1. 從“Hello, World!”到神經(jīng)網(wǎng)絡(luò)為什么TensorFlow 2.0是新的起點如果你剛開始接觸深度學(xué)習(xí)打開TensorFlow的官網(wǎng)看到滿屏的API文檔和教程可能會有點懵。尤其是當(dāng)你聽說TensorFlow 1.x和2.0幾乎是兩個不同的世界時這種困惑感會更強(qiáng)烈。很多人會直接搜索“pycharm如何安裝tensorflow2.0”這確實是第一步但安裝之后呢面對一個空白的Python文件你敲下的第一行代碼應(yīng)該是什么是去理解復(fù)雜的“圖卷積神經(jīng)網(wǎng)絡(luò)通俗理解”還是先搞清楚“bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖”我的建議是先忘掉那些復(fù)雜的術(shù)語。TensorFlow 2.0最大的變革就是它變得“像Python一樣思考”。在1.x時代你需要先構(gòu)建一個靜態(tài)的計算圖Graph然后在一個會話Session里“喂”數(shù)據(jù)并執(zhí)行整個過程和寫Python直覺是割裂的。而2.0版本尤其是默認(rèn)啟用了Eager Execution即時執(zhí)行后你可以像使用NumPy一樣逐行執(zhí)行運算立即看到結(jié)果。這極大地降低了學(xué)習(xí)門檻讓你能把精力集中在神經(jīng)網(wǎng)絡(luò)本身的思想上而不是框架的“儀式感”上。所以這篇筆記的目標(biāo)讀者就是那些希望繞過歷史包袱直接上手現(xiàn)代深度學(xué)習(xí)工具的朋友。無論你是想理解“前饋神經(jīng)網(wǎng)絡(luò)”的基礎(chǔ)還是為后續(xù)學(xué)習(xí)“卷積神經(jīng)網(wǎng)絡(luò)”或“不同的神經(jīng)網(wǎng)絡(luò)”模型打底子這里的內(nèi)容都將為你構(gòu)建一個堅實、直觀的起點。我們不追求一步登天去理解所有“神經(jīng)網(wǎng)絡(luò)多目標(biāo)算法”而是扎扎實實地從張量Tensor這個基本概念開始一步步搭建起對神經(jīng)網(wǎng)絡(luò)運作方式的認(rèn)識。你會發(fā)現(xiàn)所謂復(fù)雜的模型其基礎(chǔ)構(gòu)件和思想都是相通的。2. 環(huán)境搭建與第一行代碼避開新手第一個坑在開始任何理論之前我們先讓代碼跑起來。環(huán)境配置是勸退新手的第一個關(guān)卡網(wǎng)上教程眾多但往往因為系統(tǒng)環(huán)境、Python版本或網(wǎng)絡(luò)問題而失敗。這里我提供一個經(jīng)過大量實踐驗證的、最穩(wěn)妥的路徑。2.1 安裝不止于pip install tensorflow很多人會直接使用pip install tensorflow。這對于大多數(shù)只想快速體驗的用戶來說確實是最簡單的方法。但是如果你后續(xù)需要用到GPU加速這對于訓(xùn)練稍大一點的模型至關(guān)重要或者你的Python環(huán)境比較復(fù)雜這個命令可能會帶來一些隱藏問題。更推薦的安裝方式是使用Anaconda來管理環(huán)境。Anaconda是一個強(qiáng)大的Python發(fā)行版和環(huán)境管理工具它能很好地解決不同項目間包版本沖突的問題。具體步驟如下安裝Anaconda從官網(wǎng)下載并安裝適合你操作系統(tǒng)的Anaconda。創(chuàng)建獨立環(huán)境打開終端或Anaconda Prompt執(zhí)行以下命令創(chuàng)建一個名為tf2的新環(huán)境并指定Python版本推薦3.7-3.9與TensorFlow 2.x兼容性最好conda create -n tf2 python3.8激活環(huán)境conda activate tf2安裝TensorFlow在激活的tf2環(huán)境中使用pip安裝TensorFlow。conda的通道有時更新較慢pip通常是獲取最新穩(wěn)定版的最佳途徑。pip install tensorflow如果你想安裝GPU版本并且已經(jīng)配置好了CUDA和cuDNN這是一個相對復(fù)雜的過程建議先熟悉基礎(chǔ)后再嘗試則安裝pip install tensorflow-gpu注意從TensorFlow 2.1開始tensorflow包已經(jīng)同時包含CPU和GPU支持如果你的系統(tǒng)有符合條件的CUDA環(huán)境它會自動啟用GPU。因此通常直接安裝tensorflow即可。驗證安裝是否成功 打開Python解釋器或創(chuàng)建一個新的.py文件輸入以下代碼import tensorflow as tf print(tf.__version__) print(“GPU是否可用”, tf.config.list_physical_devices(‘GPU’))如果成功輸出版本號例如2.10.0并且第二行可能列出你的GPU設(shè)備如果沒有GPU則顯示空列表那么恭喜你環(huán)境搭建成功。注意你可能會遇到各種安裝錯誤最常見的是“超時”或“找不到滿足版本的包”。這通常是由于網(wǎng)絡(luò)問題或Python版本過高/過低導(dǎo)致的。解決方案包括使用國內(nèi)鏡像源如清華源、阿里云源進(jìn)行pip安裝或者檢查并調(diào)整你的Python版本。2.2 TensorFlow 2.0 核心對象初探張量Tensor安裝成功后我們來認(rèn)識一下TensorFlow的核心數(shù)據(jù)單元——張量Tensor。你可以把它理解為多維數(shù)組。在Eager Execution模式下張量的行為非常直觀。import tensorflow as tf # 創(chuàng)建一個標(biāo)量0維張量 scalar tf.constant(5) print(scalar) # 輸出tf.Tensor(5, shape(), dtypeint32) print(scalar.numpy()) # 輸出5 (轉(zhuǎn)換為NumPy數(shù)組) # 創(chuàng)建一個向量1維張量 vector tf.constant([1, 2, 3]) print(vector) # 輸出tf.Tensor([1 2 3], shape(3,), dtypeint32) # 創(chuàng)建一個矩陣2維張量 matrix tf.constant([[1, 2], [3, 4]]) print(matrix) # 輸出 # tf.Tensor( # [[1 2] # [3 4]], shape(2, 2), dtypeint32) # 進(jìn)行簡單的運算 a tf.constant([[1, 2], [3, 4]]) b tf.constant([[5, 6], [7, 8]]) c tf.add(a, b) # 等價于 c a b print(c) # 輸出 # tf.Tensor( # [[ 6 8] # [10 12]], shape(2, 2), dtypeint32)通過上面的例子你可以立即看到運算結(jié)果這和用NumPy幾乎沒有區(qū)別。shape屬性描述了張量的維度dtype描述了數(shù)據(jù)類型如int32,float32。理解shape是后續(xù)所有操作的基礎(chǔ)特別是在構(gòu)建神經(jīng)網(wǎng)絡(luò)層時數(shù)據(jù)流的形狀必須匹配。3. 前饋神經(jīng)網(wǎng)絡(luò)FNN的核心機(jī)制拆解現(xiàn)在我們進(jìn)入正題。當(dāng)你搜索“前饋神經(jīng)網(wǎng)絡(luò)”或“bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖”時看到的可能是一個由輸入層、隱藏層和輸出層組成的網(wǎng)絡(luò)圖以及復(fù)雜的數(shù)學(xué)公式。我們先拋開公式從數(shù)據(jù)和計算流的角度來理解它。3.1 神經(jīng)元與全連接層網(wǎng)絡(luò)的基石神經(jīng)網(wǎng)絡(luò)最基本的計算單元是“神經(jīng)元”。在一個全連接層Dense Layer中每個神經(jīng)元都與上一層的所有神經(jīng)元相連。它的計算可以概括為兩步線性變換output tf.matmul(input, weights) biasesinput輸入數(shù)據(jù)形狀為(batch_size, input_features)。weights權(quán)重矩陣形狀為(input_features, units)。units是該層神經(jīng)元的數(shù)量。biases偏置向量形狀為(units,)。tf.matmul是矩陣乘法。這一步實現(xiàn)了輸入的加權(quán)求和。激活函數(shù)final_output activation_function(output)線性變換的結(jié)果再經(jīng)過一個非線性函數(shù)激活函數(shù)如ReLU、sigmoid、tanh等。這是神經(jīng)網(wǎng)絡(luò)能夠擬合復(fù)雜非線性關(guān)系的關(guān)鍵。沒有激活函數(shù)多層網(wǎng)絡(luò)堆疊等價于一個單層線性網(wǎng)絡(luò)。在TensorFlow 2.0中我們不需要手動定義這些權(quán)重和矩陣乘法。tf.keras.layers.Dense層封裝了這一切。import tensorflow as tf # 定義一個具有10個神經(jīng)元的全連接層使用ReLU激活函數(shù) dense_layer tf.keras.layers.Dense(units10, activation‘relu’) # 假設(shè)我們有一個輸入批量大小為1特征數(shù)為5 input_data tf.constant([[1.0, 2.0, 3.0, 4.0, 5.0]]) # shape: (1, 5) # 將輸入數(shù)據(jù)“通過”這個層 output dense_layer(input_data) print(output.shape) # 輸出: (1, 10)當(dāng)你第一次調(diào)用dense_layer(input_data)時層會自動創(chuàng)建所需的權(quán)重和偏置這個過程稱為“構(gòu)建”。權(quán)重weights的形狀是(5, 10)偏置bias的形狀是(10,)。3.2 從層到模型Sequential API的直觀構(gòu)建單個層意義不大我們需要將多個層串聯(lián)起來形成一個“前饋”網(wǎng)絡(luò)數(shù)據(jù)從輸入層單向流到輸出層。tf.keras.Sequential是最簡單直觀的模型構(gòu)建方式它就像搭積木。假設(shè)我們要構(gòu)建一個用于手寫數(shù)字識別MNIST數(shù)據(jù)集的簡單網(wǎng)絡(luò)這個網(wǎng)絡(luò)結(jié)構(gòu)在“bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖”中非常經(jīng)典輸入層將28x28的圖片展平為784個特征。隱藏層1128個神經(jīng)元ReLU激活。隱藏層264個神經(jīng)元ReLU激活。輸出層10個神經(jīng)元對應(yīng)0-9十個數(shù)字Softmax激活將輸出轉(zhuǎn)化為概率分布。用Sequential可以這樣實現(xiàn)model tf.keras.Sequential([ # 展平層將二維輸入轉(zhuǎn)換為一維 tf.keras.layers.Flatten(input_shape(28, 28)), # 第一個全連接隱藏層 tf.keras.layers.Dense(128, activation‘relu’), # 第二個全連接隱藏層 tf.keras.layers.Dense(64, activation‘relu’), # 輸出層 tf.keras.layers.Dense(10, activation‘softmax’) ]) # 查看模型結(jié)構(gòu)摘要 model.summary()運行model.summary()會打印出清晰的網(wǎng)絡(luò)結(jié)構(gòu)、每層的輸出形狀和參數(shù)數(shù)量。這是檢查模型是否按你預(yù)期構(gòu)建的重要工具。你會看到僅僅這樣一個簡單的網(wǎng)絡(luò)就有超過10萬個需要學(xué)習(xí)的參數(shù)權(quán)重和偏置。3.3 前向傳播數(shù)據(jù)如何流過網(wǎng)絡(luò)定義了模型結(jié)構(gòu)前向傳播就是順理成章的事情。你只需要將輸入數(shù)據(jù)比如一批圖片傳遞給模型對象。# 假設(shè)我們有一批隨機(jī)生成的“圖片”數(shù)據(jù)模擬MNIST批量大小為4 import numpy as np dummy_images np.random.random((4, 28, 28)).astype(np.float32) # 前向傳播獲得預(yù)測結(jié)果 predictions model(dummy_images) print(predictions.shape) # 輸出: (4, 10) print(predictions)輸出的predictions形狀是(4, 10)表示對4張圖片的預(yù)測結(jié)果每張圖片對應(yīng)一個長度為10的向量。由于輸出層使用了softmax這個向量的每個元素都在0到1之間且所有元素之和為1可以解釋為圖片屬于每個數(shù)字類別的概率。4. 訓(xùn)練神經(jīng)網(wǎng)絡(luò)損失、優(yōu)化器與反向傳播模型現(xiàn)在只會進(jìn)行隨機(jī)預(yù)測因為權(quán)重是隨機(jī)初始化的。如何讓它學(xué)會正確的預(yù)測這就是訓(xùn)練過程其核心是反向傳播算法Backpropagation也就是“BP神經(jīng)網(wǎng)絡(luò)”中“BP”的由來。這個過程自動化了梯度計算和參數(shù)更新。4.1 定義損失函數(shù)衡量“錯誤”的尺度我們需要一個函數(shù)來量化模型的預(yù)測結(jié)果與真實標(biāo)簽之間的差距。這個函數(shù)叫損失函數(shù)Loss Function。對于多分類問題交叉熵?fù)p失Categorical Crossentropy是標(biāo)準(zhǔn)選擇。# 定義損失函數(shù) loss_fn tf.keras.losses.SparseCategoricalCrossentropy()這里使用SparseCategoricalCrossentropy是因為我們的標(biāo)簽通常是整數(shù)如“3”而不是one-hot編碼如[0,0,0,1,0,0,0,0,0,0]。如果是one-hot編碼則使用CategoricalCrossentropy。4.2 選擇優(yōu)化器決定“如何改進(jìn)”優(yōu)化器Optimizer決定了如何根據(jù)損失函數(shù)的梯度來更新網(wǎng)絡(luò)中的權(quán)重。最常用的是Adam優(yōu)化器它自適應(yīng)地調(diào)整學(xué)習(xí)率通常能獲得很好的效果且無需太多調(diào)參。# 定義優(yōu)化器設(shè)置學(xué)習(xí)率lr optimizer tf.keras.optimizers.Adam(learning_rate0.001)4.3 訓(xùn)練循環(huán)手動實現(xiàn)一個Epoch為了深入理解我們先拋開model.fit()這種高級API手動實現(xiàn)一個訓(xùn)練步驟Step和一個訓(xùn)練輪次Epoch。假設(shè)我們有一些訓(xùn)練數(shù)據(jù)x_train和標(biāo)簽y_train。# 假設(shè)的訓(xùn)練數(shù)據(jù) x_train np.random.random((1000, 28, 28)).astype(np.float32) # 1000張圖片 y_train np.random.randint(10, size(1000,)) # 1000個標(biāo)簽 # 將數(shù)據(jù)轉(zhuǎn)換為TensorFlow Dataset便于批處理 train_dataset tf.data.Dataset.from_tensor_slices((x_train, y_train)) train_dataset train_dataset.shuffle(buffer_size1024).batch(32) # 手動訓(xùn)練一個Epoch for step, (batch_images, batch_labels) in enumerate(train_dataset): # 使用 tf.GradientTape 記錄前向傳播的計算過程用于計算梯度 with tf.GradientTape() as tape: # 1. 前向傳播 predictions model(batch_images, trainingTrue) # trainingTrue會啟用Dropout等僅在訓(xùn)練時使用的層 # 2. 計算當(dāng)前批次的損失值 loss_value loss_fn(batch_labels, predictions) # 3. 反向傳播計算損失相對于模型可訓(xùn)練變量的梯度 grads tape.gradient(loss_value, model.trainable_variables) # 4. 優(yōu)化器應(yīng)用梯度更新模型參數(shù) optimizer.apply_gradients(zip(grads, model.trainable_variables)) # 每100個batch打印一次損失 if step % 100 0: print(f“Step {step}: Loss {loss_value.numpy()}”)關(guān)鍵解釋tf.GradientTape()這是TensorFlow 2.0實現(xiàn)自動微分求導(dǎo)的核心上下文管理器。在tape的上下文中執(zhí)行的所有TensorFlow操作都會被記錄以便之后計算梯度。tape.gradient(loss_value, model.trainable_variables)這個調(diào)用是反向傳播的魔法所在。它自動計算損失函數(shù)loss_value相對于模型中所有可訓(xùn)練參數(shù)model.trainable_variables即各層的權(quán)重和偏置的梯度。optimizer.apply_gradients(...)優(yōu)化器拿到梯度后按照其算法如Adam更新參數(shù)完成一次學(xué)習(xí)。這個過程就是“反向傳播”的精髓前向計算得到損失反向計算得到每個參數(shù)應(yīng)該如何微調(diào)才能降低損失然后執(zhí)行調(diào)整。4.4 使用高級APImodel.compile() 與 model.fit()手動循環(huán)有助于理解但在實際項目中我們幾乎總是使用Keras提供的高級API它們更簡潔、更健壯。# 編譯模型指定優(yōu)化器、損失函數(shù)和評估指標(biāo) model.compile(optimizer‘a(chǎn)dam’, loss‘sparse_categorical_crossentropy’, metrics[‘a(chǎn)ccuracy’]) # 訓(xùn)練模型 history model.fit(x_train, y_train, batch_size32, epochs5, # 在整個數(shù)據(jù)集上訓(xùn)練5輪 validation_split0.2) # 拿出20%的數(shù)據(jù)作為驗證集model.compile()配置了訓(xùn)練所需的組件。model.fit()則接管了整個訓(xùn)練循環(huán)包括打亂數(shù)據(jù)、分批、前向傳播、計算損失、反向傳播、參數(shù)更新并在每個Epoch結(jié)束后在驗證集上評估性能。history對象包含了訓(xùn)練過程中的損失和準(zhǔn)確率歷史可用于繪圖分析。5. 核心概念延伸與實戰(zhàn)避坑指南掌握了基礎(chǔ)的前饋網(wǎng)絡(luò)構(gòu)建和訓(xùn)練流程后我們需要深入一些關(guān)鍵細(xì)節(jié)這些都是新手容易踩坑的地方。5.1 激活函數(shù)選擇為什么ReLU是隱藏層的默認(rèn)首選在前面的例子中隱藏層我們都使用了activation‘relu’修正線性單元。為什么不是sigmoid或tanhSigmoid輸出范圍(0,1)曾常用于輸出層做二分類。但其在輸入值很大或很小時梯度會趨近于0稱為“梯度飽和”導(dǎo)致在深度網(wǎng)絡(luò)的反向傳播中梯度消失Vanishing Gradient深層的權(quán)重幾乎得不到更新。Tanh輸出范圍(-1,1)是零中心的比sigmoid稍好但同樣存在梯度飽和問題。ReLUf(x) max(0, x)。計算簡單在正區(qū)間梯度恒為1有效緩解了梯度消失問題加速了訓(xùn)練收斂。因此它成為現(xiàn)代深度學(xué)習(xí)隱藏層的默認(rèn)選擇。注意ReLU也有“Dead ReLU”問題即如果輸入始終為負(fù)梯度為0神經(jīng)元可能“死亡”不再更新。為此有一些變體如Leaky ReLU、PReLU等但在實踐中標(biāo)準(zhǔn)的ReLU在大多數(shù)情況下已經(jīng)足夠好。5.2 權(quán)重初始化不起眼但至關(guān)重要的步驟在model.summary()中我們看到模型有大量參數(shù)。這些參數(shù)在訓(xùn)練開始前必須被賦予初始值。不好的初始化如全零初始化會導(dǎo)致訓(xùn)練失敗或緩慢。TensorFlow Keras層有默認(rèn)的初始化器。對于Dense層默認(rèn)使用glorot_uniform也稱為Xavier均勻初始化它會根據(jù)輸入和輸出的神經(jīng)元數(shù)量來調(diào)整初始權(quán)重的范圍旨在保持前向和反向傳播中信號的方差穩(wěn)定。對于新手直接使用默認(rèn)初始化即可無需修改。當(dāng)你的網(wǎng)絡(luò)非常深或遇到訓(xùn)練困難時再考慮嘗試其他初始化方法如he_normal針對ReLU的初始化。5.3 過擬合與正則化當(dāng)模型“學(xué)得太好”模型在訓(xùn)練集上表現(xiàn)完美但在沒見過的數(shù)據(jù)測試集上表現(xiàn)糟糕這就是過擬合。它記住了訓(xùn)練數(shù)據(jù)的噪聲和細(xì)節(jié)而非一般規(guī)律。應(yīng)對過擬合的常用“武器”獲取更多數(shù)據(jù)最有效但通常成本最高。數(shù)據(jù)增強(qiáng)對現(xiàn)有數(shù)據(jù)做隨機(jī)變換如旋轉(zhuǎn)、縮放、裁剪圖片創(chuàng)造“新”數(shù)據(jù)。Dropout層在訓(xùn)練時隨機(jī)“丟棄”置零一層中一定比例的神經(jīng)元輸出迫使網(wǎng)絡(luò)不依賴于任何單個神經(jīng)元增強(qiáng)魯棒性。model tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activation‘relu’), tf.keras.layers.Dropout(0.5), # 隨機(jī)丟棄50%的神經(jīng)元 tf.keras.layers.Dense(64, activation‘relu’), tf.keras.layers.Dropout(0.3), # 隨機(jī)丟棄30%的神經(jīng)元 tf.keras.layers.Dense(10, activation‘softmax’) ])Dropout只在訓(xùn)練時生效在評估或預(yù)測時所有神經(jīng)元都參與但其輸出值會乘以保留概率如0.5以保持期望值一致。L1/L2權(quán)重正則化在損失函數(shù)中增加一項懲罰過大的權(quán)重值鼓勵模型使用更小的權(quán)重從而更簡單。# 在Dense層中添加L2正則化 tf.keras.layers.Dense(64, activation‘relu’, kernel_regularizertf.keras.regularizers.l2(0.001))5.4 梯度消失/爆炸深度網(wǎng)絡(luò)的頑疾這是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)如“不同的神經(jīng)網(wǎng)絡(luò)”中的深層CNN或RNN時最常見的問題之一。梯度消失反向傳播時梯度值越來越小導(dǎo)致網(wǎng)絡(luò)淺層的參數(shù)更新緩慢甚至停滯。sigmoid/tanh激活函數(shù)和某些權(quán)重初始化容易導(dǎo)致此問題。梯度爆炸梯度值越來越大導(dǎo)致參數(shù)更新步長巨大模型無法收斂。解決方案使用ReLU及其變體緩解梯度消失。使用批標(biāo)準(zhǔn)化tf.keras.layers.BatchNormalization層。它會對每一層的輸入進(jìn)行標(biāo)準(zhǔn)化減均值、除標(biāo)準(zhǔn)差使數(shù)據(jù)分布更穩(wěn)定允許使用更高的學(xué)習(xí)率并能在一定程度上緩解梯度問題。梯度裁剪在優(yōu)化器中設(shè)置clipnorm或clipvalue防止梯度超過某個閾值。optimizer tf.keras.optimizers.Adam(learning_rate0.001, clipnorm1.0)合理的權(quán)重初始化如之前所述。6. 從基礎(chǔ)到應(yīng)用一個完整的MNIST手寫數(shù)字識別示例讓我們將所有知識點串聯(lián)起來完成一個真正可運行的、完整的圖像分類項目。我們將使用經(jīng)典的MNIST數(shù)據(jù)集。import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 1. 加載數(shù)據(jù) (x_train, y_train), (x_test, y_test) tf.keras.datasets.mnist.load_data() # 2. 數(shù)據(jù)預(yù)處理 # 將像素值從0-255縮放到0-1之間有助于模型收斂 x_train, x_test x_train / 255.0, x_test / 255.0 # 3. 構(gòu)建模型 model tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activation‘relu’), tf.keras.layers.Dropout(0.2), # 添加Dropout防止過擬合 tf.keras.layers.Dense(64, activation‘relu’), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation‘softmax’) ]) # 4. 編譯模型 model.compile(optimizer‘a(chǎn)dam’, loss‘sparse_categorical_crossentropy’, metrics[‘a(chǎn)ccuracy’]) # 5. 訓(xùn)練模型 print(“開始訓(xùn)練...”) history model.fit(x_train, y_train, epochs10, batch_size64, validation_split0.2, # 用20%訓(xùn)練數(shù)據(jù)作為驗證 verbose1) # 顯示進(jìn)度條 # 6. 評估模型 print(“\n在測試集上評估...”) test_loss, test_acc model.evaluate(x_test, y_test, verbose2) print(f“\n測試準(zhǔn)確率{test_acc:.4f}”) # 7. 進(jìn)行預(yù)測 predictions model.predict(x_test[:5]) # 預(yù)測前5張測試圖片 predicted_labels tf.argmax(predictions, axis1).numpy() print(“前5張圖片的預(yù)測標(biāo)簽”, predicted_labels) print(“真實的標(biāo)簽”, y_test[:5]) # 8. 可視化訓(xùn)練過程可選 plt.figure(figsize(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history[‘a(chǎn)ccuracy’], label‘Training Accuracy’) plt.plot(history.history[‘val_accuracy’], label‘Validation Accuracy’) plt.xlabel(‘Epoch’) plt.ylabel(‘Accuracy’) plt.legend() plt.title(‘Training and Validation Accuracy’) plt.subplot(1, 2, 2) plt.plot(history.history[‘loss’], label‘Training Loss’) plt.plot(history.history[‘val_loss’], label‘Validation Loss’) plt.xlabel(‘Epoch’) plt.ylabel(‘Loss’) plt.legend() plt.title(‘Training and Validation Loss’) plt.show()運行這段代碼你應(yīng)該能看到模型在測試集上的準(zhǔn)確率達(dá)到97%以上。通過觀察history繪制的圖表你可以清晰地看到模型在訓(xùn)練集和驗證集上的表現(xiàn)判斷是否發(fā)生過擬合驗證集指標(biāo)遠(yuǎn)差于訓(xùn)練集或欠擬合兩者都差。幾個關(guān)鍵的實操心得數(shù)據(jù)標(biāo)準(zhǔn)化是必須的將輸入數(shù)據(jù)如圖像像素值縮放到一個較小的范圍如0-1或-1到1能極大加速訓(xùn)練并提高模型穩(wěn)定性。對于MNIST除以255.0是最簡單的標(biāo)準(zhǔn)化。驗證集是關(guān)鍵永遠(yuǎn)不要用測試集來調(diào)整模型參數(shù)如學(xué)習(xí)率、層數(shù)。validation_split或單獨的驗證集用于在訓(xùn)練過程中監(jiān)控模型在未見數(shù)據(jù)上的表現(xiàn)是調(diào)整超參數(shù)和判斷過擬合的依據(jù)。從簡單開始不要一開始就構(gòu)建非常復(fù)雜的網(wǎng)絡(luò)。先用一個像本例這樣的簡單網(wǎng)絡(luò)如只有1-2個隱藏層跑通整個流程獲得一個基準(zhǔn)性能。然后再嘗試增加深度、調(diào)整超參數(shù)并觀察性能變化。理解model.fit()的輸出verbose1時你會看到每個Epoch的進(jìn)度條以及訓(xùn)練/驗證的損失和指標(biāo)。如果訓(xùn)練損失持續(xù)下降但驗證損失開始上升這就是過擬合的典型信號。通過這個完整的例子你已經(jīng)走完了使用TensorFlow 2.0構(gòu)建和訓(xùn)練一個前饋神經(jīng)網(wǎng)絡(luò)的全流程。這不僅僅是“Hello, World”而是一個具備實用價值的機(jī)器學(xué)習(xí)項目骨架。在此基礎(chǔ)上去探索更復(fù)雜的“卷積神經(jīng)網(wǎng)絡(luò)”處理圖像或是研究“圖卷積神經(jīng)網(wǎng)絡(luò)通俗理解”來處理圖結(jié)構(gòu)數(shù)據(jù)你都會發(fā)現(xiàn)其核心思想——層的堆疊、前向/反向傳播、損失最小化——是完全一致的。掌握了這些基礎(chǔ)你就擁有了打開深度學(xué)習(xí)大門的鑰匙。