(train_images, train_lables),(test_images, test_lables) = fashion_mnist.load_data()
# 定义一个三层结构，输入层，隐藏层，输出层
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)), #图片为28 28格式
keras.layers.Dense(128, activation= tf.nn.relu), #隐藏层有128个神经元，这个数字是自己定的
keras.layers.Dense(10, activation = tf.nn.softmax) #10指的输出有10个类别，10个神经元
])
# train and evaluate the module
train_images_scaled = train_images/255 #将输入的数据归一化，训练效果更好
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=['accuracy'])
model.fit(train_images_scaled, train_lables, epochs=5)
test_images_scaled = test_images/255
model.evaluate(test_images_scaled, test_lables)
#module to predict
print(model.predict(test_images/255)[0])代码细节介绍
1 导入数据集
from tensorflow import keras
fashion_mnist = keras.datasets.fashion_mnist
#devide the data into training and test:train 60000 and test 10000
(train_images, train_lables),(test_images, test_lables) = fashion_mnist.load_data()- 这段代码是导入mnist图像数据集，涵盖了10种类别的共7万个不同商品的正面图片以及对应的标签，每张图片都是28×18的灰度图。训练集/测试集划分为60000/10000，即这里的trian_images有60000张，test_images有10000张。
- 可以利用以下代码，查看训练集的数据形状。
print(train_images.shape) #可以查看训练集的数据形状
print(train_images[0]) #可以查看训练集种具体一张图片的像素
plt.imshow(train_images[0]) #可以查看图片样式，关于imshow函数使用可以查看上一篇博文可以看到对应的形状为（60000，28，28），即60000张28×28的灰度图片。
其他补充：
1 keras介绍
tf.keras 是 TensorFlow 对 Keras API 规范的实现。这是一个用于构建和训练模型的高阶 API，包含对 TensorFlow 特定功能（例如 Eager Execution、tf.data 管道和 Estimator）的顶级支持。 tf.keras 使 TensorFlow 更易于使用，并且不会牺牲灵活性和性能。
2 搭建网络模型
# 定义一个三层结构，输入层，隐藏层，输出层
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)), #图片为28 28格式
keras.layers.Dense(128, activation= tf.nn.relu), #隐藏层有128个神经元，这个数字是自己定的
keras.layers.Dense(10, activation = tf.nn.softmax) #10指的输出有10个类别，10个神经元
])
- 这里定义了一个三层的网络结构，输入层，隐藏层，输出层。输入层为展平的28×28的图像像素输入，隐藏层有128个神经元，激活层有10个神经元。
keras.Sequential函数，个人理解是：按照顺序分别 建立神经网络的第一层，第二层，第三层。sequetial的意思为顺序的，例如这里keras.layers.Flatten函数建立了神经网络的第一层，keras.layers.Dense建立了神经网络的第二层。
keras.layers.Flatten函数，负责将输入层数据压缩成一维数据，也就是28×28=784。通常用作全连接层，因为全连接层只能接收一维数据，而卷积层可以处理二维数据。
keras.layers.Dense 建立全连接层：
keras.layers.Dense(units, activation=None, use_bias=True, kernel....)
- 这里的units是神经元的个数，正整数
- activation 是选择激活函数，若不指定，则默不使用激活函数。
感兴趣可以自己查查每个激活函数的用法，这里不赘叙。
3 训练网络模型
# train the module
train_images_scaled = train_images/255 #将输入的数据归一化，训练效果更好
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=['accuracy'])
model.fit(train_images_scaled, train_lables, epochs=5)由于像素值在0-255，将其压缩到0-1之间训练效果会更好。
- model.compile 用于在配置训练时，告知训练时用的优化器、损失函数和准确率的评测标准。
- model.fit 用于执行模型的训练过程。
model.fit(训练集的输入特征X，
训练集的标签Y，
batch_size,#每一个batch的大小，这里未设置
epochs,迭代的次数）
4 评价模型，如何看训练效果
test_images_scaled = test_images/255 #因为训练集归一化了，这里也归一化
model.evaluate(test_images_scaled, test_lables) #评价模型效果model.evaluate 输入数据及对应的真实标签，然后将预测结果与真实标准相比较，得到两者误差并输出。
下图为对应的5轮训练对应的损失和准确率：
可以看到loss越来越小，精度accuracy越来越高。最下面时evaluate的输出，对应的误差及准确率，可以看到这个比训练结果的0.2938，及0.8911效果要差，为正常现象。
5 模型进行预测
#module to predict
print(model.predict(test_images/255)[0]) #输入测试集中的第一张图片，进行预测model.predict 输入一张新图片，输出预测结果。
这里输出的是10个概率值，对应这张图属于10种类别的概率值，最大概率值则对应的模型的预测结果。
这里对应的9.5131058e-01最大，则该模型预测这张图片属于第10种类别
可以利用 “print(test_lables[0]”检测测试集的第0张图片的标签是什么。
输出为9（索引值从0开始），所以模型预测正确。
总结
本代码创建了一个三层神经网络，对mnist图像数据集进行训练和检验。
网络整体结构如下所示：
可以利用model.summary()检查网络形状
100480是输入层到隐藏层之间的突触个数
100480 ： 784个像素 × 128个神经元=100352，但是因为每一层都有一个bias （自动加上去的），输入层加一个，中间层加一个，所以是（784+1）×128
1290是隐藏层到输出层之间的突触个数
1290：输出层是10个神经元，输入是128＋1个，就是bias。所以是（128+1）×10=1290.