TensorFlow 是一个端到端平台，支持轻松地构建和部署机器学习模型。

在此记录一下快速入门：

1、创建虚拟环境

（1）python3.8

conda create -n tensorflow python=3.8

（2）激活

conda activate tensorflow

（3）更新 pip

pip install --upgrade pip

（4）安装基础工具包

pip install pandas matplotlib

（5）安装 tensorflow （CPU&&GPU）

pip install tensorflow

2、准备数据集—MNIST 简介

MNIST 数据集是一个手写数字数据集，相当于机器学习在视觉领域的“hello world”。

MNIST 数据集可在
http://yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分:

• Training set images: train-images-idx3-ubyte.gz (包含 60,000 个样本)

• Training set labels: train-labels-idx1-ubyte.gz (包含 60,000 个标签)

• Test set images:t10k-images-idx3-ubyte.gz (包含 10,000 个样本)

• Test set labels: t10k-labels-idx1-ubyte.gz (包含 10,000 个标签)

3、快速入门

（1）导入所需要的包

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

（2）导入数据集

mnist = tf.keras.datasets.mnist

（3）划分训练集和测试集

(x_train, y_train), (x_test, y_test) = mnist.load_data()

（4）训练集可视化（前50张）

plt.figure(figsize=(10,10))
for i in range(50):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(x_train[i], cmap=plt.cm.binary)
plt.show()

（5）归一化

x_train, x_test = x_train / 255.0, x_test / 255.0 # 归一化

（6）定义一个简单的神经网络模型

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

解释：

Flatten 层：将输入的二维图像数据展平成一维向量。

Dense 层：全连接层，包含 128 个节点，使用 ReLU 激活函数。

Dropout 层：随机丢弃 20% 的节点以防止过拟合。

Dense 层：输出层，包含 10 个节点，代表 10 个不同的类别（对于 MNIST 数据集来说，每个数字是一个类别）。

（7）定义损失函数

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

定义了损失函数
SparseCategoricalCrossentropy 用于多分类问题。

from_logits=True 表示输入是未经激活的原始输出（logits），而不是经过 softmax 函数处理的概率分布。

（8）模型编译

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

optimizer='adam': 指定了优化器为 Adam。Adam 是一种自适应学习率优化算法，通常在深度学习中表现良好，因为它能够自动调整每个参数的学习率。

loss=loss_fn: 使用之前定义的损失函数 loss_fn，即
SparseCategoricalCrossentropy。

metrics=['accuracy']: 在训练过程中监控准确率指标，有助于了解模型在训练和验证集上的性能。

（9）训练模型

model.fit(x_train, y_train, epochs=5) #epochs=5 表示模型将遍历整个训练数据集 5 次

（10）评估模型

score =model.evaluate(x_test,  y_test, verbose=2)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

（11）结果可视化

predictions = model(x_test).numpy()
# 图形化显示模型预测的结果
plt.figure(figsize=(10,10))
for i in range(50):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(x_test[i], cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions[i])
    true_label = y_test[i]
    if predicted_label == true_label:
        color = 'blue'
        plt.xlabel("{} ({})".format(predicted_label, true_label),
                    color=color)
    else:
        color = 'red'
        plt.xlabel("{} ({})".format(predicted_label, true_label),
                    color=color)
plt.show()

（12）保存模型

model.save('***/mnist_number.keras')

（13）加载并打印模型信息

loaded_model =  tf.keras.models.load_model('***/mnist_number.keras')
print(loaded_model.summary())