Tensorflow2.1无痛入门——官方API中文搬运及注释
神经网络小白，寒假开始学习神经网络，本来想根据B站慕课之类的demo进行学习，但是发现很多课程都是关于TensorFlow1.x的，本来以为差别不大，学了好久才发现相差甚远。。摸鱼好几天都没有找到合适的入门教材，最后发现官方的API才是入门最妥当的方式。。。浪费了不少时间。希望这里的整理可以帮到大家啦。（文章开头不能空两格真的很头疼）
原API附上
数据集以及基本介绍：
这个实例是神经网络入门的最简单的实例，按照API说，就像“Hello World”一样，这里使用的数据集是TensorFlow2.1自配的，不需要单独下载。数据集中包含10个类别的70000个灰度图像。图像以28 x 28显示，分别是10种衣物，我们将使用60000个图像来训练网络，用10000个图像来测试网络学习。
图片大概长成这个样子…（假装拥有一双AJ）
神经网络的搭建
准备工作：
首先，我们要先将一些相关的包给导入进来
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt然后，我们加载这个fashion数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']这里的加载我就不多解释了，fashion_mnist.load_data()会传回训练集与测试集，以及他们的标签。类别的标签是不在数据集中的，所以直接复制就好了(官网上这么说的，这个问题不大)。
大家可以先自行查看一下这里的训练组，测试组以及他们标签的shape
train_images.shape#(60000, 28, 28)
len(train_labels)#60000
train_labels#array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)
test_images.shape#(10000, 28, 28)
len(test_labels)#10000接下来，我们要对数据进行一个预处理，图片的每一个像素的颜色是0~255之间，0代表黑色， 255代表白色，我们要将像素转化为0~1之间。
train_images = train_images / 255.0
test_images = test_images / 255.0好了，现在我们数据已经到手，可以开始构建我们的神经网络O(∩_∩)O~
构建网络：
构建网络包含两个步骤，分别是构建层，以及模型编译
神经网络层的构建：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])好了，到这里，我们神经网络的层次就已经构架完毕。
可以看到我们构建的神经网络有三个层：
第一层是输入层，在这里我们要将2828的图片所对应的2828的矩阵由二维通过keras.layers.Flatten()转化为一维矩阵，这个过程也叫作扁平化。这样一来第一层神经网络就有784个神经元。每个神经元分别对应一个像素点。
第二层是全连接层，全连接层在这里设置了128个神经元，激活函数使用的是rule。全连接层构建通过keras.layers.Dense()实现的。全连接层，就是当前层的神经元与上一层的每一个神经元一一都有连接。
最后一层也是全连接层，作为输出层，我们的分类一共有10个类别，所以这里的神经元个数就是10。值得一提的是，输出的十个数值是神经网络判定当前图片属于某一个类别的概率， 如图所示：
array([5.5488392e-10, 1.5445305e-12, 1.6554838e-10, 2.7955952e-15,
7.5174762e-11, 9.2117226e-04, 9.5213594e-11, 1.7918178e-03,
9.0349452e-09, 9.9728703e-01], dtype=float32)这里可以看到，最后一类的概率最大，所以神经网络判定这张图片属于第十类。
好了，基本的层级已经构造完毕，接下来就可以编译模型了。
模型编译：
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])模型编译的代码显得很简单，这里有几个部分值得说明一下：
optimizer:优化器，优化器会根据网络的损失(loss)来对参数进行微调，使参数能够更好的拟合训练集。
Loss function：损失函数，损失函数常用的有三种MSE，Binary_crossentropy，categorical_crossentropy，三者的使用场合不同，MSE是均方差，crossentropy是交叉熵
,后两个函数分别使用与二分类(Binary)以及多分类，基于这个实例是10分类问题，所以选择后者。
Metrics：用于监控训练和测试步骤。本例使用精确性，即正确分类的图像的分数。
到此为止，我们的模型就已经构造完毕，可以开始训练我们的神经网络了(٩(๑>◡<๑)۶)。
模型训练：
根据官网的API，我做了一些修整。
使用训练集开始训练：(官网叫做Feed themodel…这个feed用的莫名喜感)
model.fit(train_images, train_labels, epochs=10)短小精悍，结果如下：
Train on 60000 samples
Epoch 1/10
60000/60000 [==============================] - 4s 60us/sample - loss: 0.4940 - accuracy: 0.8258
Epoch 2/10
60000/60000 [==============================] - 3s 53us/sample - loss: 0.3706 - accuracy: 0.8663
Epoch 3/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.3306 - accuracy: 0.8787
Epoch 4/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.3090 - accuracy: 0.8871
Epoch 5/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2937 - accuracy: 0.8921
Epoch 6/10
60000/60000 [==============================] - 3s 53us/sample - loss: 0.2785 - accuracy: 0.8967
Epoch 7/10
60000/60000 [==============================] - 4s 59us/sample - loss: 0.2667 - accuracy: 0.8999
Epoch 8/10
60000/60000 [==============================] - 3s 57us/sample - loss: 0.2562 - accuracy: 0.9050
Epoch 9/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2455 - accuracy: 0.9083
Epoch 10/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2365 - accuracy: 0.9123好的，到这里，我们的神经网络就已经训练完毕了，准确率还算可以吧(新人已经很感动了)，接下来，我们拿出测试集，用已训练的模型做测试，看看泛化能力怎么样：
测试集测试：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)使用model.evaluate(测试集，测试label)，返回损失和准确率，然后将准确率打印出来。
结果如下：
10000/10000 - 1s - loss: 0.3415 - accuracy: 0.8785
Test accuracy: 0.8785感觉还不错吧。
如果想看看单独一张图的预测结果，可以这样处理：
predictions = model.predict(test_images)
print(predictions[0])
print(np.argmax(predictions[0]))np.argmax()就是将输出层最大的概率对应的index指出来，这里看到就是9。
结果如下：
array([5.5488392e-10, 1.5445305e-12, 1.6554838e-10, 2.7955952e-15,
7.5174762e-11, 9.2117226e-04, 9.5213594e-11, 1.7918178e-03,
9.0349452e-09, 9.9728703e-01], dtype=float32
9好的，以上就是一个模型的构建，训练，以及使用的过程，如果想入门的小伙伴们应该已经可以开始玩耍了，下面的内容可以直接跳过(我觉得看着那个训练的进度条往前爬然后accuracy不断的提高已经很满足了。。。)
接下来的内容是为了更好的表示模型的结果而设置的。
结果具体化，可视化：
话不多说，先上代码：
def plot_image(i, predictions_array, true_label, img):
predictions_array, true_label, img = predictions_array, true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array, true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')这里的代码应该跑一遍，查查英语就可看懂了，将错误的predict用红色的柱状显示出来，将正确的用蓝色的显示出来。
对单张图片进行测试：
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i], test_labels)
plt.show()将多张图片进行预测：
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()结果如图：
好了，到这里第一个神经网络实例就已经完成了。我在做这个实例的时候是根据官方文档来做的，没遇到什么问题，配置就是Tensorflow2.1。刚刚接触神经网路，懂得也不是很多，写博客是为了以后复习方便，当然也希望可以帮到一些朋友，让大家少走弯路。
如果在操作过程中发现了错误，也希望大家能在留言区提出来。
Thanks♪(･ω･)ﾉ祝大家新年快乐lalalalala
——2020.1.24 大年三十
