【小白学PyTorch】15.TF2实现一个简单的服装分类任务

<<小白学PyTorch>>

小白学PyTorch | 14 tensorboardX可视化教程

小白学PyTorch | 13 EfficientNet详解及PyTorch实现

小白学PyTorch | 12 SENet详解及PyTorch实现

小白学PyTorch | 11 MobileNet详解及PyTorch实现

小白学PyTorch | 10 pytorch常见运算详解

小白学PyTorch | 9 tensor数据结构与存储结构

小白学PyTorch | 8 实战之MNIST小试牛刀

小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解

小白学PyTorch | 6 模型的构建访问遍历存储（附代码）

小白学PyTorch | 5 torchvision预训练模型与数据集全览

小白学PyTorch | 4 构建模型三要素与权重初始化

小白学PyTorch | 3 浅谈Dataset和Dataloader

小白学PyTorch | 2 浅谈训练集验证集和测试集

小白学PyTorch | 1 搭建一个超简单的网络

小白学PyTorch | 动态图与静态图的浅显理解

参考目录：

• 0 为什么学TF

• 1 Tensorflow的安装

• 2 数据集构建

• 2 预处理

• 3 构建模型

• 4 优化器

• 5 训练与预测

0 为什么学TF

之前的15节课的pytorch的学习，应该是让不少朋友对PyTorch有了一个全面而深刻的认识了吧 （如果你认真跑代码了并且认真看文章了的话） 。

大家都会比较Tensorflow2和pytorch之间孰优孰劣，但是我们也并不是非要二者选一，两者都是深度学习的工具，其实我们或多或少应该了解一些比较好。就好比，PyTorch是冲锋枪，TensorFlow是步枪，在上战场前，我们可以选择带上冲锋枪还是步枪，但是在战场上，可能手中的枪支没有子弹了，你只能在地上随便捡了一把枪。很多时候，用Pytorch还是Tensorflow的选择权不在自己。

此外，了解了TensorFlow，大家才能更好的理解PyTorch和TF究竟有什么区别。我见过有的大佬是TF和PyTorch一起用在一个项目中，数据读取用PyTorch然后模型用TF构建。

总之，大家有时间有精力的话，顺便学学TF也不亏，更何况TF2.0现在已经优化了很多。本系列预计用3节课来简单的入门一下Tensorflow2.

和PyTorch的第一课一样，我们直接做一个简单的小实战。MNIST手写数字分类，Fashion MNIST时尚服装分类。

1 Tensorflow的安装

安装TensorFlow的方法很简单，就是在控制台执行：

pip install tensorflow --user

这里的--user是赋予这个命令执行权限的，一般我都会带上。

2 数据集构建

# keras是TF的高级API，用起来更加的方便，一般也是用keras。
import tensorflow as tf
from tensorflow import keras
import numpy as np

导入需要用到的库函数. 正如torchvision.datasets中一样，keras.datasets中也封装了一些常用的数据集。

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
print('train_images shape:',train_images.shape)
print('train_labels shape:',train_labels.shape)
print('test_images shape:',test_images.shape)
print('test_labels shape:',test_labels.shape)

输出结果是：

训练数据集中有60000个样本，每一个样本和MNIST手写数字大小是一样的，是 大小的，然后每一个样本有一个标签，这个标签和MNIST也是一样的，是从0到9，是一个十分类任务。

来看一下这些类别有哪些：

这里学学单词吧:

• T-shirt就是T型的衬衫，就是短袖，我感觉前面没有扣子的那种也叫T-shirt；

• Shirt就是长袖的那种衬衫;

• Trouser是裤子；

• pullover是毛衣，套头毛衣，就是常说的卫衣吧感觉；

• dress连衣裙；

• coat是外套；

• sandal是凉鞋；

• sneaker是运动鞋；

• ankle boot是短靴，是到脚踝的那种靴子；

• 这里补充一个吧，sweater，是毛线衣，运动衫，这个和pullover有些类似，个人感觉主要的区分在于运动系列的可以叫做sweater，其他的毛衣卫衣是pullover。

运动短袖T-shirt+运动卫衣sweater是我秋天去健身房的穿搭。

2 预处理

这里不做图像增强之类的了，上面的数据中，图像像素值是从0到255的，我们要把这些标准化成0到1的范围。

train_images = train_images / 255.0
test_images = test_images / 255.0

3 构建模型

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

这就是一个用keras构建简单模型的例子：

• keras.layers.Flatten是把 的二维度拉平成一个维度，因为这里是直接用全连接层而不是卷积层进行处理的；

• 后面跟上两个全连接层keras.layers.Dense()就行了。我们可以发现，这个全连接层的参数和PyTorch是有一些区别的：

1. PyTorch的全连接层需要一个输入神经元数量和输出数量torch.nn.Linear(5,10),而keras中的Dense是不需要输入参数的keras.layers.Dense(10)；

2. keras中的激活层直接封装在了Dense函数里面，所以不需要像PyTorch一样单独写一个nn.ReLU()了。

4 优化器

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

定义优化器和损失函数，在keras中叫做对模型进行编译compile（在C语言中，在运行代码之前都需要对代码进行编译嘛）。损失函数和优化器还有metric衡量指标的设置都在模型的编译函数中设置完成。

上面使用Adam作为优化器，然后损失函数用了交叉熵，然后衡量模型性能的使用了准确率Accuracy。

5 训练与预测

model.fit(train_images, train_labels, epochs=10)

这就是训练过程，相比PyTorch而言，更加的简单简洁，但是不像PyTorch那样灵活。

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest accuracy:', test_acc)

这个.evaluate方法是对模型的验证集进行验证的，因为本次任务中并没有对训练数据再划分出验证集，所以这里直接使用测试数据了。

大家应该能理解训练集、验证集和测试集的用途和区别吧，我在第二课讲过这个内容，在此不多加赘述。

predictions = model.predict(test_images)

这个.predict方法才是用在测试集上，进行未知标签样本的类别推理的。

本次内容到此为止，大家应该对keras和tensorflow有一个直观浅显的认识了。当然tensorflow也有一套类似于PyTorch中的dataset，dataloader的那样自定义的数据集加载器的方法，在后续内容中会深入浅出的学一下。

往期精彩回顾




适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群704220115。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：