TensorFlow构建模型一

声明：本文非常简单适合新手。

概要

本文是利用tensorflow中的keras构建一个简单的全连接神经网络做多分类任务。数据集使用的是fashion mnist数据集，不用额外下载，可以直接用keras加载：(train_images, train_labels), (test_images, test_labels) = keras.datasets.fashion_mnist.load_data()。模型分为三层，分别为一层输入层，一层隐藏层和一层输出层。

模型构建

# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

# load fashion mnist data
fashion_mnist = keras.datasets.fashion_mnist

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

数据分为训练集（60000个样本）和测试集（10000个样本），数据集有10个类别：0：T恤/上衣；1：裤子；2：套头衫；3：连衣裙；4：外套；5：凉鞋；6：衬衫；7：运动鞋；8：包；9：短靴。通过代码可以查看数据集情况：

train_images.shape # 训练样本的形状  (60000, 28, 28)
len(train_labels) # 查看样本和样本标签是否对应  60000
set(train_labels) # 查看标签的类别  {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}

测试数据集和训练集差不多，只是样本数量不同而已。
图片数据是一个[28*28]的二维矩阵数据，矩阵中的每个元素都是一个像素值（取值在0~255），可以通过python的画图接口查看图像数据：

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

为了更好的训练模型，我们将数据值映射到[0,1]之间。

train_images = train_images / 255.0
test_images = test_images / 255.0
# 经过处理之后的数据，我们再看一下它们的实际图像结果
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
plt.figure(figsize=(10,10))
for i in range(25):
	plt.subplot(5, 5+i)
	plt.xticks([])
	plt.yticks([])
	plt.grid(False)
	plt.imshow(train_images[i], cmap=plt.cm.binary)
	plt.xlabel(class_names[train_labels[i]])
plt.show()

我们的模型主要有三层结构，所以模型的构建代码如下：

model = keras.Sequential([
		keras.layers.Flatten(input_shape=(28,28)),
		keras.layers.Dense(128, activation='relu'),
		keras.layers.Dense(10)])

第一层是一个平铺层，将28 $\times$ 28的二维数据平铺成1 $\times$ 784的一维数据，该层没有需要学习的参数。
第二层是一个全连接层，设置了128个节点，relu激活函数。
第三层是一个输出层，10个节点，每个节点代表一个类别的得分，最终得出图像属于哪一个类别。

在模型训练之前，需要对模型进行一些设置，如：优化器，损失函数，评估标准等

model.compile(optimize="adam",
			  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
			  metrics=["accuracy"])

这里我们使用的优化器是Adam；损失函数使用的是稀疏类别交叉熵损失，计算的是标签和预测值之间的交叉熵（如下图TensorFlow中keras的API接口说明）；评估标准用的是准确率【accuracy】。

设置好之后便开始训练模型：

# 输入训练样本，以及对应的标签，训练轮次为10轮
model.fit(train_images, train_labels, epochs=10)

训练结果：

其中损失降到了0.2381，精确度提升到了0.9113。
然后，对模型进行测试

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest loss:', test_loss)  # Test loss: 0.3294108510017395
print('\nTest accuracy:', test_acc) # Test accuracy: 0.8840000033378601

可以看出，在测试集上的损失函数的值比训练集大，而精确度要比训练集小。一般都会出现这种现象，只要不是相差很大，这种训练集中过拟合的现象是可以接受的。
在构建模型的时候，我们说过最后一层是一个节点为10的输出，每个节点代表一个类别得分。因此，在预测时，我们可以给模型加一个softmax层，转换成一个概率输出。

probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
print(np.argmax(predictions[0]))
print(test_labels[0])

以上便完整的构建了一个简单地三层网络结构的全连接模型。其中，构建模型最主要的模块在于keras.Sequential和keras.layers。这两个api中包含很多常用的模型包括卷积网络，循环网络等。