轻松体验TensorFlow 第一个神经网络:基本分类(Part 1)
关于 Jupyter Notebook的使用,可以参考如下连结,有详细的步骤和截图:
Jupyter Notebook神器-免费体验来自微软的Azure Notebook
基于Jupyter Notebook 快速体验Python和plot()绘图方法
基于Jupyter Notebook 快速体验matplotlib.pyplot模组中绘图方法
TensorFlow 基本分类(basic classification)演示的完整程式码,可以访问:
https://notebooks.azure.com/rickiechina/projects/pythontutorial/html/Tensorflow-Tutorial.ipynb

1. 检视当前环境是否中TensorFlow 包是否已安装
!pip list | grep tensorflow上述命令执行时间较长,请耐心等待。
pip list 命令用来检视当前环境下的Python 包,grep 命令用来查询和筛选。中间的竖线表示 pipe(管道),将pip list 命令的输出作为 grep 命令的输入。
pip 前面的感叹号是cell 中执行 Linux 命令的方式,在命令列中执行则不需要加感叹号。

上述命令的输出,表示当前环境已经安装好了 TensorFlow 包。如果没有安装,可以通过如下命令安装:
!pip install tensorflow
安装TensorFlow命令,说明如下:
# Current stable release for CPU-only
pip install tensorflow
# Preview nightly build for CPU-only (unstable)
pip install tf-nightly
# Install TensorFlow 2.0 Alpha
pip install tensorflow==2.0.0-alpha0
本地安装TensorFlow,截图如下。

TensorFlow 安装完成:

2. 汇入需要的Python包
# 汇入TensorFlow和tf.kerasimport tensorflow as tf
from tensorflow import keras
# 汇入辅助库
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
输出结果:1.12.2
下面训练了一个神经网络模型,来对服装影象进行分类,例如运动鞋和衬衫。需要使用tf.keras,这是一个用于在TensorFlow 中构建和训练模型的高阶API。
3. 汇入Fashion MNIST资料集
下面使用Fashion MNIST 资料集,其中包含了10个类别中共70,000张灰度影象。影象包含了低分辨率(28 x 28画素)的单个服装物品,图片连结如下所示:https://github.com/zalandoresearch/fashion-mnist/blob/master/README.zh-CN.md
Fashion-MNIST是一个替代MNIST手写数字集的影象资料集。 它是由Zalando(一家德国的时尚科技公司)旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试资料划分,28x28的灰度图片。可以直接用它来测试你的机器学习和深度学习算法效能,且不需要改动任何的程式码。
MNIST是 Mixed National Institute of Standards and Technology database 的简写。
下面使用60,000张影象来训练网络和10,000张影象来评估网络模型学习影象分类任务的准确程度。
可以直接从TensorFlow 使用Fashion MNIST,只需汇入并载入资料。
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

载入资料集并返回四个NumPy阵列:
train_images和train_labels阵列是训练集—这是模型用来学习的资料。模型通过测试集进行测试, 即test_images与 test_labels两个阵列。影象是28x28 NumPy阵列,画素值介于0到255之间。labels是一个整数阵列,数值介于0到9之间。
下面是影象类别和标签的对应关系:

每个影象都对映到一个标签。由于类别名称不包含在资料集中,因此把他们储存在这里以便在绘制图像时使用:
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
4. 进一步检视和分析资料
以下显示训练集中有60,000个影象,每个影象表示为28 x 28画素:
训练集中有 60000个标签,并且每个标签都是0-9 之间的整数。
测试集和训练集类似,有10000个影象和对应的10000个影象标签。

5. 资料预处理
在训练网络之前必须对资料进行预处理。 如果检查训练集中的第一个影象,将看到画素值落在0到255的范围内:plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

程式码说明:
plt.figure() 建立一个新的figure。
plt.colorbar() 方法用来显示当前image 的颜色方案。
在传送到神经网络模型之前,我们将这些值缩放到0到1的范围(归一化处理)。为此,我们将画素值值除以255。重要的是,对训练集和测试集要以相同的方式进行预处理:
train_images = train_images / 255.0
test_images = test_images / 255.0
显示训练集中的前25个影象,并在每个影象下方显示类别名。验证资料格式是否正确,我们是否已准备好构建和训练网络。
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
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()
程式码说明:
plt.xticks([])和plt.yticks([]) - 以空list 作为xticks() 方法的引数,检视资料集中影象隐藏座标轴。
plt.xlabel() 方法可以在 x 轴的下方显示指定文字。
plt.subplot(5,5,1) 方法 - 表示5行5列共25个位置,最后一个引数1 表示Axes的位置,第一行的位置编号为:1-5,第二行的位置编号为:6-10,依此类推。
上述程式码遍历了25 个位置(for i in range(25)),批量显示多张图。针对每一个位置,设定隐藏x和y轴,不显示闸道器线(grid),在对应的位置显示影象以及类别(label)。
需要注意的地方:Axes 位置的起始值是1,不是常见的0。

对TensorFlow 深度学习有兴趣的同学,可以访问如下连结。
未完待续,欢迎关注,欢迎交流 :)